Fêrbûna Machine i ye?

Fêrbûna makîneyê yek ji qadên teknolojiyê yên ku zûtirîn geş dibe ye, lê tevî ku çend caran peyvên "hînbûna makîneyê" têne avêtin, ew dikare dijwar be ku meriv fêm bike ka fêrbûna makîneyê bi rastî çi ye.

Fêrbûna makirîn tenê behsa tiştekî nake, ew têgehek sîwan e ku dikare li ser gelek têgeh û teknîkên cûda were sepandin. Fêmkirina fêrbûna makîneyê tê vê wateyê ku bi şêwazên cihêreng ên analîza model, guhêrbar û algorîtmayan re naskirî ye. Ka em ji nêz ve li fêrbûna makîneyê binêrin da ku çêtir fam bikin ka ew çi vedigire.

Fêrbûna Makîne çi ye?

Dema ku têgîna fêrbûna makîneyê dikare li gelek tiştên cihêreng were sepandin, bi gelemperî, têgîn tê wateya ku komputerek karûbaran dike bêyî ku rêwerzên eşkere rêz-bi-xêz werbigire. Pisporek fêrbûna makîneyê ne hewce ye ku hemî gavên ku ji bo çareserkirina pirsgirêkê hewce ne binivîsîne ji ber ku komputer dikare bi analîzkirina nimûneyên di nav daneyan de "hînbûnê" bike û van nimûneyan bi daneyên nû re giştî bike.

Pergalên fêrbûna makîneyê sê beşên bingehîn hene:

• qurs
• Algorîtmê
• Outputs

Ketin daneyên ku di pergala fêrbûna makîneyê de têne xwarin in, û daneya têketinê dikare li ser etîket û taybetmendiyan were dabeş kirin. Taybetmendî guhêrbarên têkildar in, guhêrbarên ku dê werin analîz kirin da ku nimûneyan fêr bibin û encaman derxînin. Di vê navberê de, etîket çîn / danasîn in ku ji mînakên kesane yên daneyê re têne dayîn.

Taybetmendî û etîket dikarin di du cûreyên cûda yên pirsgirêkên fêrbûna makîneyê de werin bikar anîn: fêrbûna çavdêrî û fêrbûna neçapkirî.

Fêrbûna neçavdêrî dijî

In fêrbûna çavdêrî, daneyên têketinê bi rastiyek zemîn ve tê. Pirsgirêkên fêrbûna çavdêrîkirî wekî beşek ji databasê nirxên derketinê yên rast hene, ji ber vê yekê dersên bendewar di pêş de têne zanîn. Ev yek dihêle ku zanyarê daneyê bi ceribandina daneyan li ser berhevokek ceribandinê performansa algorîtmayê kontrol bike û bibîne ka ji sedî çend tiştan rast hatine dabeş kirin.

Çi xirav, fêrbûna bêpergal Pirsgirêkan etîketên rastiya zemînê bi wan ve girê nadin. Algorîtmayek fêrbûna makîneyê ya ku ji bo pêkanîna peywirên fêrbûna neserperiştkirî hatî perwerde kirin divê bikaribe ji xwe re qalibên têkildar di daneyan de derxe holê.

Algorîtmayên fêrbûna çavdêrîkirî bi gelemperî ji bo pirsgirêkên dabeşkirinê têne bikar anîn, li cihê ku yek daneyek mezin heye ku bi mînakan ve tije ye ku divê di yek ji gelek çînên cihêreng de were rêz kirin. Cûreyek din a fêrbûna çavdêrîkirin peywirek paşvekêşanê ye, ku li şûna kategorîk, nirxa ku algorîtmê derdixe di xwezayê de domdar e.

Di vê navberê de, algorîtmayên fêrbûna neçavdêrîkirî ji bo peywirên mîna texmînkirina dendikê, komkirin, û fêrbûna nûnertiyê têne bikar anîn. Van her sê peywiran pêdivî bi modela fêrbûna makîneyê heye ku strukturên daneyan derxe holê, dersên pêşwext ên ku ji modelê re hatine dayîn tune.

Werin em bi kurtasî li hin algorîtmayên herî gelemperî ku hem di fêrbûna neserperiştkirî û hem jî di fêrbûna çavdêrî de têne bikar anîn binihêrin.

Cureyên Fêrbûna Çavdêrî

Algorîtmayên fêrbûna çavdêriya hevpar ev in:

• Naîv Bayes
• Machines Vektor Piştgirî
• Regression Logistic
• Daristanên Random
• Torgilokên Nûhî yên مصنوعی

Machines Vektor Piştgirî algorîtmayên ku danehevekê li çînên cihê dabeş dikin. Xalên daneyê bi xêzkirina xetên ku çînan ji hev vediqetînin di koman de têne kom kirin. Xalên ku li aliyekî xêzê têne dîtin dê ji yek polê re bin, lê xalên li aliyê din ê rêzê çînek cûda ne. Makîneyên Vektora Piştgiriyê armanc dikin ku dûrahiya di navbera xêz û xalên ku li her du aliyên xêzê têne dîtin de herî zêde bikin, û her ku mesafe mezintir be ew qas pêbawertir dabeşker e ku xal ji çînek e û ne ji çînek din e.

Regression Logistic algorîtmayek e ku di peywirên dabeşkirina binaryê de tê bikar anîn dema ku xalên daneyê hewce ne ku wekî yek ji du çînan werin dabeş kirin. Regresyona lojîstîk bi nîşankirina xala daneyê an 1 an jî 0-ê dixebite. Heke nirxa têgihîştî ya xala daneyê 0.49 an jêrtir be, ew wekî 0 tête dabeş kirin, lê heke ew 0.5 an jor be ew wekî 1 tête dabeş kirin.

Algorîtmayên Dara Biryarê bi dabeşkirina daneyan li perçeyên piçûktir û piçûktir tevdigerin. Pîvanên rastîn ên ku ji bo dabeşkirina daneyan têne bikar anîn bi endezyarê fêrbûna makîneyê ve girêdayî ye, lê armanc ew e ku di dawiyê de daneyan li ser xalên daneyê yên yekane dabeş bikin, ku dûv re dê bi karanîna mifteyê were dabeş kirin.

Algorîtmayek Daristana Random bi bingehîn gelek dabeşkerên Dara Biryarê yên yekane ye ku bi hev ve girêdayî di nav dabeşkerek bihêztir de ne.

Ew Naive Bayes Classifier îhtîmala ku nuqteyek daneya diyarkirî li ser bingeha îhtîmala rûdana bûyerek berê pêk hatî hesab dike. Ew li ser bingeha Teorema Bayes-ê ye û ew xalên daneyê li ser bingeha îhtîmala wan ya hesabkirî di polan de cîh dike. Dema ku dabeşkerek Naive Bayes bicîh tîne, tê texmîn kirin ku hemî pêşbînker heman bandorê li ser encama polê dikin.

An Tora Neuralî ya Artificial, an perceptrona pir-qatî, algorîtmayên fêrbûna makîneyê ne ku ji avahî û fonksiyona mejiyê mirovan hatine îlhamkirin. Torên neuralî yên çêkirî navê xwe ji wê yekê digirin ku ew ji gelek girêk/neuronên bi hev ve girêdayî hatine çêkirin. Her neuron daneyan bi fonksiyonek matematîkî manîpule dike. Di torên neuralî yên çêkirî de, qatên têketinê, qatên veşartî û qatên derketinê hene.

Tebeqeya veşartî ya tora neuralî ew e ku dane bi rastî ji bo nimûneyan têne şîrove kirin û analîz kirin. Bi gotineke din, ew cihê ku algorithm fêr dibe ye. Zêdetir neuronên ku bi hev re hatine girêdan, torên tevlihevtir çêdikin ku dikarin qalibên tevlihevtir fêr bibin.

Cureyên Fêrbûna Bêserûber

Algorîtmayên Fêrbûna Bêserûber ev in:

• K-tê wateya komkirinê
• Otekoder
• Analysis Component Principal

K-tê wateya komkirinê teknolojiyek dabeşkirinê ya bêserûber e, û ew bi veqetandina xalên daneyan li kom an koman li gorî taybetmendiyên wan dixebite. Clustering K-means taybetmendiyên ku di nuqteyên daneyê de têne dîtin analîz dike û qalibên di wan de vediqetîne ku xalên daneyê yên ku di komek çînek diyarkirî de têne peyda kirin dişibin hev ji wan komên ku xalên daneyê yên din vedigirin. Ev bi danîna navendên muhtemel ji bo komê, an navendê, di grafiyek daneyan de û ji nû ve veqetandina pozîsyona navendê pêk tê heya ku cîhek were dîtin ku dûrahiya di navbera navendê û xalên ku ji çîna wê navendê ne kêm dike. Lêkolîner dikare hejmara komê ya xwestî diyar bike.

Analysis Component Principal teknîkek e ku hejmarên mezin ên taybetmendî / guhêrbar li cîhek taybetmendiyek piçûktir / kêm taybetmendî kêm dike. "Pêkhateyên sereke" yên nuqteyên daneyê ji bo parastinê têne hilbijartin, dema ku taybetmendiyên din di nav nûneriyek piçûktir de têne kişandin. Têkiliya di navbera pîvazên daneya orîjînal de tê parastin, lê ji ber ku tevliheviya xalên daneyê hêsan e, danehevkirin û ravekirin hêsantir e.

Otekoder guhertoyên torên neuralî ne ku dikarin li ser peywirên fêrbûna neserperiştkirî werin sepandin. Otoenkoder dikarin daneya bê-etîketkirî, bi forma belaş bigirin û wan veguherînin daneya ku tora neuralî bikaribe bikar bîne, di bingeh de daneyên perwerdehiya xweya binavkirî biafirînin. Armanca şîfrekerek xweser ev e ku daneyên têketinê biguhezîne û wê bi qasî ku pêkan rast ji nû ve ava bike, ji ber vê yekê ew di teşwîqa torê de ye ku diyar bike ka kîjan taybetmendiyên herî girîng in û wan derxe.