الکتروهایو

هوش مصنوعی / الکترونیک / برنامه‌نویسی

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

یادگیری الگوریتم یادگیری ماشین چگونه است؟

یادگیری الگوریتم یادگیری ماشین چگونه است؟ الکتروهایو
در این مقاله می‌خوانید:

زمان تخمینی مطالعه: 5 دقیقه

این سوال که یادگیری الگوریتم یادگیری ماشین در هوش مصنوعی چندین بار به ذهن من رسیده است. در این مقاله، استراتژی را با شما به اشتراک می‌گذارم که سال‌ها برای یادگیری و ساختن یک توصیف ساختاریافته از یک الگوریتم به‌صورت گام به گام استفاده می‌کردم تا بتوانم چیزهایی به آن اضافه کنم، آن را اصلاح کنم و بارها و بارها به آن مراجعه کنم. این تکنیک فقط یک استراتژی بود که من شخصاً از آن استفاده کردم و از بازخورد مثبت آن واقعاً شگفت زده شدم.

توضیحات الگوریتم کامل نیست!!

یادگیری یک الگوریتم یادگیری ماشینی می‌تواند کار طاقت فرسایی باشد. مقالات، کتاب‌ها و وب‌سایت‌های زیادی وجود دارد که نحوه عملکرد این الگوریتم را به صورت ریاضی و متنی توصیف می‌کند. اگر واقعا خوش شانس باشید، ممکن است یک توصیف شبه کد کامل از الگوریتم را پیدا کنید. اگر واقعاً خوش شانس باشید، ممکن است راه‌های پیشنهادی برای پیکربندی روش برای موقعیت‌های مختلف پیدا کنید. این توصیفات نادر هستند و معمولاً در اعماق مقاله اصلی یا در یادداشت‌های فنی نویسندگان اصلی مدفون هستند.

واقعیت این است که وقتی می‌خواهید روشی را از مقالات تحقیقاتی پیاده‌سازی کنید، به سرعت متوجه می‌شوید که این الگوریتم‌ها تقریباً هرگز با جزئیات کافی برای باز تولید آنها توضیح داده نمی‌شوند. دلایل متفاوت است، از تصمیمات خرد که از مقاله حذف می‌شوند، کل رویه‌هایی که به طور مبهم در متن خلاصه می‌شوند، تا نمادهایی که به طور متناقض استفاده می‌شوند.

آن را با هم تکه تکه کنید

برای درک یک الگوریتم، باید درک خود را از توضیحات متفاوت جمع آوری کنید. این تنها تاکتیکی است که با آن موفق می‌شویم. منظور از توصیف‌های متفاوت، منابعی مانند توصیف‌های اصلی روش در منابع اولیه و همچنین تفاسیر ثانویه معتبری است که از توصیفات اصلی در مقالات و کتاب‌های مروری ساخته شده است. انتشار نمونه اولیه یک روش با منابع اولیه معمول است و خواندن این کد (معمولاً C، FORTRAN، R یا Matlab) می‌تواند برای جزئیاتی که برای باز تولید یک الگوریتم نیاز دارید بسیار روشنگر باشد.

توضیحات الگوریتم

یک الگوریتم جزیره‌ای از تحقیق است و در تمام واقعیت، تعیین تعریف متعارف ممکن است دشوار باشد. به عنوان مثال، آیا نسخه‌ای است که در منبع اصلی توضیح داده شده یا نسخه‌ای می‌باشد که شامل تمام اصلاحات و بهبودها ممکن برای “بهترین عملکرد” است. یک راه حل این است که الگوریتمی معین را از منظرهای متعدد در نظر بگیرید، که هر یک می‌تواند هدف متفاوتی را دنبال کند. به عنوان مثال، شرح پردازش اطلاعات انتزاعی الگوریتم را می‌توان با انواع مختلف پیاده سازی محاسباتی خاص تحقق بخشید.

توضیحات زیادی وجود دارد که می‌توانید بسته به نیاز خود از ویژگی‌های متفاوت استفاده کنید. برخی از این موارد عبارتند از: الهام از الگوریتم، استعاره یا تشبیه برای استراتژی، اهداف پردازش اطلاعات، شبه کد و کد.

طراحی الگوی قالب الگوریتم توضیحات

یک قالب توصیف الگوریتم راهی ساختاریافته را فراهم می‌کند تا در مورد الگوریتم یادگیری ماشینی بیاموزید. می‌توانید با یک سند خالی شروع کنید و سرفصل‌های بخش را برای انواع توصیف‌هایی که از الگوریتم نیاز دارید، برای مثال اعمال شده، پیاده‌سازی، یا برگه تقلب مرجع شخصی خود، فهرست کنید. برای اینکه بفهمید چه بخش‌هایی را باید در قالب خود بگنجانید، سؤالاتی را که می‌خواهید در مورد الگوریتم پاسخ دهید، یا اگر به دنبال ایجاد یک مرجع هستید، الگوریتم‌هایی را فهرست کنید. برخی از سوالاتی که می‌توانید استفاده کنید عبارتند از:

  • استاندارد و اختصارات مورد استفاده برای الگوریتم چیست؟
  • استراتژی پردازش اطلاعات الگوریتم چیست؟
  • هدف یا اهداف الگوریتم چیست؟
  • معمولاً از چه استعاره‌ها یا تشبیه‌هایی برای توصیف رفتار الگوریتم استفاده می‌شود؟
  • تشریح شبه کد یا فلوچارت الگوریتم چیست؟
  • اکتشافی یا قوانین کلی برای استفاده از الگوریتم چیست؟
  • الگوریتم برای چه کلاس‌هایی از مسئله مناسب است؟
  • معیارهای رایج یا مجموعه داده‌های نمونه مورد استفاده برای نشان دادن الگوریتم چیست؟
  • منابع مفید برای یادگیری بیشتر در مورد الگوریتم چیست؟
  • مراجع یا منابع اولیه‌ای که الگوریتم برای اولین بار در آنها توضیح داده شد کدامند؟

پس از حل و فصل برخی از سوالات، آنها را به عنوان بخش تبدیل کنید. برای هر عنوان بخش، الزامات بخش و شکلی را که توضیحات در آن بخش به خود می‌گیرد، به وضوح تعریف کنید.

از کوچک شروع کنید و آن را بسازید

زیبایی این رویکرد این است که شما نیازی به متخصص بودن در الگوریتم یا تحقیق ندارید. تا زمانی که بتوانید منابعی را بیابید که به الگوریتم اشاره می‌کنند، می‌توانید یادداشت‌هایی در مورد یک الگوریتم در قالب بگیرید. شما می‌توانید خیلی ساده شروع کنید و توضیحات سطح بالا از الگوریتم، نام‌ها و اختصارات آن و منابعی که پیدا کرده‌اید و آنچه در مورد آنها صحبت می‌شود جمع آوری کنید. از اینجا می‌توانید تصمیم بگیرید که توضیحات را بیشتر گسترش دهید یا نه.

 

لوگو الکتروهایو

الکتروهایو در خدمت مخاطبان عزیز می‌باشد. ما در تیم الکتروهایو در تلاش برای تهیه مقالات و مطالب به روز هستیم. لطفا برای مطالب و مقالات بیشتر با ما همراه باشید.

مطالب مرتبط:

داده‌های اسمی Nominal Data - الکتروهایو

داده‌های اسمی Nominal Data چیست؟

داده‌های اسمی(Nominal Data) یکی از اساسی‌ترین انواع داده‌ها در تجزیه و تحلیل داده‌ها است. شناسایی و تفسیر آن در بسیاری از زمینه‌ها از جمله آمار، علوم کامپیوتر، روانشناسی و بازاریابی ضروری است. این مقاله ویژگی‌ها، کاربردها و تفاوت‌های داده‌های اسمی

ادامه مطلب »
حاشیه‌نویسی متن در هوش مصنوعی - سایت الکتروهایو

حاشیه‌نویسی متن در هوش مصنوعی

حاشیه‌نویسی داده به الگوریتم‌های یادگیری ماشین اجازه می‌دهد تا اطلاعات را درک و تفسیر کنند. حاشیه‌نویسی‌ها برچسب‌هایی هستند که داده‌ها را شناسایی و طبقه‌بندی می‌کنند یا قطعات مختلف اطلاعات را با یکدیگر مرتبط می‌کنند. الگوریتم‌های هوش مصنوعی از آنها به

ادامه مطلب »
هوش مصنوعی در باستان شناسی و کاربردهای آن - سایت الکتروهایو

هوش مصنوعی در باستان شناسی چه کاربردهای می‌تواند داشته باشد؟

مکان‌های باستان‌شناسی ممکن است ثابت باشند، اما فرهنگ‌هایی که آنها را تولید کرده‌اند، پویا و متنوع بودند. برخی از آنها کاملاً عشایری بودند و مرتباً موقعیت خود را تغییر می‌دادند. برخی از آنها فواصل بسیار زیادی را مهاجرت کردند، در

ادامه مطلب »
با الگوریتم تشخیص اشیاء FCOS آشنا شوید - سایت الکتروهایو

با الگوریتم تشخیص اشیاء FCOS آشنا شوید: تشخیص اشیاء تک مرحله‌ای کاملاً کانولوشنال

تشخیص اشیاء یک کار مهم در بینایی کامپیوتر است که با رسم کادرهای محدود کننده در اطراف اشیاء شناسایی شده، مکان یک شی را در یک تصویر شناسایی و مکان‌یابی می‌کند. اهمیت تشخیص اشیاء را نمی‌توان به اندازه کافی بیان

ادامه مطلب »
با سایت Kaggle آشنا شوید! دریچه‌ای رو به دنیای اجتماع متخصصان هوش مصنوعی - سایت الکتروهایو

با سایت Kaggle آشنا شوید! دریچه‌ای رو به دنیای اجتماع متخصصان هوش مصنوعی

یادگیری ماشین (Machine Learning) و علم داده (Data Science) موضوعاتی هستند که در تمامی بخش‌های فناوری اطلاعات در مورد آن بحث و گفتگو وجود دارد. امروزه همه چیز در حال خودکار شدن است، و برنامه‌های کاربردی نیز به سرعت در

ادامه مطلب »
داده‌های اسمی Nominal Data - الکتروهایو

داده‌های اسمی Nominal Data چیست؟

داده‌های اسمی(Nominal Data) یکی از اساسی‌ترین انواع داده‌ها در تجزیه و تحلیل داده‌ها است. شناسایی …

حاشیه‌نویسی متن در هوش مصنوعی - سایت الکتروهایو

حاشیه‌نویسی متن در هوش مصنوعی

حاشیه‌نویسی داده به الگوریتم‌های یادگیری ماشین اجازه می‌دهد تا اطلاعات را درک و تفسیر کنند. …

هوش مصنوعی در باستان شناسی و کاربردهای آن - سایت الکتروهایو

هوش مصنوعی در باستان شناسی چه کاربردهای می‌تواند داشته باشد؟

مکان‌های باستان‌شناسی ممکن است ثابت باشند، اما فرهنگ‌هایی که آنها را تولید کرده‌اند، پویا و …

با الگوریتم تشخیص اشیاء FCOS آشنا شوید - سایت الکتروهایو

با الگوریتم تشخیص اشیاء FCOS آشنا شوید: تشخیص اشیاء تک مرحله‌ای کاملاً کانولوشنال

تشخیص اشیاء یک کار مهم در بینایی کامپیوتر است که با رسم کادرهای محدود کننده …

تصویربرداری چند طیفی، دیدی جدید فراسوی نور مرئی - سایت الکتروهایو

تصویربرداری چند طیفی، دیدی جدید فراسوی نور مرئی

تصویربرداری چند طیفی تکنیکی است که نور را در طیف وسیعی از باندهای طیفی، فراتر …