لطفا به نکات زیر در هنگام خرید دانلود پاورپوینت یادگیری ماشین توجه فرمایید.

1-در این مطلب، متن اسلاید های اولیه دانلود پاورپوینت یادگیری ماشین قرار داده شده است 2-به علت اینکه امکان درج تصاویر استفاده شده در پاورپوینت وجود ندارد،در صورتی که مایل به دریافت  تصاویری از ان قبل از خرید هستید، می توانید با پشتیبانی تماس حاصل فرمایید 3-پس از پرداخت هزینه ، حداکثر طی 12 ساعت پاورپوینت خرید شده ، به ادرس ایمیل شما ارسال خواهد شد 4-در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل اسلاید ها میباشد ودر فایل اصلی این پاورپوینت،به هیچ وجه بهم ریختگی وجود ندارد 5-در صورتی که اسلاید ها داری جدول و یا عکس باشند در متون زیر قرار نخواهند گرفت

یادگیری ماشین

تعریف فرهنگ لغات از یادگیری:
یادگیری عبارت است ازبدست آوردن دانش و یا فهم آن از طریق مطالعه، آموزش و یا تجربه
همچنین گفته شده است که یادگیری عبارت است از بهبود عملکرد از طریق تجربه
تعریف یادگیری ماشین:
یادگیری ماشین عبارت است از اینکه چگونه میتوان برنامه ای نوشت که از طریق تجربه یادگیری کرده و عملکرد خود را بهتر کند. یادگیری ممکن است باعث تغییر در ساختار برنامه و یا داده ها شود.

یادگیری ماشین زمینه نسبتا جدیدی از هوش مصنوعی است که در حال حاضر دوران رشد و تکامل خود را میگذراند و یک زمینه تحقیقاتی بسیار فعال در علوم کامپیوتر است.
علوم مختلفی در ارتباط با یادگیری ماشین در ارتباط هستند از جمله:
هوش مصنوعی، روانشناسی، فلسفه، تئوری اطلاعات ، آمار و احتمالات، تئوری کنترل و …

هدف از این درس ارائه یک دید کلی نسبت به یادگیر ماشین است که مباحث زیر را در بر میگیرد:
جنبه های عملی شامل: الگوریتم های یادگیری مختلف نظیر درخت های تصمیم گیری، شبکه هاب عصبی و شبکه هاب باور بیزی،
مدلهای عمومی شامل: الگوریتم ژنتیک و یادگیری تقویتی
مفاهیم تئوریک شامل: زمینه های مرتبط درعلم آمار، یادگیری بیزین و ساختاریادگیریPAC . در این مباحث ارتباط تعداد مثالها با کارائی یادگیری بررسی میشوند، میزان خطای قابل انتظار محاسبه میشود، و بررسی میشود که کدام الگئریتم یادگیری برای چه مسائلی کارائی بیشتری دارد.

کتاب درس:
Machine learning by Tom Mitchell, McGraw Hill, 1997.
سایر مراجع
Reinforcement learning: An introduction, By Richard S. Sutton & Andrew G Barto.

Introduction مقدمه
Concept learning یادگیری مفهوم
Decision Tree Learning درخت تصمیم گیری
Artificial Neural Networks شبکه های عصبی مصنوعی
Evaluating Hypothesis ارزیابی فرضیه
Bayesian learning یادگیری بیزین و  شبکه های باور بیزی
Computational Learning Theory تئوری یادگیری محاسباتی
Instance based learning یادگیری نمونه
Genetic Algorithms الگوریتم ژنتیک
Reinforcement Learning بادگیری تقویتی
Support Vector Machine SVM

چرا ماشین را برنامه نویسی نکنیم؟
بعضی کارها را بدرستی نمیتوان توصیف نمود. در صورتیکه ممکن است آنها را بتوان بصورت مثالهای ( ورودی/خر.جی) معین نمود.
ممکن است در خیل عظیمی از داده اطلاعات مهمی نهفته باشد که بشر قادر به تشخیص آن نباشد ( داده کاوی)
ممکن است موقع طراحی یک سیستم تمامی ویژگیهای آن شناخته شده نباشد در حالیکه ماشین میتواند حین کار آنها را یاد بگیرد.
ممکن است محیط در طول زمان تغییر کند. ماشین میتواند با یادگیری این تغییرات خود را با آنها وفق دهد.

در سالهای اخیر پیشرفتهای زیادی در الگوریتم ها و تئوری های مربوطه بوجود آمده و زمینه های تحقیقاتی جدید زیادی پدید آمده اند.
داده های آزمایشی زیادی بصورت Online بوجود آمده اند.
کامپیوتر ها قدرت محاسباتی زیادی بدست آورده اند
جنیه های عملی با کاربردهای صنعتی بوجود آمده اند. ( در زمینه پردازش گفتار برنامه های مبتنی بر یادگیری از همه روشهای دیگر پیشی گرفته اند)

برخی از کاربردهای یادگیری ماشین
کنترل روباتها
داده کاوی
تشخیص گفتار
شناسائی متن
پردازش داده های اینترنتی
Bioinformatics
بازهای کامپیوتری

وظیفه یادگیری ماشین
دسته بندی یا classification مثل تشخیص گفتار
حل مسئله، طراحی و عمل مثل بلزی ها، راندهن اتومبیل در بزرگراه