آموزش یادگیری ماشین با پایتون (Machine Learning) هوافضا

علم یادگیری ماشین (Machine Learning)که یکی ار بروز ترین زیرشاخه های علم هوش مصنوعی بوده در سراسر جهان نظر محققان و نظریه پردازان بسیاری را به خود جلب کرده است درواقع یادگیری ماشین مطالعه الگوریتم ها و نظریه های کامپیوتری برای بهینه سازی خودکار یک مسئله از طریق تجربه است. نیاز بشر برای تسریع روند حل مسائل وپیشرفت روزافزون علم هوش مصنوعی آغازی بود برای این نظریه که به جای کد نویسی و دیکته کردن تمامی وظایف ماشین ،ماشین توانایی یادگیری داشته باشد و با هر بار خطا یا تکرار هر پروسه ، روند حل خود را به روز و دقیق تر کند.

یافتن الگو ها و پیدا کردن قوائد بین اتفاقات برای مغز انسان با تکامل میلیون سالانه اش کار سختی به نظر نمی آید.اما همین که مقدار داده ها و روابط افزایش پیدا می کند، نیاز انسان به ماشینی با قابلیت محاسبه پیشرفته کاملا محسوس است.از این رو دانشمندان این حوزه با بهبود یادگیری ماشین به فتح قله های علمی در تمامی رشته ها کمک شایانی کرده اند. به همین دلیل است که رشته هوش مصنوعی و زیرشاخه نوین آن، ماشین لرنینگ،بین رشته ای محسوب می شود و قابلیت ورود به تمامی رشته های مهندسی و پزشکی و علوم انسانی و... را دارد.

انواع یادگیری ماشین

الگوریتم‌های یادگیری ماشین سه نوع هستند:

• یادگیری نظارت شده
• یادگیری نظارت نشده
• یادگیری تقویتی

یادگیری نظارت شده

بیشتر روش‌های یادگیری ماشین از یادگیری نظارت شده استفاده می‌کنند. در یادگیری ماشین نظارت شده، ماشین تلاش می‌کند تا نمونه‌های داده شده را به عنوان الگو قرار دهد و از آن بیاموزد . یعنی از مثال های داده شده با نتایج مشخص ماشین می تواند مثال های جدید را حل کند.

مسائلی با الگوریتم نظارت شده ، به دو دسته «دسته‌بندی« و »رگرسیون»  تقسیم می شوند.

دسته‌بندی:یک مساله، هنگامی در گروه  دسته‌بندی قرار می گیرد که متغیر خروجی، یک دسته یا گروه باشد. برای مثال می‌توان به دسته‌های «سگ» یا «گربه» و تعلق یک ایمیل به دسته‌های «هرزنامه» یا «غیر هرزنامه» اشاره کرد. در مساله دسته بندی متغیر ها گسسته هستند.

رگرسیون:یک مساله هنگامی در گروه رگرسیون قرار می گیرد که متغیر خروجی، یک مقدار حقیقی مانند «قد» باشد. در مسائل رگرسیون متغیرها مقادیر پیوسته هستند.

یادگیری نظارت نشده

در این نوع یادگیری، الگوریتم باید خود به تنهایی به‌دنبال ساختارهای موردنیاز موجود در داده‌ها باشد. به بیان ریاضی، یادگیری نظارت نشده زمانی به کار می آید که در مجموعه داده شده به ماشین فقط متغیرهای ورودیوجود داشته باشند و هیچ متغیر داده خروجی موجود نباشد یعنی مثال های حل شده ای در اختیار ماشین قرار نمی گیرد و ماشین خودش باید به دنبال پاسخ صحیح باشد.

مسائلی با الگوریتم نظارت نشده ، به دو دسته "خوشه‌بندی" و "انجمنی" تقسیم می شوند.

قوانین انجمنی: زمانی که هدف کشف کردن قواعد و روابط بین عناصر باشد که بخش بزرگی از داده‌های مسئله را توصیف می‌کنند. مثلا، "در فروشگاه ها میبینیم اگر چیزی را بخریم موارد پیشنهادی دیگری به ما نشان داده میشود".

خوشه‌بندی:زمانی که قصد کشف گروه‌های ذاتی (داده‌هایی که ذاتا در یک گروه خاص می‌گنجند) در داده‌ها وجود داشته باشد. مثلا، "دسته بندی مشتریان در گروه هایی مطابق با سلایق و خصوصیت هایشان".

یادگیری تقویتی

برنامه ماشین لرنینگ در جاهایی کاربرد دارد که هدف خاصی (بازی کردن شطرنج یا مشاوره مجازی) مد نظر باشد. این برنامه  با استفاده از بازخورد هایی که میگیرد روند خود را بهبود می سازد ای ن نوع یادگیری ماشین در جایی به کار می آید که ماشین در معرض آزمون و خطای محیطی قرار میگیرد.

در این دوره از ابتدا به مرور مفاهیم آماری و بخش های مورد نیاز آن ها برای تحلیل داده ها پرداخته می‌شود و سپس مفاهیم مورد نیاز جهت اجرای الگوریتم های کاربردی یادگیری ماشین در بستر های متفاوت آموزش داده میشود .

طرح درس دوره به صورتی است که ارتباط مفاهیم تئوری توضیح داده شده در هر بخش با پیاده سازی به کمک زبان پایتون حفظ شده و از این نظر تنوع و کاربردی بودن زمان هر جلسه در نظر گرفته میشود .