یادگیری خودران (خودسازمانده). یادگیری خودران ( خودسازمانده، یادگیری بی داده های برچسب دار ) نوعی یادگیری ماشینی است که به دنبال الگوهای ناشناخته در یک دسته داده ی بی برچسب با کمترین راهنمایی آدم است.
یادگیری راهنمایی شده ( supervised ) که بیشتر زمان ها از داده های برچسب گذاری شده بهره می برد، ولی، یادگیری خودران ( خودسازمانده ) امکان مدل سازی تراکم احتمال را نسبت به ورودی ها فراهم می کند. این یکی از سه دسته اصلی یادگیری ماشین است و در کنار آن می توان به یادگیری تقویتی و یادگیری تحت نظارت اشاره کرد. یادگیری نیمه نظارتی، یک نوع مرتبط از یادگیری است که از ترکیبی از تکنیک های نظارت شده و بدون نظارت استفاده می کند. [ ۱]
دو روش اصلی که در یادگیری بدون نظارت استفاده می شود، تحلیل مولفه های اصلی و تحلیل مولفه های خوشه ای است. تجزیه و تحلیل خوشه ای در یادگیری بدون نظارت برای گروه بندی یا تقسیم بندی مجموعه داده ها با ویژگی های مشترک به منظور برون یابی روابط الگوریتمی استفاده می شود. [ ۲] تجزیه و تحلیل خوشه ای شاخه ای از یادگیری ماشین است که داده هایی را که برچسب گذاری یا طبقه بندی نشده اند را گروه بندی می کند. تجزیه و تحلیل خوشه ای به جای پاسخ دادن به بازخورد، نقاط مشترک داده ها را شناسایی می کند و بر اساس وجود یا عدم وجود چنین اشتراکاتی در هر قطعه جدید از داده ها واکنش نشان می دهد. این روش کمک می کند تا نقاط داده های غیرعادی که در هر دو گروه نمی گنجد، شناسایی شود.
تنها لازمه ای که می توان آن را استراتژی یادگیری بدون نظارت نامید، یادگیری فضای جدیدی است که با به حداکثر رساندن برخی از عملکردهای هدف یا با به حداقل رساندن برخی از عملکردهای از دست رفته، ویژگی های فضای اصلی را به تصویر می کشد؛ بنابراین، تولید یک ماتریس کوواریانس یادگیری بدون نظارت نیست، اما در نظر گرفتن بردارهای ویژه ماتریس کوواریانس به این دلیل است که عملیات ترکیب جبر خطی، واریانس را به حداکثر می رساند. این به عنوان تجزیه و تحلیل مولفه های اصلی شناخته می شود. [ ۳] به همین ترتیب، ورود به سیستم یک مجموعه داده یادگیری بدون نظارت نیست، اما انتقال داده های ورودی از طریق چندین توابع سیگموئید در حالی که برخی از عملکردهای فاصله را بین داده های تولید شده و حاصل از آن به حداقل می رساند، شناخته می شود و به عنوان خودرمزگذار شناخته می شود.
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفیادگیری راهنمایی شده ( supervised ) که بیشتر زمان ها از داده های برچسب گذاری شده بهره می برد، ولی، یادگیری خودران ( خودسازمانده ) امکان مدل سازی تراکم احتمال را نسبت به ورودی ها فراهم می کند. این یکی از سه دسته اصلی یادگیری ماشین است و در کنار آن می توان به یادگیری تقویتی و یادگیری تحت نظارت اشاره کرد. یادگیری نیمه نظارتی، یک نوع مرتبط از یادگیری است که از ترکیبی از تکنیک های نظارت شده و بدون نظارت استفاده می کند. [ ۱]
دو روش اصلی که در یادگیری بدون نظارت استفاده می شود، تحلیل مولفه های اصلی و تحلیل مولفه های خوشه ای است. تجزیه و تحلیل خوشه ای در یادگیری بدون نظارت برای گروه بندی یا تقسیم بندی مجموعه داده ها با ویژگی های مشترک به منظور برون یابی روابط الگوریتمی استفاده می شود. [ ۲] تجزیه و تحلیل خوشه ای شاخه ای از یادگیری ماشین است که داده هایی را که برچسب گذاری یا طبقه بندی نشده اند را گروه بندی می کند. تجزیه و تحلیل خوشه ای به جای پاسخ دادن به بازخورد، نقاط مشترک داده ها را شناسایی می کند و بر اساس وجود یا عدم وجود چنین اشتراکاتی در هر قطعه جدید از داده ها واکنش نشان می دهد. این روش کمک می کند تا نقاط داده های غیرعادی که در هر دو گروه نمی گنجد، شناسایی شود.
تنها لازمه ای که می توان آن را استراتژی یادگیری بدون نظارت نامید، یادگیری فضای جدیدی است که با به حداکثر رساندن برخی از عملکردهای هدف یا با به حداقل رساندن برخی از عملکردهای از دست رفته، ویژگی های فضای اصلی را به تصویر می کشد؛ بنابراین، تولید یک ماتریس کوواریانس یادگیری بدون نظارت نیست، اما در نظر گرفتن بردارهای ویژه ماتریس کوواریانس به این دلیل است که عملیات ترکیب جبر خطی، واریانس را به حداکثر می رساند. این به عنوان تجزیه و تحلیل مولفه های اصلی شناخته می شود. [ ۳] به همین ترتیب، ورود به سیستم یک مجموعه داده یادگیری بدون نظارت نیست، اما انتقال داده های ورودی از طریق چندین توابع سیگموئید در حالی که برخی از عملکردهای فاصله را بین داده های تولید شده و حاصل از آن به حداقل می رساند، شناخته می شود و به عنوان خودرمزگذار شناخته می شود.
