ولدت منظمة العفو الدولية في عام 1956، ويرجع ذلك إلى تأثير العوامل خوارزمية ذكية لحساب السرعة، ومستويات التخزين، وما إلى ذلك، لدينا خبرة تقلبات كثيرة في السنوات الستين من عملية التنمية. في السنوات الأخيرة، وذلك بفضل ارتفاع تعزيز قوة الحوسبة من كمية البيانات، وبخاصة ظهور تعلم آلة خوارزميات جديدة، والذكاء الاصطناعي بشرت في عهد اندلاع كبير.

مشيرا إلى تعلم الآلة المدى، وبعض الناس يعتقد في البداية قد يكون العلم فيلم الخيال الروبوت. في الواقع، والتعلم الآلي هو أكثر من حقل واحد من متعدد التخصصات، التي تنطوي على نظرية الاحتمالات، والاحصاءات ونظرية التعقيد خوارزمية وغيرها من المواضيع. كيف متخصصة في محاكاة الكمبيوتر أو تحقيق سلوك التعلم الإنساني، واستخدام البيانات أو التجربة السابقة، من أجل تحسين أداء برامج الكمبيوتر القياسية.

وفقا لمهام التعلم المختلفة، ونحن يمكن تقسيمها إلى آلة التعلم التعلم تحت إشراف والتعلم غير خاضعة للرقابة، وتعزيز التعلم ثلاثة أنواع، ولكل نوع في يتوافق بدوره إلى عدد من الخوارزميات.

خوارزميات مختلفة وما يقابلها من نوع مهمة

ثم وجيزة إدخال العديد من خوارزميات تعلم الآلة المستخدمة عادة والسيناريوهات تطبيقها، الخوارزمية المستخدمة من قبل هذه المادة على الجهاز تعلم أننا يمكن أن يكون لها فهم الحس السليم.

أولا، التعلم تحت إشراف

(1) SVM (دعم ناقل آلة، SVM): هو نوع من التعلم تحت إشراف عن طريق البيانات تصنيف ثنائي تعميم خطي المصنفات، الذي عينات حل أقصى الفائق هامش تعلم حدود القرار. على سبيل المثال، على الورق هناك نوعان من نقطة فصل خطيا، الخطية فرصة الدعم الموجه لايجاد نقطة من التمييز بين هذين النوعين، والمسافة من هذه النقاط وإلى أقصى حد ممكن.

المزايا: نسبة الخطأ التعميم منخفض، والنتيجة هي سهلة لشرح.

العيوب: من الصعب تطبيق على نطاق واسع مشكلة التدريب عينة متعددة تصنيف حل الصعوبات، واختيار وظيفة نواة تعديل المعلمة وحساسة.

السيناريو: تصنيف النص، التعرف على الوجه، التشخيص الطبي.

(2) قرار شجرة (شجرة القرارات): نموذج تنبؤي هو ممثل للتعيين بين الكائن وقيمة سمة الكائن. وفيما يلي مثال بسيط لكيفية نموذج شجرة القرارات:

المزايا: سهلة لفهم وتفسير وتحليل البصرية يمكن استخراجها بسهولة القواعد، قادرة على معالجة الميزات غير ذات صلة.

العيوب: من الصعب التعامل مع البيانات المفقودة.

السيناريو: في كثير من الأحيان في عملية صنع القرار.

(3) ساذج المصنف بايز (تصنيف النظرية الافتراضية ساذج): لتصنيف المواد إلى أن تعطى في كل فئة تظهر لحل احتمال حدوث هذا الشرط، الذي هو أكبر، ويعتبر هذا أن تصنف ينتمي إلى أي فئة. صيغة النظرية الافتراضية هي: ص (A | B) = P (B | A) * P (A / ص (B)، حيث P (A | B) يمثل احتمال الخلفي، P (B | A) هو احتمال القيمة، P (أ) هي الفئة احتمال السابقة، ممثل مسبقة احتمال P (B) من المسببات.

الايجابيات: لا تزال سارية المفعول في حالة أقل البيانات، يمكن التعامل مع المشاكل متعدد الطبقات.

العيوب: وضع الاستعداد هو أكثر حساسية لإدخال البيانات.

السيناريو: تصنيف النص، التعرف على الوجه، والكشف عن التزوير.

(4) ك- أقرب جار (K-أقرب الجار، KNN): يقوم على دراسة سبيل المثال، طريقة استخدام المسافة بين القيم المميزة لتصنيف قياسات مختلفة. والفكرة الأساسية هي: نظرا مجموعة التدريب العينة، ثم أدخل البيانات علامة جديدة لم يتم البيانات المقابلة لكل سمة وميزة تركيز العينة البيانات الجديدة مقارنة، للعثور على أقرب جار ك (عموما ليست أكثر من 20 عدد صحيح) المثال، فإن الغالبية من ك تنتمي إلى مثيل فئة، وضعت يصنف مدخلات مثيل فئة.

الايجابيات: بسيطة، من السهل أن نفهم، سهلة التنفيذ، من دون تقدير المعلمات. وعلاوة على ذلك، فإن نسبة بايز ساذجة خوارزمية أو ما شابه ذلك، مع افتراض عدم إدخال البيانات، ودقة عالية، غير حساس لقيم البيانات غير طبيعية.

سلبيات: لاعتماد التدريب البيانات كبيرة نسبيا، وعدم وجود مرحلة التدريب، وغير قادرة على التعامل مع هذا التنوع.

السيناريو: التعرف على الحروف، تصنيف النص، والتعرف على الصور وغيرها من المجالات.

الثاني، والتعلم غير خاضعة للرقابة

(1) الرئيسي تحليل المكون (الرئيسي تحليل المكونات PCA): هي تقنية الإحصائية. والفكرة الرئيسية هي لتعيين ميزة ن الأبعاد إلى ك البعد، وهو ما يشار ملامح المتعامدة الجديدة ك الأبعاد أيضا كما هو إعادة بناء مكون الرئيسي على أساس الميزة ن الأبعاد الأصلية على ميزة ك الأبعاد.

المزايا: الحد من تعقيد البيانات، وتحديد عدد وافر من أكثر الميزات الهامة.

العيوب: معنى ميزات مختلفة من المكون الرئيسي لها أبعاد معينة غموض خصائص قوة أدنى التفسيرية للنموذج الأصلي، وفقدان ممكن من المعلومات المفيدة.

السيناريو: التحليل الصوتي والاتصالات الصورة.

(2) المفرد قيمة التحلل (المفرد قيمة التحلل، SVD): قد تكون مصفوفة معقدة مع عدد أقل من submatrix أبسط بضرب submatrix قال وهو خاصية مهمة للمصفوفة وصفها.

المزايا: البيانات التبسيط وإزالة الضوضاء، والنتائج أكبر من الخوارزمية.

سلبيات: البيانات المحولة يمكن أن يكون من الصعب فهم.

السيناريو: نظام المزكي، وضغط الصورة.

(3) K- وسائل التجميع (K-سائل): حلالا تكرارية هو خوارزمية تحليل التجميع باستخدام المسافة حيث أن مؤشر التشابه. كائنات سير العمل يتم تحديد K عشوائيا كما مراكز المجموعة الاولى، وبعد ذلك بحساب المسافة بين كل كائن وكل مجموعة بذور المركز، المخصصة لكل كائن إلى أقرب مسافة مركز كتلة لها.

المزايا: خوارزمية بسيطة وسهلة التنفيذ.

العيوب: قد تتقارب إلى الحد الأدنى المحلي، والتقارب البطيء على مجموعات كبيرة من البيانات.

السيناريو: معالجة الصور وتحليل البيانات وأبحاث السوق.

ثالثا، تعزيز التعلم

Q-التعلم: يعتمد خوارزمية تعزيز التعلم على القيمة، يجب أن تحديد أي عمل تقوم على تقييم وظيفة قيمة العمل، وتحدد هذه الوظيفة في دولة معينة، واتخاذ الإجراءات توقعات مكافأة محددة في هذه الدولة.

المزايا: قد تكون وردت مجموعة واسعة من البيانات.

العيوب: عدم وجود التنوع.

السيناريو: تطوير اللعبة.

هذا كل ما لهذه المادة، وأعتقد أننا يجب أن يكون هناك فهم عام للتعلم آلة الخوارزميات المستخدمة بشكل شائع.

اليوم، ونحن نشهد على نحو متزايد القيمة الحقيقية للخوارزميات تعلم الآلة للبشرية، لأنها توفر رؤية والمعلومات الهامة لتقرير القرارات الاستراتيجية. ومن المؤكد أن مثل آلة التعلم أكثر وأكثر شعبية، أكثر وأكثر جيدا خوارزمية معالجة المهام في المستقبل سوف تظهر.