این مقاله جنبههای مختلف یادگیری ماشین و یادگیری عمیق را معرفی میکند و قیاسی را برای حل یک مشکل کاری واقعی برچسبگذاری از طریق فرآیند ادغام مجموعهای از فناوریها ارائه میکند که با آن برچسبگذاری در زمان واقعی امکانپذیر است.
ده ها سال است که با پیدایش رایانه ها، ما از برنامه نویسی سنتی استفاده کرده ایم. در برنامه نویسی سنتی، قوانین و داده های خاصی ارائه می شود که بر اساس آنها خروجی اجرا می شود. سیستم ها بر اساس منطق اولیه و عبارت شرطی مورد استفاده برای آن بودند. اما همانطور که در طول سال ها پیشرفت کردیم و قانون مور اهمیت خود را در توسعه سخت افزار ثابت کرد، چشم انداز و دامنه رشد فوق العاده ای را برای یادگیری ماشین و یادگیری عمیق فراهم کرده است.
فراگیری ماشین
یادگیری ماشینی علم و هنری است که از طریق آن ماشین ها می توانند از داده ها بیاموزند. یادگیری ماشین موضوعی از هوش مصنوعی است و رویکردی برای حل مشکلات متعدد است. از بینایی کامپیوتری گرفته تا پردازش زبان طبیعی گرفته تا تجزیه و تحلیل در بورس و مراقبت های بهداشتی، یادگیری ماشینی در همه جا وجود دارد. این فوق العاده قدرتمند است و زیر مجموعه ای برای حل مشکلات حتی به طور تصاعدی دشوار دارد.
برای یادگیری عمیق بین یادگیری ماشینی و عناصر کلیدی مختلف هوش مصنوعی، مقاله قبلی، بررسی اجمالی هوش مصنوعی را بررسی کنید .
یادگیری عمیق
یادگیری عمیق زیرمجموعه ای از هوش مصنوعی و یادگیری ماشینی است که استفاده از مغز انسان را برای پردازش داده ها و ایجاد الگو و استفاده از آن برای تصمیم گیری تقلید می کند. یادگیری عمیق که معمولاً به عنوان شبکه های عصبی عمیق نیز شناخته می شود، از چندین لایه لایه برای استخراج ویژگی ها با استفاده از داده های ورودی به تدریج استفاده می کند.
مجموعه داده
مجموعه داده به مجموعه ای از داده ها اشاره دارد که شامل لیستی از داده ها برای متغیرها یا اشیاء خاص است. مجموعه داده ها همچنین ممکن است شامل مجموعه هایی از اسناد یا فایل ها به اشکال مختلف باشد.
مشاهده
مشاهدات مقادیر متفاوتی هستند که از آزمایشها یا جمعیتشناسی به دست میآیند. اینها معمولاً داده های خام مشاهده شده برای متغیرهای مختلف هستند. معمولاً در مورد داده های تجربی یا مقادیر تولید شده توسط حسگر، از سرعت وسیله نقلیه در حین رانندگی مستقل یا مسافت، دما و غیره مقادیر مشاهده هستند.
امکانات
مجموعه داده های یافت شده در مشاهده شامل ویژگی هایی است که برای پیش بینی استفاده می شود.
مجموعه داده با سناریوی دنیای واقعی