مقدمه بصری بر یادگیری ماشین

توضیح: این متن ترجمه دوست خوبم جعفر خاکپور از متن اصلی انگلیسی است که ماه‌ها پیش انجام شده. بارها با گردانندگان اصلی ایمیل‌نگاری کردیم ولی به نظر می‌رسه درگیر چیزهای دیگه شدن و زمان کافی برای این سایت عالی نمی‌ذارن و در نهایت جوابی در مورد انتشار متن در صفحه خودشون نگرفتیم. برای اینکه صفحه فوق العاده‌ای است، در نهایت تصمیم گرفتیم اون را ‌‌اینجا توی جادی.نت منتشر کنیم. این صفحه مقدمه ای جذاب در مورد روش‌های یادگیری ماشین است و امیدواریم با انیمیشن‌های قشنگش، دید خوبی در مورد مفاهیم اولیه این حوزه به خواننده بده.

jadi.net

در یادگیری ماشین، کامپیوترها به کمک روش های یادگیری آماری الگوهای داخل داده ها را به صورت خودکار استخراج می کنند. این تکنیک ها میتوانند پیش بینی را با دقت بسیار بالایی انجام دهند.

پیمایش صفحه را ادامه دهید. به کمک یک مجموعه داده در مورد خانه های نیویورک و سان فرانسیسکو، ما یک مدل یادگیری ماشین تولید خواهیم کرد که بتواند از روی مشخصات خانه تشخیص دهد که این خانه در نیویورک است یا سان فرانسیسکو.

گام نخست، شناخت مساله

فرض کنید شما باید می توانستید با دانشتن یک دسته اطلاعات کلی در مورد یک خانه تشخیص دهید که این خانه در سان فرانسیسکو است یا در نیویورک. یا به اصطلاح یادگیری ماشین، یک وظیفه کلاس بندی را انجام دهید.

از آنجا که سان فرانسیسکو نسبتا پر از تپه است، ارتفاع یک خانه ممکن است یک راه خوب برای تشخیص خانه های این دو شهر از یکدیگر باشد.

با توجه به اطلاعات ارتفاع خانه که سمت چپ نمایش داده شده است، میتوان گفت که خانه های بالای 73 متر باید جزو خانه های سان فرانسیسکو دسته بندی شوند.

ترسیم مرزها

شما می توانید مشاهدات خود در مورد ارتفاع (>73 متر) و قیمت هر متر مربع (> 19116.7) را به وسیله خطوط مرزی بر روی نمودار نقطه ای نمایش دهید. خانه های سبز و آبی به ترتیب نشان دهنده خانه های سان فرانسیسکو و نیویورک هستند.

شناسایی مرز داده ها به کمک ریاضیات اساس یادگیری آماری است.

البته شما هنوز نیاز به تمیز داده خانه های کم ارتفاع و کم هزینه دارید.

پیش بینی

درخت تصمیم آموزش داده شده ما میتواند با هدایت هر نقطه جدید بر روی شاخه های درخت تعیین کند که این خانه جزو خانه های نیویورک است یا سان فرانسیسکو.

در اینجا می توانید ببینید که نمونه های مورد استفاده در آموزش درخت چگونه بر روی درخت حرکت می کنند.

این داده ها، داده آموزشی نامیده می شوند چون در آموزش مدل مورد استفاده قرار گرفته اند.

چون آموزش درخت را تا دقت 100% ادامه داده ایم، این درخت تمام داده های آموزشی را به درستی دسته بندی خواهد کرد.

بررسی واقعیت

آنچه برای ما مهم است نحوه عملکرد این درخت بر روی داده هایی است که قبلا آنها را ندیده باشد.

برای تست عملکرد درخت، نیاز به ارزیابی عملکرد آن بر روی داده هایی است که قبلا نیدده باشد. این داده هایی که درخت آنها را قبلا ندیده است داده تستی نامیده می شود.

در حالت ایده آل، درخت باید عملکرد مشابه ای بر روی داده های آشنا و ناآشنا داشته باشد.

ولی نتایج ما با حالت ایده آل مقداری اختلاف دارد.

این اختلاف به دلیل بروز بیش برازش در مدل است. مدل ما یاد گرفته است که به تمام جزئیات داده های اموزش دقت کند، اگرچه برخی از این جزئیات نامرتبط باشند.

بیش برازش مفهومی بنیادی است که در قسمت بعدی این پست ها بیشتر در مورد آنها صحبت خواهد شد.