🦾 انواع یادگیری ماشین از منظری متفاوت:

🌇تصویر، یادگیری ماشین را به دو شاخه‌ی اصلی تقسیم کرده است، اما بر خلاف بسیاری از طبقه‌بندی‌ها، اینجا هر شاخه با یک کاربرد کلیدی معرفی شده، نه صرفاً با نام الگوریتم.

۱. یادگیری نظارت‌شده (Supervised Learning) → کاربرد: پیش‌بینی روندها (Predicting Trends)

· در این نوع یادگیری، ما داده‌های شناخته‌شده (برچسب‌دار) داریم.
· مدل بر اساس این داده‌ها آموزش می‌بیند و سپس برای داده‌ی جدید، خروجی را پیش‌بینی می‌کند.
· مثال‌های برجسته‌ی آن رگرسیون خطی (برای پیش‌بینی اعداد پیوسته) و رگرسیون لجستیک (برای دسته‌بندی) هستند – البته الگوریتم‌های دیگری هم در این گروه قرار می‌گیرند.

🔹 در واقع، محور اصلی در اینجا "پیش‌بینی مقدار یا کلاس برای داده‌های آینده" است.

۲. یادگیری بدون نظارت (Unsupervised Learning) → کاربرد: دسته‌بندی داده‌ها (Classifying Data)

· در این روش، داده‌ها بدون برچسب و در ابتدا دسته‌بندی‌نشده هستند.
· الگوریتم به‌طور خودکار الگوهای پنهان را پیدا کرده و داده‌ها را در خوشه‌های جدید (دسته‌های تازه) سازماندهی می‌کند.
· معروف‌ترین مثال‌های آن خوشه‌بندی (Clustering) و تحلیل مؤلفه‌های اصلی (PCA) هستند – که البته روش‌های دیگری هم وجود دارند.

🔹 در اینجا، هدف اصلی کشف ساختار پنهان در داده‌ها و گروه‌بندی آنهاست، نه پیش‌بینی یک خروجی مشخص.


👁در یک نگاه:
نوع یادگیری هدف اصلی وضعیت داده‌ها مثال‌ها
نظارت‌شده پیش‌بینی روندها داده‌های شناخته‌شده (برچسب‌دار) رگرسیون خطی، رگرسیون لجستیک
بدون نظارت دسته‌بندی خودکار داده‌های دسته‌بندی‌نشده خوشه‌بندی، PCA

👨‍🏫 تصویر در واقع یادگیری ماشین را نه بر اساس «نوع الگوریتم»، بلکه بر اساس نوع مسئله‌ای که حل می‌کند (پیش‌بینی در برابر کشف ساختار) را نشان می‌دهد.

#Clustering
#PCA
#ML
@toobabigdatascience