TARDITIONAL MACHIN LEARNING یعنی چی؟

این اصطلاح، به معنای «یادگیری ماشینی سنتی» یا «یادگیری ماشین سنتی» هست و به دسته‌ای از الگوریتم‌های یادگیری ماشین گفته می‌شود که بر اساس داده‌های آموزشی خود، یک مدل یاد می‌گیرند و می‌توانند از آن مدل برای پیش‌بینی نتایج جدید استفاده کنند. این الگوریتم‌ها معمولاً به دو دسته تقسیم می‌شوند:

• مدل‌های یادگیری نظارت‌شده: این مدل‌ها بر اساس داده‌های آموزشی که شامل برچسب‌های خروجی نیز هستند، یاد می‌گیرند. برای مثال، اگر داده‌های آموزشی شامل مجموعه‌ای از تصاویر و برچسب‌های آنها (مثلاً "سگ" یا "گربه") باشد، یک مدل یادگیری نظارت‌شده می‌تواند یاد بگیرد که چگونه تصاویر سگ‌ها را از تصاویر گربه‌ها تشخیص دهد.
• مدل‌های یادگیری بدون نظارت: این مدل‌ها بر اساس داده‌های آموزشی که فاقد برچسب‌های خروجی هستند، یاد می‌گیرند. برای مثال، اگر داده‌های آموزشی شامل مجموعه‌ای از تصاویر باشد، یک مدل یادگیری بدون نظارت می‌تواند یاد بگیرد که چگونه تصاویر را بر اساس ویژگی‌های آنها دسته‌بندی کند.

برخی از الگوریتم‌های یادگیری ماشین سنتی عبارتند از:

• رگرسیون خطی: این الگوریتم برای پیش‌بینی یک متغیر پیوسته استفاده می‌شود.
• رگرسیون لجستیک: این الگوریتم برای پیش‌بینی یک متغیر گسسته استفاده می‌شود.
• مدل‌های درخت تصمیم‌گیری: این الگوریتم‌ها از درختانی برای تصمیم‌گیری استفاده می‌کنند.
• خوشه‌بندی: این الگوریتم‌ها برای دسته‌بندی داده‌ها بر اساس ویژگی‌های آنها استفاده می‌شوند.
• تجزیه و تحلیل خوشه‌ای: این الگوریتم‌ها برای شناسایی الگوها در داده‌ها استفاده می‌شوند.

الگوریتم‌های یادگیری ماشین سنتی کاربردهای گسترده‌ای در دنیای واقعی دارند. برای مثال، از آنها برای تشخیص چهره، تشخیص بیماری، پیش‌بینی بازار بورس و بسیاری موارد دیگر استفاده می‌شود.

در سال‌های اخیر، الگوریتم‌های یادگیری ماشین جدیدی مانند یادگیری عمیق (Deep Learning) توسعه یافته‌اند که عملکرد بهتری از الگوریتم‌های سنتی دارند. با این حال، الگوریتم‌های سنتی همچنان کاربردهای گسترده‌ای دارند و در بسیاری از زمینه‌ها همچنان به عنوان گزینه‌های مناسب‌تری نسبت به الگوریتم‌های یادگیری عمیق محسوب می‌شوند.