Supervised learning

یادگیری ماشین:

به مطالعه ی علمی الگوریتم ها و مدل های آماری مورد استفاده سیستم های کامپیوتری گفته می شود که بدون آنکه برنامه ریزی و اقدامات به آن دیکته شود بتواند به داده ها دسترسی پیدا کند و برای یادگیری بر اساس الگوریتم ها منطق خود را شکل دهد.این گونه سیستم ها را می توان زیر مجموعه ای از هوش مصنوعی دانست که یک مدل ریاضی بر اساس داده های نمونه یا داده های آموزش داده شده، به منظور پیش بینی یا تصمیم گیری بدون برنامه هستند .معمولا تقسیم بندیشان بر اساس سبک یاد گیری یا با توجه به شباهتشان در فرم و عملکرد است.

یادگیری نظارت شده:

یادگیری نظارت نشده:

نیازی به نظارت برالگوریتم نداریم. در عوض ، به الگوریتم اجازه می دهیم تا به تنهایی برای کشف الگوها و اطلاعاتی که قبلاً کشف نشده بودند کار کند، در اینجا عمدتا با داده های بدون برچسب سروکار داریم.در این نوع یادگیری فقط دسته بندی مهم است و الگوریتم در داده ها باید به دنبال ساختار خاص بگردد.

یادگیری نیمه نظارت شده:

نوعی از یادگیری که شامل بخش زیادی داده های بدون برچسب و بخش کمی داده برچسب دار که به صورت همزمان برای بهبود دقت یادگیری در کنار هم استفاده می شوند که شامل سه دسته می شود:1-روش های مولد 2-روش های مبتنی بر فرض جداسازی کم چگالی 3-روش های مبتنی بر گراف

یادگیری تقویتی:

یکی از گرایش های یادگیری ماشین که از روانشناسی رفتار گرایی الهام می گیرد.این روش بر روی رفتار هایی تمرکز دار که ماشین باید برای بیشینه کردن پاداشش انجام دهد.دغدغه اصلی در این زمینه اثبات وجود پاسخ بهینه و یافتن ویژگی های آن است و به دنبال جزئیات یادگیری یا تخمین نیست.در مبحث تحقیق و عملیات ودر ادبیات کنترل،حوزه ای که در آن روش یادگیری تقویتی مطالعه می شود برنامه نویسی پویا خوانده می شود.

یادگیری عمیق:

شاخه ای از یادگیری ماشین و برپایه مجموعه ای از الگوریتم ها است که تلاش می کند تا مفاهیم انتزاعی سطح بالا داده ها را مدل نماید که این فرایند توسط یک گراف عمیق متشکل از لایه پردازشی خطی و غیر خطی شکل می گیرد. ماشین می آموزد آنچه را که به طور طبیعی برای انسان انجام می شود انجام دهد و همچنین برگرفته از  ساختار عصبی در مغز انسان است.

هوش مصنوعی:

هر سامانه ای که از محیط اطراف خود درکی داشته باشد واکنش هایی را انجام می دهد که شانس خود را در دستیابی به هدف های خود بیشینه سازد،هوش مصنوعی نامیده می شود.هوش مصنوعی در زندگی ما نقش بسزایی دارد و هر روزه به صورت نا محسوس از آن استفاده می کنیم.

الگوریتم های تکاملی:

 روش و عملیات ابتدایی برای حل مسئله است که در طی گونه ای از تکرار ها به راه حل مناسب برای یک مسئله می رسند این الگوریتم ها به صورت کلی از یک ویژگی دارای راه حل های تصادفی شروع کرده و درهر مرحله سعی بر  بهبود راه حل ها دارند. روش کار این الگوریتم حدس اولیه تصادفی مقداری از اعضاء و سپس محاسبه تابع هدف آن است.برای به کار گیری بهینه سازی مناسب برای یک مسئله باید تمام جوانب آن به طور کلی مورد مطالعه و تحلیل قرار گرفته و با درک کامل موضوع روش مناسب انتخاب شود.

الگوریتم های سیستم خبره:

 از شاخه های هوش مصنوعی  که با گردآوری دانش تخصصی و اطلاعات کارشناسی و دستور ها و قوانین به صورتی طراحی می شود که سیستم مبتنی بر منطق خود ریسک احتمال ها را بررسی می کند.(به صورت کلی هر سیستمی که مبتنی بر دانش انسان باشد اغلب سیستم خبره نامیده می شود)

الگوریتم های شبکه های عصبی:

برگرفته از سیستم زیستی عصبی انسان متشکل از تعداد زیادی عناصر پردازشی بهم پیوسته به نام نورون می باشد تا مراحل یک مسئله را با هم هماهنگ کرده و توسط سیناپس ها اطلاعات را منتقل می کند.این سیستم ها و روش های محاسباتی نوین برای یادگیری ماشین،نمایش دانش و در نهایت اعمال دانش به دست آمده برای پیش بینی پاسخ های خروجی سامانه های پیچیده می باشد.انواع الگوریتم های شبکه عصبی مصنوعی شامل:1-گرادیان نزولی 2-الگوریتم های تکاملی 3-الگوریتم ژنتیکی