آیا واقعا یادگیری انسان تا این حد پیچیده است

بعد از اینکه نوع مساله یادگیری ماشین پیش رویمان را تعیین کردیم، می‌توانیم به نوع داده‌های موضوع جمع‌آوری و انواع الگوریتم‌های یادگیری ماشین بپردازیم که می‌توان از آنها استفاده کرد. در این مقاله نگاهی به محبوب‌ترین الگوریتم‌های یادگیری ماشین می‌اندازیم. بررسی این الگوریتم‌ها برای رسیدن به ایده‌ای کلی درباره روش‌های موجود، مفید است. الگوریتم‌های بسیار متنوعی وجود دارد. سختی کار در آن است که گروه‌هایی از روش‌ها و نیز نسخه‌های توسعه‌یافته‌ای برای هر الگوریتم وجود دارد و این تنوع تعیین الگوریتم مناسب را دشوار می‌کند. در این مقاله روشی را برای دسته‌بندی الگوریتم‌های پیش رویتان در این رشته عرضه می‌کنیم. اولین نوع دسته‌بندی الگوریتم‌ها به نوع یادگیری برمی‌گردد. نوع دوم دسته‌بندی الگوریتم بر اساس شباهت یا نوع عملکرد است؛ هر دو روش مفیدند.   نوع یادگیری روش‌های مختلفی وجود دارد که یک الگوریتم می‌تواند مشکل را بر اساس تعامل با تجربه یا محیط یا هر چیزی به نام داده ورودی، مدل‌سازی کند. در کتاب‌های درسی یادگیری ماشین و هوش مصنوعی، معمول است که ابتدا نوع یادگیری را بررسی و سپس الگوریتمی مطابق با آن پیدا می‌کنند. تنها چند نوع یادگیری اصلی یا مدل یادگیری ممکن برای الگوریتم‌ها وجود دارد و در اینجا آنها را به همراه چند نمونه از الگوریتم‌ها و نوع مشکلات مربوط به آنها بررسی خواهیم کرد. این طبقه‌بندی یا سازماندهی الگوریتم‌های یادگیری ماشین از آن جهت مفید است که شما را وادار به فکر کردن درباره نقش داده‌های ورودی و روند آماده‌سازی مدل و انتخاب مناسب‌ترین آنها برای رسیدن به بهترین نتایج می‌کند. یادگیری تحت نظارت: داده ورودی داده آموزشی نامیده می‌شود و دارای برچسب یا نتیجه‌ای معلوم مانند اسپم/غیراسپم یا قیمت سهام در هر زمان است. مدل مربوط در یک روند آموزشی آماده می‌شود که در آن نیاز به پیش‌بینی وجود دارد و در زمان اشتباه بودن این پیش‌بینی‌ها، اصلاحاتی انجام می‌گیرد. روند آموزش تا زمانی...