دانلود مقاله مطالعه تطبیقی روش های یادگیری ماشین و کاربرد های اخیر آن
چکیده
محوریت بنیادین تکامل بشریت، همواره جستجوی روش های تغییر طبیعت در راستای پاسخگویی به نیازهایمان بوده است. نقطۀ عطف اساسی در این زمینه، اختراع ماشینی تحت عنوان کامپیوتر است که قادر است وظیفه ای که به آن محول شده را در کسری از زمان به طول انجامیده توسط یک انسان معمولی، به انجام برساند. در عین حال که جالب به نظر می رسد، اما تنها ایراده وارده به این مسئله این است که تصمیم گیری، باید توسط انسانی صورت گیرد که در قیدوبند کالبد انسانی اش گرفتار است. تلاش های صورت گرفته در راستای بهره برداری کامل از منافع، منجر به بروز پدیده ای گشته است که هوش مصنوعی نامیده می شود. یادگیری ماشین بخشی از AI (هوش مصنوعی) به شمار می رود که از طریق نمونه های مرتبط متعدد به انتقال دانش به کامپیوتر می پردازد. در طی این سال ها، الگوریتم های یادگیری ماشین متنوعی همراه با مزایا و معایبشان توسعه داده شده اند. این مقاله، تلاش همه جانبه ای به منظور گرد آوری الگوریتم های ML مختلفی همچون رگرسیون خطی، KNN(k-نزدیک ترین همسایگی) و مواردی از این قبیل می باشد. این مقاله، جدید ترین توسعه ها در این حوزۀ مطالعاتی را به چالش می کشد و درصدد تعریف بهترین کاربرد ها برای هریک از آنها مبتنی بر پژوهشات قبلی می باشد.
1. مقدمه
هوش مصنوعی، یا به اختصار AI، شاخه ای از علم کامپیوتر است که با ساخت ماشین هایی سر و کار دارد که قادر به تصمیم گیری در خصوص حل مسائل کوچکی اند که ممکن است در بحبوحۀ تکمیل یک وظیفۀ به مراتب بزرگتر قد علم کرده باشند. یادگیری ماشین، یک شاخۀ حائز اهمیت و جذاب از AI است که به صورت منحصر به فردی با بهبود قابلیت سیستم از طریق تجربه و با بهره گیری از داده هایی که داده های آموزشی نام دارند، سروکار دارد. داده های آموزشی همانطور که از نامشان پیداست، مجموعه داده های بزرگی از نمونه هایی را دربر می گیرند که در حصول نتایج مشخص به سیستم کمک می کنند که سیستم می تواند بر حسب آنها تصمیمات را اتخاذ کند.
IV. نتیجه گیری
هوش مصنوعی یک حوزۀ مطالعاتی گسترده به شمار می رود و با سرعتی بیش از هر زمانی دیگر در حال توسعه می باشد. طی این مقاله، ما درصدد یکپارچه سازی شاخص های اساسی در رویکردهای یادگیری ماشین که اخیراً مورد استفاده قرار گرفته اند و بهترین موارد کاربردی خود را تعیین نموده اند، بوده ایم. اغراق نخواهد بود، اگر بگوییم که این رویکردها هدایت کنندۀ مسیرمان در ایجاد تکنولوژی های جدیدی همچون تحقق اتومبیل های بدون راننده خواهد بود.
در این مقاله، ما مبانی یادگیری ماشین و زیرمجموعه های مرتبط با آن را ارائه نموده ایم. در ضمن ما عوامل متمایز کننده در میان رویکردهای یادگیری ماشین اخیراً مورداستفاده را مطرح نمودیم و بهترین موارد کاربرد آنها را تعیین نمودیم. در نهایت ما، به آخرین یافته های پژوهش با توجه به موارد کاربرد آنها در زمینۀ هوش مصنوعی پرداختیم.
Abstract
The main objective of human evolution has always been to look for ways to mold the nature to satisfy our needs. A key milestone in this regard is the invention of a machine - called the computer that can complete a task given to it in fraction of time taken by an average human. While that sounds great, the only drawback is that the decision must still be taken by a man who is bound by limitations of the human body. The run to reap the complete benefits has given rise to what is called the Artificial Intelligence. Machine learning is a part of AI, which deals with imparting knowledge to the computer through various related examples. Throughout the years, various machine learning algorithms have been developed each with their own merits and demerits. This paper is a consolidated effort to bring together different ML algorithms like linear regression, KNN (k- nearest neighbours) etc. This research paper discusses the most recent developments in these areas of study and tries to define the best applications for each of those based on previous researches.
I. INTRODUCTION
Artificial Intelligence, or AI in short, is the branch of computer science that deals with building machines that are able to make decisions to solve small problems that may arise in the course of completing a much larger task. An important and trending branch of AI is Machine Learning which specifically deals with improving the capability of the system through experience and by the use of data, called the training data. Training data, as the name suggests is a large dataset of examples that helps the system draw certain conclusions based on which it can make decisions.
IV. CONCLUSION
Artificial Intelligence is a vast field of study and is grown at a greater pace than ever before. Through this paper we have made an attempt to consolidate the major milestones in Machine Learning approaches. It wouldn’t be an exaggeration to say that these approaches lead our way in making newer technologies like autonomous cars a reality.
In this paper, we have introduced the basics of Machine Learning and the sub categories associated with it. We also discussed the differentiating factors among the Machine Learning approaches that are currently in use and defined their best use cases. Lastly, we also highlighted the latest research findings with respect to Machine Learning approaches in the field of Artificial Intelligence.
(جهت بزرگ نمایی روی عکس کلیک نمایید)
چکیده
1. مقدمه
آ. یادگیری نظارت شده
ب. یادگیری نظارت نشده
ج. یادگیری تقویتی
د. یادگیری عمیق
II. پیشینه
الف. انواع یادگیری نظارت شده
i) رگرسیون خطی
ii) رگرسیون لجستیک
III) الگوریتم k-نزدیک ترین همسایگی ها
IV) SVM (ماشین بردار پشتیبان)
v. درخت تصمیم
vi. جنگل تصادفی
ب. انواع یادگیری نظارت نشده
ج. انواع یادگیری تقویتی
د. انواع یادگیری عمیق
III. کاربردها
1. کاربردهای یادگیری نظارت شده
2. کاربردهای یادگیری نظارت نشده
3. کاربردهای یادگیری تقویتی
IV. نتیجه گیری
منابع
Abstract
I. INTRODUCTION
A. Supervised Learning
B. Unsupervised Learning
C. Reinforcement Learning
D. Deep Learning
II. BACKGROUND
A. Types of Supervised Learning
i. Linear Regression
ii. Logistic Regression
iii. K-Nearest Neighbours
iv. SVM
v. Decision Tree
vi. Random Forest
B. Types of Unsupervised Learning
C. Types of Reinforcement Learning
D. Types of Deep Learning
III. APPLICATIONS
1. Applications of Supervised Learning
2. Applications of Unsupervised Learning
3. Applications of Reinforcement Learning
IV. CONCLUSION
REFERENCES
این محصول شامل پاورپوینت ترجمه نیز می باشد که پس از خرید قابل دانلود می باشد. پاورپوینت این مقاله حاوی 19 اسلاید و 4 فصل است. در صورت نیاز به ارائه مقاله در کنفرانس یا سمینار می توان از این فایل پاورپوینت استفاده کرد.
در این محصول، به همراه ترجمه کامل متن، یک فایل ورد ترجمه خلاصه نیز ارائه شده است. متن فارسی این مقاله در 8 صفحه (1300 کلمه) خلاصه شده و در داخل بسته قرار گرفته است.
علاوه بر ترجمه مقاله، یک فایل ورد نیز به این محصول اضافه شده است که در آن متن به صورت یک پاراگراف انگلیسی و یک پاراگراف فارسی درج شده است که باعث می شود به راحتی قادر به تشخیص ترجمه هر بخش از مقاله و مطالعه آن باشید. این فایل برای یادگیری و مطالعه همزمان متن انگلیسی و فارسی بسیار مفید می باشد.
بخش مهم دیگری از این محصول لغت نامه یا اصطلاحات تخصصی می باشد که در آن تعداد 20 عبارت و اصطلاح تخصصی استفاده شده در این مقاله در یک فایل اکسل جمع آوری شده است. در این فایل اصطلاحات انگلیسی (تک کلمه ای یا چند کلمه ای) در یک ستون و ترجمه آنها در ستون دیگر درج شده است که در صورت نیاز می توان به راحتی از این عبارات استفاده کرد.
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش و pdf بدون آرم سایت ای ترجمه
- پاورپوینت فارسی با فرمت pptx
- خلاصه فارسی با فرمت ورد (word)
- متن پاراگراف به پاراگراف انگلیسی و فارسی با فرمت ورد (word)
- اصطلاحات تخصصی با فرمت اکسل