انواع یادگیری ماشین
آشنایی با سه نوع اصلی یادگیری ماشین: نظارت‌شده، بدون نظارت و تقویتی با مثال‌های واقعی
انواع یادگیری ماشین
ماشین لرنینگ بر اساس نحوه یادگیری و نوع داده، به سه دسته اصلی تقسیم می‌شود:
۱. یادگیری نظارت‌شده (Supervised Learning)
در این روش، به مدل داده‌های برچسب‌خورده می‌دهیم؛ یعنی هم ویژگی‌ها (ورودی) و هم پاسخ درست (خروجی) را می‌دانیم. مدل یاد می‌گیرد بین ورودی و خروجی رابطه پیدا کند.
مثال: دادن هزاران عکس گربه و سگ با برچسب «گربه» و «سگ» به مدل، تا بعداً عکس جدید را درست دسته‌بندی کند.
یادگیری نظارت‌شده دو نوع اصلی دارد:
- رگرسیون (Regression): پیش‌بینی یک عدد پیوسته — مثل قیمت خانه یا دمای فردا
- دسته‌بندی (Classification): پیش‌بینی یک کلاس — مثل اسپم/غیراسپم یا بیمار/سالم
۲. یادگیری بدون نظارت (Unsupervised Learning)
در این روش، داده‌ها برچسب ندارند و مدل باید خودش ساختارها و الگوهای پنهان در داده را کشف کند.
مثال: یک فروشگاه آنلاین می‌خواهد مشتریان را به گروه‌های مشابه تقسیم کند بدون اینکه از قبل بداند چه گروه‌هایی وجود دارد.
- خوشه‌بندی (Clustering): گروه‌بندی داده‌های مشابه — مثل K-Means
- کاهش ابعاد (Dimensionality Reduction): فشرده‌سازی ویژگی‌ها — مثل PCA
۳. یادگیری تقویتی (Reinforcement Learning)
در این روش، یک عامل (Agent) با محیط تعامل می‌کند و بر اساس پاداش و جریمه یاد می‌گیرد بهترین رفتار را انتخاب کند.
مثال: آموزش ربات برای بازی شطرنج؛ هر حرکت خوب پاداش و هر حرکت بد جریمه دارد. الگوریتم معروف AlphaGo با همین روش ساخته شد.
جدول مقایسه
| ویژگی | نظارت‌شده | بدون نظارت | تقویتی |
|---|---|---|---|
| داده | برچسب‌دار | بدون برچسب | تعامل با محیط |
| هدف | پیش‌بینی | کشف الگو | یادگیری سیاست بهینه |
| مثال | تشخیص اسپم | بخش‌بندی مشتریان | ربات بازی‌باز |
| الگوریتم‌ها | رگرسیون، درخت تصمیم | K-Means، PCA | Q-Learning |
جمع‌بندی
- نظارت‌شده: داده برچسب‌دار، هدف پیش‌بینی (رگرسیون/دسته‌بندی)
- بدون نظارت: داده بدون برچسب، هدف کشف الگو (خوشه‌بندی/کاهش ابعاد)
- تقویتی: یادگیری با پاداش و جریمه از طریق تعامل با محیط
این مبحث بخشی از دوره آموزش کامل ماشین لرنینگ است.