
معرفی ده الگوریتم بهینهسازی گرادیان کاهشی تصادفی به همراه چیتشیت
الگوریتمهای بهینهسازی گرادیان کاهشی تصادفی که برای یادگیری عمیق ضروری هستند (در
جایی که ماشین تابعی از ورودی به خروجی را یاد میگیرد، همان A to B مپینگِ خودمان
یادگیری با نظارت(Supervised Learning) اولین قدم به دنیای یادگیری ماشین است. در اینگونه یادگیری:
گام اول: ناظر، دادههای آموزشی و برچسبدار را به ماشین میدهد.
گام دوم: الگوریتم، الگوهای دادههای ورودی را که قطعاً با خروجی ارتباط دارند، یاد میگیرد.
گام سوم: الگوریتم، ورودیهای جدیدی را میگیرد که خروجی مدنظر آنها مشخص نیست.
گام چهارم: از اینجا به بعد، یادگیری ماشین معنا پیدا میکند، به این شکل که الگوریتم بر اساس الگوهای دادههای قبلی که یاد گرفته است، تعیین میکند که ورودیهای جدید به کدام برچسب طبقهبندی شوند یا چه خروجی دارند.
بر همین اساس، یادگیری با نظارت، به دو زیرمجموعه کلی «طبقهبندی» و «رگرسیون» تقسیم میشود. تعیین Spam بودن یا نبودن ایمیلها، نمونهای از «طبقهبندی» یادگیری با نظارت است. بدین گونه که الگوریتم، بر اساس یادگیری با نظارت مشخص میکند که یک ایمیل (ورودی) Spam است یا غیر Spam (خروجی). هدف الگوریتم «رگرسیون» نیز پیشبینی مقادیر پیوستهای، مانند مقدار فروش، درآمد و نمرات آزمون است. درباره یادگیری با نظارت بیشتر بخوانید.
یادگیری با نظارت
الگوریتمهای بهینهسازی گرادیان کاهشی تصادفی که برای یادگیری عمیق ضروری هستند (در
برای اینکه به قدرت سیستم توصیه گر Recommendation System پی ببرید، کافی است
ماشین لرنینگ یا یادگیری ماشین شاخهای از هوش مصنوعی است که به
یکی از مطالعات اخیر نشان داده است که الگوریتم های یادگیری ماشینی
اگر فکر میکنید که نقش هوش مصنوعی و یادگیری ماشین در فروشگاه
بسیاری از نیروهای پلیس که در کشتار افراد تحت بازداشت دست داشتهاند،
Algorithmia چندین ابزار جدید ارائه داده است که برای حل مسائل و
ممکن است بسیاری از افراد بدون اطلاع از روش بهینهسازی، از بهینهسازها
همانطور که میدانید دادههای جدید تولیدشده به الگوریتمهای یادگیری ماشین داده میشوند
این مطلب با هدف توضیح دو مفهوم بسیار گیج کننده در مهندسی