د ماشین زده کړه (انګلیسي : Machine learning) یا ML د الګوریتمونو او احصایوي ماډلونو مطالعه ده چې د کمپیوټر سیسټمونو لخوا کارول کیږي چې د واضح لارښوونو پرځای د دندو ترسره کولو لپاره نمونې او توضیحات کاروي. [ ۱] مصنوعي ځيرکتيا د فرعي سیټ په توګه، د ماشین زده کړې الګوریتمونه د نمونې ډیټا یا د روزنې ډیټا پراساس ریاضيکي ماډل رامینځته کوي ترڅو وړاندوینې وکړي یا پرته له پراخه برنامې پرېکړې وکړي.
د ماشین زده کړه په ډېرو برخو لکه انجینرۍ ، سوداګرۍ ، ژبپوهنې او طب کې کارول کيږي. [ ۲] [ ۳] ګوګل یا Bing د ماشین زده کړې کاروي ځکه چې د دوی د ماشین زده کړې سافټویر پوهیږي چې څنګه وېب پاڼې ډلبندي کړي. همدا ډول د فیسبوک یا ایپل د انځورونو پروګرام چې د خلکو انځورونه پېژني د ماشین زده کړې یو ډول دی. په برېښنالیک کې د سپیم فلټر کول هم د ماشین زده کړې یو غوښتنليک دی.
په بل عبارت، د "ماشین زده کړې" له لارې، د کمپیوټر سیسټمونه جوړ شوي چې زده کوي چې څنګه د دوی د ترلاسه شوي مالوماتو څخه خپلې دندې ترسره کړي؛ دا د دې پر ځای چې پروګرامر او پراختیا کوونکي د کرښې په واسطه لارښوونې مشخص کړي چې کوډ شوی پروګرام باید ترسره کړي، سافټویر پخپله د کارولو وروسته خپل کوډ په خپلواکه توګه تازه کوي او د غوره پایلې ترلاسه کولو لپاره خپل کوډ ته پراختيا ورکوي. [ ۴]
د ماشین زده کړې هدف دا دی چې کمپیوټرونه او سیسټمونه په تدریجي ډول د ډیټا په زیاتوالي سره د مطلوب کار په ترسره کولو کې ډېر اغېزمن شي. د دې دندې ساحه د مطلوب مخ ډېری مثالونو لیدلو سره د خپلسري مخ پېژندنې څخه کېدی شي د انعام او مجازاتو سیګنالونو ترلاسه کولو سره د بایپډ روبوټ چلولو څرنګوالي زده کړي.
د ماشین زده کړې په برخه کې د څېړنې لړۍ پراخه ده. په تیوریکي توګه، څېړونکي د نوي زده کړې تګلارو رامینځته کولو او د دوی تګلارو لپاره د زده کړې امکانات او کیفیت مطالعه کولو لپاره هوډمن دي، او له بلې خوا، ځینې څېړونکي هڅه کوي چې د ماشین زده کړې تګلارې په نویو ستونزو کې پلي کړي. البته، دا کومه بېله تګلاره نه ده بلکې د څېړنې په دواړه تګلارو کې شتون لري.
د ماشین زده کړه د عملیاتي لګښتونو خوندي کولو او د مالوماتو تحلیل سرعت ښه کولو کې ډېره مرسته کوي. د بېلګې په توګه ، د تېلو او پیټرو کیمیکل صنعت کې ، د ماشین زده کړې په کارولو سره ، د ټولو برمه کولو عملیاتي ډیټا اندازه کیږي او د ډیټا تحلیل کولو سره ، الګوریتمونه تنظیم شوي ترڅو په راتلونکي برمه کې ډېر موثر او غوره استخراج ولري.
د ماشین زده کړې ننوتل او وتل د ماشین زده کړې یو له عامو څانګو څخه دي چې ويښيار عامل ته د موجوده مالوماتو ډول پراساس وېش دی. لاندې سناریو ته پام وکړئ:
فرض کړئ چې تاسو یوازې د سپي په څېر روباوټ اخیستی چې د کیمرې له لارې بهرنۍ نړۍ لیدلی شي، د مایکروفون په مرسته غږونه اوري، د سپیکرونو (محدود استقبال) له لارې تاسو سره خبرې کولی شي او د هغې څلور اندامه حرکت کوي. همدارنګه د دې روبوټ په بکس کې د ریموټ کنټرول وسیله شته چې تاسو کولی شئ روباټ ته بېلابېل امرونه ورکړئ. په لاندې پراګرافونو کې، تاسو به د دې حکمونو ځینې بېلګې وپیژنئ.
لومړی کار چې تاسو یې کول غواړئ هغه دا دی چې روباټ تاسو وویني، مګر که چېرې دا یو ناپېژاند وویني نو په لوړ غږ دې وغاپي. د اوس لپاره، راځئ چې فرض کړو چې روباټ د دې غږونو د تولید توان لري، مګر تر اوسه یې ستاسو مخ نه دی پېژندلی. نو هغه څه چې تاسو یې کوئ د هغه د سترګو په وړاندې ودرېږئ او د خپل ریموټ په مرسته هغه ته امر وکړئ چې هغه مخ چې تاسې يې بايد وپېژنئ دا دی. تاسو دا د خپل مخ څو بېلابېلو زاويو او ځايونو نه د هغې مخې ته راولئ،تر هغې چې تاسو ډاډ ترلاسه کړئ چې روبوټ تاسو وپېژندئ، له دې سره په څنګ کې تاسو د خپل مخ ځينې نيمه انځورونه هم روباټ ته وسپارئ، ترڅو ستاسو د څېرې په ليدلو کې سهوه نه شي او ستاسو د نيم مخ په ليدو ونه غاپي او تاسو دقيق وپېژني، په همدې ډول تاسو څو نااشنا او ناپېژانده څېرې هم هغې ته ښيئ چې د هغې په ليدو بايد هغه وغاپي، په دې ډول تاسو کمپيوټري روباټ ته دا امر کړی دی چې څه ننوتل بايد له څه وتلو سره متصل ترسره کړي، مطلب ټول اختيارات تاسو ورکړي دي، چې دې ډول ماشيني زده کړې ته [ ۵] [ ۶]
اوس یو بل حالت فرض کړئ. د تیر ځل برعکس کله چې تاسو خپل روبوټ ته وویل چې کوم محرک د کوم محصول سره تړاو لري، دا ځل تاسو غواړئ روبوټ پخپله دا ډول شی زده کړي. په دې توګه، که هغه تاسو وویني او وخورئ، هغه ته په یو ډول انعام ورکړئ (د بیلګې په توګه، ستاسو د ریموټ کنټرول په مرسته) او که هغه په غلطۍ سره تاسو وهي، هغه ته سزا ورکړئ (بیا بیا د خپل ریموټ کنټرول سره). په دې حالت کې، تاسو روبوټ ته نه ووایاست چې د هر حالت لپاره څه مناسب دي، مګر تاسو روبوټ ته اجازه درکوي چې سپړنه وکړي او یوازې تاسو وهڅوئ یا وروستۍ پایلې ته سزا ورکړئ. د زده کړې دې طریقې ته د پیاوړتیا زده کړه ویل کیږي [ ۷]
په تیرو دوو قضیو کې، روبوټ باید ان پټ د محصول سره وصل کړي. مګر ځینې وختونه موږ یوازې غواړو چې روبوټ د دې وړتیا ولري چې وپیژندل شي هغه څه چې دا ګوري (یا اوریدلي او نور) په یو ډول د هغه څه سره تړاو لري چې مخکې یې لیدلي وي پرته لدې چې په ځانګړي ډول پوه شي چې دا څه دي یا څه باید وکړي کله چې دا وګوري. ستاسو هوښیار روبوټ باید د دې وړتیا ولري چې د څوکۍ او انسان تر مینځ توپیر وکړي پرته لدې چې موږ ورته ووایو چې دا مثالونه څوکۍ دي او دا مثالونه انسانان دي. دلته، د څارل شوي زده کړې برعکس، موخه دا نه ده چې د ننوتلو او محصول سره وصل شي، مګر یوازې د دوی طبقه بندي کول دي. دا ډول زده کړه چې د غیر څارنې زده کړې په نوم یادیږي [ ۸]
بې څارنې زده کړه د ابعاد کمولو عملیات په توګه ګڼل کیدی شي [ ۹]
څرنګه چې تاسو بوخت یاست، تاسو کولی شئ یوازې په ورځ کې د محدود وخت لپاره د خپل روبوټ سره لوبې وکړئ او هغه شیان وښایئ او د دوی نومونه ووایاست (لیبل یې کړئ). مګر روبوټ د ورځې په جریان کې دی او ډیر معلومات ترلاسه کوي. دلته، روبوټ کولی شي پخپله او پرته له څارنې زده کړي، او کله چې تاسو ورته لارښوونه کوئ، هڅه کولی شي د هغې شخصي تجربې وکاروي او ستاسو د روزنې څخه ډیره ګټه پورته کړي. هغه ترکیب چیرې چې هوښیار اجنټ دواړه بې لیبل شوي ډاټا او لیبل شوي ډیټا کاروي نیمه څارل شوي زده کړې ویل کیږي [ ۱۰]
د مالوماتو څخه د زده کړې یو ډول نظارت شوي زده کړه د ماشین زده کړې کې یو عمومي میتود دی چیرې چې سیسټم ته د ان پټ - آوټ پوټ جوړه سیټ ورکول کیږي او سیسټم هڅه کوي د ان پټ څخه تولید ته یو فنکشن زده کړي. څارل شوي زده کړه د سیسټم د روزنې لپاره ځینې ان پټ ډیټا ته اړتیا لري. د ځان څارنې زده کړه په دوو کټګوریو ویشل شوې ده: رجعت او طبقه بندي . ریګریشن هغه ستونزې دي چې یو دوامداره شمیر یا د دوامداره شمیرو لړۍ رامینځته کوي ، لکه د معلوماتو پراساس د کور قیمت وړاندوینه کول لکه ساحه ، د خوب خونه او داسې نور. د یو شخص د ناروغۍ ډول د 10 دمخه تعریف شوي ناروغیو څخه. په هرصورت، د ستونزو ټولګي شتون لري چې د څارنې زده کړې سیسټم لخوا اړین مناسب محصول شتون نلري. دا ډول ستونزې د نظارت شوي زده کړې په کارولو سره په اسانۍ سره نشي ځواب کیدی. د پیاوړتیا زده کړه د دې ډول ستونزو لپاره یوه بیلګه وړاندې کوي. د تقویه کولو زده کړې کې، سیسټم [ ۷]
[ سمول ] په احصایو کې، د تولید احتمال د ان پټ پر بنسټ محاسبه کیږي. که داخل شي
x
{\displaystyle x}
y
{\displaystyle y}
p
(
y
|
x
)
{\displaystyle p(y|x)}
p
{\displaystyle p}
p
{\displaystyle p}
p
(
y
|
x
)
{\displaystyle p(y|x)}
p
(
y
)
{\displaystyle p(y)}
p
(
x
|
y
)
{\displaystyle p(x|y)}
p
(
y
|
x
)
{\displaystyle p(y|x)}
[ ۱۱]
[ سمول ] په څارل شوي زده کړه کې، د روزنې بیلګې په جوړه کې دي (
x
i
,
y
i
{\displaystyle x^{i},y^{i}}
i
{\displaystyle i}
D
{\displaystyle D}
f
{\displaystyle f}
x
{\displaystyle x}
f
(
x
)
{\displaystyle f(x)}
غیر څارل شوي زده کړه د ماشین زده کړې کې د زده کړې یو له ډولونو څخه دی . که چیرې زده کړه په غیر لیبل شوي ډیټا کې ترسره شي ترڅو پدې ډیټا کې پټ نمونې ومومي ، نو زده کړه به غیر څارل شي. د غیر څارل شوي زده کړې ډولونو کې کلسترینګ الګوریتمونه ، د ډیریچلیټ لیټینټ تخصیص (LDA) او د کلمې سرایت کول دي.
[ سمول ] په نننۍ نړۍ کې د بې څارنې زده کړې ډیری مثالونه شتون لري. یو له دوی څخه ترټولو کارول شوي وړاندیزونه دي چې په ټولنیزو شبکو کې کاروونکو ته ورکول کیږي. د مثال په توګه، انسټاګرم د هر کارونکي په اړه ډیری معلومات لري، په شمول د شخصي ګټو، څوک چې دوی تعقیبوي، د دوی پیروان. د دې معلوماتو پراساس، انسټاګرم د کاروونکو ځانګړتیاوې ټاکي او کلستر یې کوي. په نهایت کې ، د هغه کلستر له مخې چې کارونکي پکې ځای په ځای شوي ، دا هغه ته ډیری وړاندیزونه ورکوي ترڅو هغه د دې ټولنیز شبکې سره ډیر ښکیل کړي.
د پیاوړتیا زده کړې هدف، کوم چې د ماشین زده کړې برخه ده، دا دی چې څنګه د سافټویر اجنټان باید د چاپیریال لپاره مناسب عمل غوره کړي ترڅو د غوره انعام اعظمي کولو لپاره. د دې عموميت له امله، دا ساحه په ډیرو نورو برخو کې مطالعه کیږي، پشمول د لوبې تیوري ، د کنټرول تیوري، عملیاتي څیړنه ، د معلوماتو تیوري ، د سمولو پر بنسټ اصلاح، څو اجنټ سیسټمونه، ډله ایز استخبارات، احصایې، او جینیتیک الګوریتمونه. په ماشین زده کړه کې، چاپیریال عموما د مارکوف پریکړې پروسې (MDP) په توګه ښودل کیږي. ډیری پیاوړتیا زده کړې الګوریتمونه د متحرک پروګرام کولو تخنیکونه کاروي. د پیاوړتیا زده کړې الګوریتمونو کې، د پوهې پر بنسټ فرضیه د MDP دقیق ریاضيیک ماډل نه دی، او کارول کیږي کله چې دقیق ماډل شتون نلري. د تقویت زده کړې الګوریتمونه د ځان چلولو موټرو کې یا د انساني مخالفینو پروړاندې د زده کړې لوبو کې کارول کیږي.
[ سمول ] د سپارس لغت زده کړه یا سپارس لغت د زده کړې د ځانګړتیاو میتود دی چې په کې د روزنې بیلګه د اساسی دندو د خطي ترکیب په توګه وړاندې کیږي، او د سپارس میټرکس په توګه فرض کیږي. دا ستونزه د NP-هارډ ډوله ده او نږدې حل یې ستونزمن دی. د K-SVD الګوریتم د سپک لغت زده کړې لپاره یو عام هوریستیک میتود دی. د سپک لغت زده کړه په ډیری برخو کې کارول شوې. په طبقه بندي کې، ستونزه د دې معلومول دي چې کوم ټولګي چې مخکې نه لیدل شوي د روزنې نمونې پورې اړه لري. د یوه قاموس لپاره چیرې چې هر ټولګی دمخه جوړ شوی وي، د نوي ښوونې بیلګه د ټولګي سره تړاو لري چې د اړوند لغت لخوا غوره استازیتوب کیږي؛ د مثال په توګه، د سپک لغت زده کړه د عکس شور په کشف او جلا کولو کې کارول شوې. اصلي نظر دا دی چې د پاک او شور څخه پاک عکس ټوټې د عکس قاموس لخوا په جلا توګه نمایش کیدی شي، مګر د شور برخه نشي کولی.
[ سمول ] [ سمول ] دا الګوریتم د ریګریشن ماډلونو او مصنوعي عصبي شبکې ماډلونو ته وده ورکولو لپاره یو نوی هایبرډ ماډل دی چې د مادي پیښو او فعالیت وړاندوینې لپاره. د لوړ ارتباطي متغیر جوړونکي ماشین (HCVCM) هڅه کوي د اصلي متغیرونو پرځای نوي تغیرات رامینځته کړي چې د ماډلونو دقت په ښه کولو کې خورا مؤثره دي. دا متغیرونه د ریاضيکي افعالاتو په کارولو سره له لومړني متغیرونو څخه نوي تغیرات رامینځته کوي ، پدې ډول چې دوی د محصول سره ډیر تړاو لري او د نورو معلوماتو سره لږ تړاو لري. په HCVCM کې درې مرحلې شتون لري. لومړی، دوی د څو ریاضياتي افعالونو په کارولو سره نوي تغیرات رامینځته کوي. بیا نوي متغیرونه غوره شوي، کوم چې د لومړنیو متغیرونو په پرتله د محصول سره د لوړ ارتباط ضمیمه لري. په دریم پړاو کې، یوازې نوي متغیرونه غوره کیږي چې ارتباط یې د لومړنیو متغیرونو تر منځ د اړیکو څخه ټیټ وي. دا طریقه په 2020 کې د آیدین شیګران لخوا وړاندې شوه. [ ۱۲]
[ سمول ] نن ورځ، د پروګرام کولو ژبو پراخه لړۍ له امله، هغه کسان چې د مصنوعي ځيرکتيا په دې برخه کې لیوالتیا لري مختلف ژبې کاروي. د دې ژبو څخه ډېری يې دا دي:
پیتون
متلب
جاوا
آر
جاوا سکریپټ
سي شارپ
اسکالا [ سمول ] په ذهن کې ساتلو لپاره یو شی دا دی چې د AI او ماشین زده کړې لپاره هیڅ یو غوره پروګرام کولو ژبه شتون نلري. ځکه چې دا مسله په بشپړ ډول په هغه څه پورې اړه لري چې برنامه کوډ غواړي. د مثال په توګه، یو څوک یوازې غواړي د ماشین زده کړې اساسي مفکورې زده کړي. د داسې یو کس لپاره، دا کافی دی چې د پوهیدو وړ او اسانه چاپیریال سره د پروګرام کولو ژبه وکاروئ.
بل کس ممکن د ماشین زده کړې پروسې کې عکس پروسس کولو ته اړتیا ولري. پدې حالت کې، MATLAB او Python غوره انتخابونه دي. ځکه چې دوی د عکس پروسس کولو لپاره قوي کتابتونونه لري. که خلک غواړي د ماشین زده کړې پورې اړوند تیوریو ته لاړ شي او ځانګړي احصایوي میتودونه وکاروي، R به سم انتخاب وي. البته، C# ، چې پدې وروستیو کې د بلډر ماډل عامه پریزنټشن سره دې موضوع ته ننوتلی (دا دمخه په ځینو ټیکنالوژیو کې د بلډر ماډل کارولی و، لکه Bing)، یقینا په دې برخه کې د ویلو لپاره ډیر څه لري. همچنان ، د دې د کارولو سادګۍ له امله ، دا یوازې د C# ژبې په مهارت او حتی د لږ ریاضيکي پوهې سره خپل شهرت ترلاسه کوي.
د ماشین زده کړې احصایوي کتنه او په ځانګړي توګه د ماشین زده کړې څارنه.
, R. , Ebrahimie, E. , Niazi, A. , Afsharifar, A. (2021). Integration of meta-analysis and supervised machine learning for pattern recognition in breast cancer using epigenetic data. Informatics in Medicine Unlocked, 100629.
Trevor Hastie, Robert Tibshirani, and Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer, 2003 (ISBN 0-387-95284-5 )
Machine Learning Thomas G. Diet Erich – Department of Computer Science – Oregon State University
د پیاوړتیا زده کړې لپاره یو ساده او روانی حواله؛ د اساساتو زده کولو لپاره مناسب:
Richard S. Sutton and Andrew G. Barto, Reinforcement Learning: An Introduction, MIT Press, 1998 (online version ).
د مالوماتو کان کیندنې اکاډمۍ
دا کمپیکټ کتاب د ماشین زده کړې په برخه کې یو له خورا مهم کلاسیک حوالې څخه دی:
Tom M. Mitchell, Machine Learning, McGraw-Hill Companies, Inc. , 1997. ISBN 0-07-042807-7 , en Parameter error in {{ISBN }}: invalid character
