بحث:یادگیری ماشین - ویکی‌پدیا، دانشنامهٔ آزاد

سال‌هاست که آموزش و آموختن و یادگیری و یاددادن بجای تعلیم و تعلم بکار می‌رود. دلیلی دارد که تعلم را برابر learning انتخاب کرده‌اید؟ 17:50, ۹ آوریل ۲۰۰۶ (UTC)

با یادگیری ماشینی مخالفتی نیست؟ محمود 18:15, ۹ آوریل ۲۰۰۶ (UTC)

توضیح‌ای در مورد ویرایش‌های اخیر

[ویرایش]

به سعی:

ممنون از افزودن کتاب Mitchell. مرجع خوب‌ای است با این عیب که کمی قدیمی شده است و مباحث‌ای که پوشش می‌دهد آن‌چیزی نیست که این‌روز در موردش صحبت می‌شود. با این حال آوردن‌اش بسیار مفید است. باید باز هم کتاب‌های بیش‌تری اضافه کرد از جمله کتاب‌های Kernel Methods، یکی دو کتاب کلاسیک شبکه‌های عصبی (مثلا Bishop که دید آماری‌ی قوی‌ای دارد) و احتمالا یکی دو کتاب دیگر برای بخش یادگیری بدون سرپرست که بعدا خواهم نوشت.

در مورد تغییری که در توصیف یادگیری‌ی ماشینی داشته‌اید چند نکته‌ای ذکر می‌کنم: با این‌که تعریف جدید هم خوب است، اما دقیق نیست. من مخصوصا از مطالعه‌ی روش‌های یادگیری خودکار ... استفاده کردم چون هم کلی باشد و هم نادقیق نباشد. اجازه دهید بگویم چرا از نظرم توصیف قدیمی (که شما آن را دوباره بازگرداندید) نادقیق است: تفاوت "شیوه" و "الگوریتم" در چیست؟ منظور از شیوه دقیقا چه چیزی است؟ "تنظیم" یک الگوریتم همان طراحی‌ی الگوریتم است؟ منظور از "اکتشاف" چیست؟

چرا هم "رایانه" به کار برده‌اید و هم "سامانه"؟ توجه کنید که کامپیوتر گستره‌ی وسیع‌ای دارد و (به گمان‌ام) هر چیزی که توانایی پردازش اطلاعات را داشته باشد و با یک زبان بتواند نحوه‌ی پردازش را توصیف کند، یک کامپیوتر است.

چرا هم از تعلم استفاده کرده‌اید و هم از یادگیری؟

و یک نکته‌ی دیگر ... همان‌طور که می‌دانید یادگیری‌ی ماشینی تنها درباره‌ی تحلیل الگوریتم‌های یادگیری نیست. بلکه راجع به این هم صحبت می‌کند که چه چیزی قابل یادگیری است، یادگیری با چه سرعت‌ای می‌تواند انجام شود (مستقل از الگوریتم) و چیزهای دیگری که اگر بخواهیم همه‌شان را در تعریف بیاوریم، به تعریف‌ای پیچیده و سخت‌خوان خواهیم رسید. از طرف دیگر محدود کردن تعریف نیز خیلی خوب نیست. به همین دلیل بود که من از عبارت "مطالعه" استفاده کرد.

به Behaafarid: می‌توانم بپرسم چرا در ویکیپدیای فارسی این‌چنین اصرار می‌شود که 'ی' ربط را با همزه بنویسند؟ البته این شیوه‌ای است که در کتاب‌های دبستان بیست سال پیش به آن عمل می‌شد (این‌کنون را نمی‌دانم، اما شنیده‌ام که دیگر چنین نیست) اما اینک کمینه نویسندگان معتبر بسیاری هستند که اعتقاد دارند جور دیگری باید نوشت (احمد شاملو، داریوش آشوری، ایرج کابلی). این افراد نویسندگان کوچکی نیستند (اگر نگوییم بزرگ‌ترین‌های‌اند) که خیلی راحت نظرشان را کنار بگذاریم. اگر به شیوه‌ی بی‌فاصله‌نویسی‌ی آن‌ها عمل نمی‌کنند، کمینه می‌توانند که شیوه‌شان را به رسمیت بشناسند و آن را خط نزنند. و هم‌چنین یک نکته‌ی دیگر: چرا "گسترده" را به "است" چسبانده‌اید؟ این کار مثل این است که بنویسید "این کتاب‌است". --سولوژن ۰۱:۱۴, ۵ سپتامبر ۲۰۰۶ (UTC)

حذف پاره‌هایی از مقاله

[ویرایش]

من این نوشته‌ی پایین را از مقاله حذف کردم. تا جایی که فهمیدم، این نوشته کم و بیش در مورد تفاوت planning و learning صحبت می‌کند، اما آن‌قدر گنگ است که به نظرم به‌تر آمد در صفحه‌ی اصلی نباشد. --سولوژن ۱۴:۲۹، ۲۳ ژوئیه ۲۰۰۷ (UTC)


یادگیری تجربی و تحلیلی

[ویرایش]

امور یادگیری می توانند در ابعاد مختلفی بررسی شوند.یکی از مهمترین ابعاد آن تفاوت مابین یادگیری تحلیلی و یادگیری تجربی است. یادگیری تجربی ، نوعی از یادگیری است که به چند روش تجربی خارجی وابسته است، در حالی که یادگیری تحلیلی به هیچ ورودی خارجی بستگی ندارد. برای مثال مساله یادگیری بازی tic-tac-toe در نظر بگیرید. حال فرض کنبد برنامه نویس برای این مساله و نشان دادن قوانین آن ، تابعی که مشخص می کند حرکات پیشنهاد شده مجاز یا غیر مجاز هستند و تابعی دیگر جهت نشان دادن برد ، باخت و یا تساوی، را تعریف می کند. با تعریف این دو تابع می توان به سادگی برنامه ای کامپیوتری نوشت که بازی مورد نظر را به طور متوالی با خودش بازی کند. حال در نظر بگیرید این برنامه هر موقیتی (حالتی از بازی) را که با آن مواجه می شود به ذهن بسپارد. برای هر حالت نهایی ( برد ، باخت ، تساوی ) ، برنامه نتیجه را به یاد می سپارد. اگر تعداد زیادی بازی انجام شود ، برنامه می تواند حالتی (Board Position) را به عنوان یک حالت باخت علامت گذاری نماید ، به شرطی که هر حرکتی از آن حالت به بعد باعث رسیدن طرف مقابل به یک حالت برنده شود. به همین ترتیب می تواند یک موقعیت را به عنوان موقعیت برنده معرفی کند ، اگر حرکاتی وجود داشته باشند که از آن موقعیت طرف مقابل (Opponent) به سمت باخت خواهد رفت. اگربرنامه به اندازه کافی بازی کند ، می تواند تمام موقعیت هایی را که به سمت باخت و یا برد می رود ، تشخیص دهد و عملاً یک بازیگر خوب tic-tac-toe باشد. این یک شکلی از آنالیز تحلیلی می باشد به این دلیل که هیچ ورودی خارجی برای آن نیاز نیست. این برنامه این قابلیت را دارد که عملکردش را به آنلیز مشکلات ، بهبود ببخشد. در مقابل ، برنامه را در نظر بگیرید که می بایست قوانین tic-tac-toe را یاد بگیرد. برنامه مورد نظر حرکات ممکن را تولید می کند و یک معلم مشخص می کند کدام حرکت مجاز و کدام حرکت غیر مجاز است ، در ضمن باخت ، برد و یا تساوی را نیز تعیین می کند. برنامه می تواند این آزمونها را به خاطر بسپارد. بعد از اینکه برنامه به تمامی موقیتهای ممکن رسید و تمام حرکات ممکن را انجام داد، آگاهی کاملی نسبت به قوانین بازی پیدا می کند( اگرچه قبلاً می توانست آنها را حدس بزند). این یک نوع یادگیری تجربی است ، به این دلیل که برنامه نمی تواند به طور تحلیلی قوانین بازی را استننتاج کند- بلکه می بایست با یک معلم کار کند ، تا بتواند آنها را یاد گیرد. خطوط جدا کننده مابین یادگیری تحلیل و تجربی ممکن است نامشخص باشند. یک برنامه را مانند برنامه اول در بالا که قوانین بازی را می دانست در نظر بگیرید . در صورتی که به جای بازی با خودش با یک رقیب انسانی بازی کند. برنامه هنوز تمام موقیتهایی که سر زده است، به یاد می آورد و هنوز آنها را بر اساس آگاهیش از قوانین به عنوان موقیتهای برد ، باخت و یا تساوی ، علامت گذاری می کند. این برنامه احتمالاً به زودی بازیکن خوبی خواهد شد، چرا که موقیتهایی که سر می زند و به یاد می سپارد، آنهایی است که از بازی کردن در مقابل یک بازیکن با هوش (ادراک پذیر) رخ داده اند ( در مقابل حرکات تصادفی که هنگامی که با خوش بازی می کرد ، اتفاق می افتاد) . در هر صورت در طی فرآیند یادگیری ، این برنامه بهتر خواهد شد. با این حال ، برنامه به ورودی خارجی احتیاج ندارد، به این دلیل که همه چیز را می تواند به صورت تحلیلی استنتاج کند. راه حل این مشکل این است که باید در نظر بگیریم سرتاسر این امر یادگیری ، یک مورد تحلیلی است ولی برنامه مشکا را به صورت تجربی حل می کند. از این گذشته ، عمل خوب بازی کردن مقابل یک بازیکن انسانی در هنگام فر آیند یادگیری یک امر یادگیری تجربی است، به این دلیل که برنامه باید بداند ، که کدام موقعیت احتمالاً به وسیله رقیب انسانیش رخ خواهد داد. این موضوع در بازی tic-tac-toe زیاد مهم به نظر نمی رسد. اما برای مثال در بازی شطرنج ، تفاوتهای زیادی وجود دارند. معین کردن قوانین بازی ، یادگیری بهینخ بازی کردن شطرنج ، یک امر یادگیری تحلیلی است. اما تحلیل مورد نیاز شمارش نشدنی ( غیر عملی ) می باشد. پس روشهایی که بهضی اجزای تجربی دارند ، باید استفاده شود. از دیدگاه علوم cognitive ، تفاوت همچنان مهم است . مردم همیشه و به تکرار با امور یادگیری مواجه می شوند ، که باید تحلیلی حل شوند ، ولی آنها نمی توانند ویا نمی خواهند که آنرا از این روش حل کنند و به جای آن به یادگیری تجربی اتکا می کنند.

یادگیری ماشین یا ماشینی

[ویرایش]

یادگیری ماشین ترجمه درستی نیست. همونطوری که ترجمه machine translation ترجمه ماشین نیست، بلکه ترجمه ماشینی (یعنی اتوماتیک یا خودکار) است! قسمت اول کلمه در واقع صفت توصیف کننده است. هدف این رشته مطالعه الگوریتم هایی است که امکان یادگیری خودکار را فراهم کنند. اگر به ویکیپدیای فرانسوی نگاه کنید میبینید که ترجمه را Apprentissage automatique گذاشته است. همینطور در ویکیپدیای ایتالیایی. در ویکیپدیای آلمانی هم ترجمه را Maschinelles Lernen گذاشته است. Maschinelles صفت است برای اسم Maschine. بنا بر این عنوان صحیح همان یادگیری ماشینی یا یادگیری خودکار است. Omid.espero (بحث) ‏۲۲ مهٔ ۲۰۲۱، ساعت ۱۳:۴۸ (UTC)پاسخ

پیوندهای خارجی اصلاح شدند (سپتامبر ۲۰۱۹)

[ویرایش]

سلام همکاران ویرایشگر.

من به‌تازگی ۱ پیوند خارجی موجود در یادگیری ماشین را اصلاح کردم. لطفاً ویرایشم را بازبینی کنید. اگر پرسشی دارید یا می‌خواهید ربات پیوندها یا چند صفحه را نادیده بگیرد، لطفاً این راهنمای ساده را برای دریافت اطلاعات بیشتر ببینید. من تغییرات زیر را انجام دادم:

لطفاً برای اصلاح خطاهای ربات به راهنما مراجعه کنید.

با احترام.—InternetArchiveBot (گزارش اشکال) ‏۲۹ سپتامبر ۲۰۱۹، ساعت ۰۴:۰۴ (UTC)پاسخ