Fact 💔🥹.

و اما ماشین لرنینگ! 💻
در این پست به شرح و توضیح سه نوع یادگیری یعنی Supervised، Unsupervised و Reinforcement می‌پردازیم (semisupervised رو بعدا توضیح‌میدیم).

Supervised Learning:🔍
یادگیری تحت نظارت شامل آموزش یک مدل یادگیری ماشینی با استفاده از مجموعه داده برچسب‌گذاری شده است، جایی که هر نقطه داده با یک هدف یا برچسب شناخته شده مرتبط است. هدف این است که مدل را قادر به تعمیم از نمونه های ارائه شده و پیش بینی یا طبقه بندی دقیق داده های جدید و ناپدید کند. این بر اساس اصل یک رابطه مربی و دانش آموز عمل می کند، جایی که مدل از داده های برچسب گذاری شده یاد می گیرد تا پیش بینی های آگاهانه انجام دهد.

Unsupervised Learning:🚪
یادگیری بدون نظارت بر کاوش مجموعه داده های بدون برچسب برای کشف الگوها، ساختارها یا روابط پنهان در داده ها متمرکز است. برخلاف یادگیری تحت نظارت، هیچ برچسب یا هدف از پیش تعریف شده ای وجود ندارد. در عوض، مدل به طور مستقل به دنبال خوشه‌ها یا انجمن‌های معنادار درون داده‌ها می‌گردد. یادگیری بدون نظارت را می توان به حل یک معما بدون دانش قبلی از تصویر کامل تشبیه کرد.

Reinforcement Learning:⚙️
این نوع یادگیری شامل آموزش مدلی برای تصمیم گیری متوالی از طریق آزمون و خطا است. مدل با یک محیط تعامل دارد و بر اساس اقدامات خود بازخوردی را در قالب پاداش یا جریمه دریافت می کند. هدف این است که مدل یاد بگیرد که پاداش تجمعی را با کشف استراتژی‌های تصمیم‌گیری بهینه به حداکثر برساند. این نوع یادگیری را می توان به تربیت حیوان خانگی تشبیه کرد که در آن تقویت مثبت رفتار مطلوب را تشویق می کند و تقویت منفی رفتار نامطلوب را منع می کند.

مشابهت ها و تفاوت ها:
در حالی که یادگیری تحت نظارت، بدون نظارت و تقویتی همگی بخشی از حوزه یادگیری ماشین هستند، از نظر نیازهای داده، اهداف و برنامه های کاربردی متفاوت هستند.

🔋شباهت ها:
هدف هر سه رویکرد یادگیری استخراج دانش از داده ها با استفاده از الگوریتم ها و تکنیک های محاسباتی است.
هر سه شامل مدل های آموزشی و بهینه سازی عملکرد آنها بر اساس معیارهای خاص هستند.
هر سه از اصول یادگیری ماشین برای فعال کردن تصمیم گیری مبتنی بر داده استفاده می کنند.


🪫تفاوت:
یادگیری نظارت شده بر داده های برچسب گذاری شده متکی است، یادگیری بدون نظارت بر روی داده های بدون برچسب عمل می کند، و یادگیری تقویتی شامل تعاملات تعاملی عامل و محیط است.

یادگیری تحت نظارت بر پیش‌بینی یا طبقه‌بندی وظایف بر اساس نمونه‌های برچسب‌گذاری شده متمرکز است، در حالی که یادگیری بدون نظارت به دنبال کشف الگوها یا خوشه‌های زیربنایی در داده‌ها است. یادگیری تقویتی بر تصمیم گیری متوالی در محیط های تعاملی متمرکز است.

🧲 به طور خلاصه، یادگیری تحت نظارت و بدون نظارت معمولا برای تجزیه و تحلیل داده ها، تشخیص الگو و مدل سازی پیش بینی استفاده می شود، در حالی که یادگیری تقویتی در زمینه هایی مانند رباتیک و بازی که شامل تصمیم گیری متوالی است کاربرد پیدا می کند.


به طور خلاصه، یادگیری تحت نظارت، بدون نظارت و تقویتی نشان دهنده رویکردهای متمایز در زمینه وسیع یادگیری ماشین است. هر رویکرد قابلیت ها و برنامه های منحصر به فردی را ارائه می دهد که بینش های مبتنی بر داده، کشف الگو و تصمیم گیری آگاهانه را در حوزه های مختلف امکان پذیر می کند(منبع:انجمن علوم داده).

🔔 فراخوان  پذیرش مشمول وظیفه در قالب «طرح سرباز دولت یار» اعزام مهر ۱۴۰۲

🔹 مقاطع تحصیلی:
➖ کارشناسی ارشد
➖ دکتری

■ اطلاعات بیشتر و ثبت‌نام

(منبع:امریه سربازی)

- نام اثر: ‏من اولین باری که رفتم کافی شاپ🍴☕️🤣🤦🏻‍♂.

نو کپتیون...

📕 متلب برای کاربردهای مهندسی
چاپ پنجم
جدیدترین کتاب آموزش پایه ای متلب 🔥

📅سال چاپ: 2023
📝چاپ کننده: McGraw Hill
🧷لینک دانلود
(منبع:آکادمی آموزشی متلب)

این کلیپ چقدر خوب، دقیق و کامل مسئله افسردگی رو نشون میده...😔.
تشخیص افسردگی از روی پارامترهای بیومتریک یکی از فیلدهای جذاب تحقیقاتی برای دانشجویان مهندسی پزشکی و هوش مصنوعی.

اطلاعات بیشتر در مقاله زیر:

https://ieeexplore.ieee.org/abstract/document/8389299

فیلم معمولی ولی کاملا ارزش نگاه کردن داره. کاش یکم کارگردان قوی تر میبود.
Hypnotic
بازی بن افلک خیلی خوب بود.

«آیفون فایو اس»

این فیلما سوسول بازیه، الان یک‌فیلم معرفی میکنم جیگر دارید نگاه کنید...☠🤣🤦🏻‍♂.

تو سینمای کره فیلم شاهکار کم نیست.
فیلم I saw the devil یه فیلم فوق العاده خشن که مطمعنا بعد دیدن این فیلم از شدت دارکی قفل میکنید...
مخصوص جمعه و آزاد کردن آدرنالین و بازی با روح و روان...☠☠☠☠☠😱😱😱😱🚫🚫🚫🚫🚫🚫.

(⚠️ دوستانی که روحیه ی لطیفی دارن یا دچار حملات پنیک میشن به هیچ عنوان نگاه نکنند).