انواع مختلف یادگیری در یادگیری ماشین

ابتدا سه مورد از انواع مسائل یادگیری را در یادگیری ماشین مورد بررسی قرار می‌دهیم:

• supervised learning
• unsupervised learning
• reinforcement learning

1-یادگیری با ناظر

یادگیری با ناظر یا Supervised learning گروهی از مسائل را تعریف می‌کند که در آنها از مدلی استفاده می‌شود تا نگاشت بین نمونه‌های ورودی و متغیرهای هدف مشخص شوند. زیر مجموعه‌ی آنها کلاسبندی و رگرسیون است.

2-یادگیری بدون ناظر

یادگیری بدون ناظر یا unsupervised learning گروهی از مسائل هستند که در آنها از مدلی استفاده می‌شود تا روابط بین داده از آنها استخراج شود. هدف در این نوع یادگیری کشف گروهی از نمونه‌های مشابه در داده است که خوشه بندی نام دارد یا تعیین توزیع داده در فضای ورودی که تخمین چگالی density estimation نام دارد.

3-یادگیری تقویتی

یادگیری تقویتی یا Reinforcement learning گروهی از مسائل را تعریف می‌کند که در آنها عامل در یک محیط عملیاتی انجام می‌دهد و باید با استفاده از بازخورد از محیط یاد بگیرد. یادگیری تقویتی به معنی یادگیری آن است که چه باید کرد. چطور موقعیت‌ها را به عمل تبدیل کنیم و سیگنال پاداش را حداکثر کنیم.

گروه دیگر مسائل، یادگیری ترکیبی هستند.

4-یادگیری نیمه نظارتی

مسائل یادگیری نیمه نظارتی یا semi supervised learning مسائلی هستند که در آنها داده‌های آموزشی، شامل تعداد اندکی نمونه‌های برچسب دار و تعداد زیادی نمونه‌های بدون برچسب هستند. هدف از این نوع یادگیری، استفاده موثر ازداده‌های موجود است نه فقط داده‌های برچسب گذاری شده در یادگیری نظارتی.

5-یادگیری خودنظارتی

یادگیری خودنظارتی یا self-supervised learning به مسائل یادگیری بدون ناظر اشاره دارند که به عنوان یک مسئله یادگیری نظارت شده در نظر گرفته شده است تا از الگوریتم‌های نظارتی استفاده کند و آن را حل کند. در این نوع مسائل تنها به داده‌ی بدون برچسب نیاز است تا یک مسئله یادگیری فرموله شود.

6-یادگیری چند نمونه‌ای

یادگیری Multi-Instance Learning یک مسئله یادگیری با ناظر است که در آن تک تک نمونه‌ها بدون برچسب هستند و در عوض یک گروه از نمونه‌ها (bag of groups) برچسب گذاری شده‌اند. نمونه‌ها در bagها هستند.

7-یادگیری فعال

مسائل active learning یا یادگیری فعال مسائلی هستند که در آنها مدل می‌تواند از اپراتور انسانی در طی فرآیند یادگیری، سوال بپرسد تا ابهام موجود در فرآیند یادگیری را برای خود رفع کند. یک نوع از مسائل یادگیری با ناظر است که به دنبال دستیابی به عملکرد مشابه یا بهتر passive است.

8-یادگیری آنلاین

مسائل یادگیری آنلاین یا online Learning از داده‌های موجود استفاده می‌کنند و مدل را مستقیماً مدلسازی می‌کنند قبل ازاینکه به پیش بینی نیاز باشد. یادگیری آنلاین برای آن مسائلی مناسب است که در آنها مشاهدات در طی زمان صورت گرفته‌اند و توزیع احتمال مشاهدات در طی زمان امکان تغییر دارد.

9-یادگیری انتقالی

یادگیری انتقالی یا Transfer Learning نوعی از یادگیری است که در آن مدل ابتدا روی یک تسک آموزش داده می‌شود و سپس بخشی از مدل و یا تمام آن به عنوان نقطه شروع برای تسک دیگر مورد استفاده قرار می‌گیرد. در یادگیری انتقالی، یادگیرنده باید دو یا چند تسک مختلف انجام دهد.

10-یادگیری جمعی

مسائل یادگیری جمعی یا ensemble learning مسائلی هستند که در آنها دو یا چند مدل را می‌توان برای مجموعه داده مشابهی استفاده کرد و پیش بینی‌ها از هر مدل، با هم ترکیب می‌شوند. هدف این نوع یادگیری دستیابی به عملکرد بهتر است با این فرض که گروهی از مدل‌ها می‌توانند به نتیجه‌ی پیش بینی بهتری برسند تا یک مدل.