یادگیری ماشین یکی از مهم‌ترین زیرمجموعه‌های علم هوش مصنوعی است که در هوشمند سازی بسیاری از سیستم‌های هوش مصنوعی مورد استفاده قرار می‌گیرد. در تعریف کلی خود، یادگیری ماشین روشی است برای آموزش دادن ماشین‌های هوشمند. یادگیری ماشین‌ها با استفاده از روش‌های مختلفی انجام می‌شود که یکی از آنها یادگیری نظارت شده است. در روش آموزش نظارت شده داده‌هایی که قرار است سیستم با آن آموزش داده شود از قبل برچسب زده و یا به اصطلاح لیبل زده می‌باشند. و سیستم تلاش می‌کند با یک سری از داده‌های مشخص آموزش ببینید تا بتواند در مواجهه با داده‌های جدید قدرت تشخیص داشته باشد. این روش یکی از پرکاربردترین روش‌های یادگیری ماشین است که به صورت گسترده برای آموزش سیستم‌های هوش مصنوعی مبتنی بر یادگیری ماشین از آن استفاده می‌شود. در این مقاله قصد داریم بیشتر در مورد این روش یادگیری ماشینی بحث کنیم و سعی کنیم تمام جوانب آن را بررسی کنیم. پس اگر قصد کسب اطلاعات بیشتر در مورد یادگیری نظارت شده را دارید، توصیه می‌کنیم در ادامه این مقاله با آرتیجنسهمراه باشید. 

یادگیری نظارت شده چیست؟

در ساده‌ترین تعریف، یادگیری نظارت شده یکی از روش‌های آموزش ماشین در سیستم‌های مبتنی بر یادگیری ماشین است و همان‌طور که از نام آن پیداست در این روش برای آموزش سیستم شما نیاز به یک ناظر خارجی خواهید داشت. در این روش داده‌هایی که برای آموزش ماشین در نظر گرفته شده است توسط یک ناظر خارجی برچسب زده می‌شود، به بیان دیگر داده‌هایی که برای آموزش در این روش استفاده می‌شود معین و مشخص هستند. ماشین با استفاده از این داده‌های برچسب زده شده آموزش می‌بیند و پس از تشخیص الگوی خاصی که از داده‌ها به دست می‌آورد می‌تواند داده‌های جدید و بدون لیبل را خود تشخیص دهد. یادگیری نظارت شده یکی از مهم‌ترین روش‌های یادگیری ماشین است که به صورت گسترده در زمینه‌های مختلف مثل تشخیص الگو، تشخیص چهره و ترجمه ماشینی مورد استفاده قرار می‌گیرد.

یادگیری نظارت شده چگونه کار میکند؟

همان طور که قبلاً اشاره شد یادگیری نظارت شده روشی برای یادگیری با استفاده از داده‌های مشخص و معین است. در ادامه مقاله یادگیری نظارت شده چیست؟ می‌خواهیم بررسی کنیم که این روش چطور عمل می‌کند. روش کار یادگیری نظارت شده را می‌تواند در 4 مرحله تشریح کرد. 

مجموعه داده ها :

همان طور که در مقالات قبل هم اشاره شد، داده به مثال سوخت برای مدل‌های یادگیری ماشینی است و یکی از مهم‌ترین بخش‌ها در آموزش یک سیستم هوش مصنوعی مبتنی بر یادگیری ماشین داده می‌باشد. در این مرحله مجموعه‌ای از داده‌های آموزشی لیبل زده شده جمع آوری می‌شود و در اختیار ماشین قرار می‌گیرد. این داده‌ها شامل نمونه‌های ورودی و خروجی متناظر آن‌ها می‌باشد.

انتخاب مدل :

پس از دریافت داده‌ها و آنالیز آن، اکنون ماشین باید قدرت شناسایی الگوهای موجود در داده‌ها را داشته باشد. برای تشخیص الگوهای موجود در داده‌های آموزشی از مدل‌ها و الگوریتم‌های مربوطه استفاده می‌شود. شبکه‌های عصبی، رگرسیون خطی و درخت تصمیم گیری از مدل‌هایی هستند که در یادگیری نظارت شده برای تشخیص الگوها و روابط بین داده به شدت استفاده می‌شود.

آموزش مدل :

در این قسمت ماشین با استفاده از داده‌های آموزشی برچسب زده شده آموزش می‌بیند و با استفاده از الگوریتم‌ها و مدل‌های مربوط به یادگیری نظارت شده سعی می‌کند داده‌ها را تجزیه و تحلیل کرده و الگوها و ویژگی‌های مهم را از داده استخراج کند و بتواند داده‌های جدید را پیش بینی کند. 

آزمودن مدل :

پس از مرحله آموزش، مدل روی داده‌های آزمایشی تست می‌شود تا میزان درستی تشخیص مدل ارزیابی شود. داده‌های آموزشی داده‌هایی هستند که ماشین در حین پروسه آموزش آن‌ها را ندیده و برای مدل تازگی دارد. از این داده‌ها برای محک زده مدل آموزش دیده استفاده می‌شود. 

الگوریتم‌های یادگیری نظارت شده :

همان طور که در قسمت قبلی مقاله اشاره شد، در یادگیری نظارت شده از الگوریتم‌ها و مدل‌های مختلف برای تجزیه و تحلیل و شناسایی الگوها و ویژگی‌های موجود در داده‌های آموزشی استفاده می‌شود. در این قسمت از مقاله یادگیری نظارت شده چیست قصد داریم برخی از مهم‌ترین الگوریتم‌های یادگیری نظارت شده را بررسی کنیم و توضیحاتی در مورد آن‌ها ارائه دهیم.

شبکه های عصبی یا Neural Network :

یکی از مهم‌ترین و پرکاربردترین الگوریتم‌های یادگیری نظارت شده برای تشخیص الگوهای و ویژگی‌های خاص داده‌های آموزشی، الگوریتم شبکه‌های عصبی می‌باشد. شبکه‌های عصبی از سیستم شبکه‌های عصبی مغز انسان الهام گرفته شده است و لایه‌های متعددی از نورون‌های عصبی مغز انسان را برای در یافت داده‌ها و استخراج ویژگی‌های آنها شبیه سازی می‌کند. 

رگرسیون خطی یا Linear Regression :

از این الگوریتم برای پیش بینی یک مقدار پیوسته بر اساس ویژگی‌های ورودی استفاده می‌شود. به بیان ساده‌تر رگرسیون خطی در تلاش است اگر رابطه‌ای بین متغیرها برقرار باشد آن را تشخیص دهد و اگر نه آن متغیر را به عنوان یک متغیر مستقل در نظر بگیرد.

درخت تصمیم گیری یا  Decision Tree :

در این الگوریتم مجموعه از سؤالات بلی یا خیر برای تصمیم گیری در مورد ویژگی‌ها و الگوهای ورودی‌ها مورد استفاده قرار می‌گیرد و نهایت این سؤالات بله یا خیر باعث به وجود آمدن یک ساختار درختی می‌شود که علت نام گذاری این الگوریتم به این نام هم همین است.

مزایا و معایب یادگیری نظارت شده :

به لطف برچسب دار بودن داده‌های آموزشی در یادگیری نظارت شده و توجه عمده مدل به الگوهای موجود در داده‌ها دقت پیش بینی در این روش یادگیری بسیار بالاست. امروزه در حوزه‌های مختلفی از یادگیری نظارت شده برای آموزش ماشین‌ها استفاده می‌شود مثل تشخیص چهره، پردازش زبان طبیعی و غیره. لذا گستره وسیع کاربردی یادگیری نظارت شده را می‌تواند یکی دیگر از مزیت‌های این روش در نظر گرفت. وابستگی به داده‌های برچسب دار را شاید بتواند یکی از بزرگترین معایب این از روش از یادگیری در نظر گرفت. جمع آوری داده‌های لیبل شده مناسب برای این روش یادگیری مشکلات و چالش‌های مختص به خود را دارد و اغلب پروسه‌ای زمان بر و پر هزینه است. این روش یادگیری با داده‌های ناهمگن سازگار نیست و ممکن است در مواجهه با داده‌های ناهمگن و نویزی دچار خطا شود. پ

نتیجه گیری :

به طور کلی یادگیری نظارت شده یک ابزار قدرتمند برای حل مسائل پیش بینی و تصمیم گیری در دنیای واقعی است. اما باید در نظر داشته باشید که برای استفاده از این روش یادگیری شما همیشه نیاز  به یک ناظر بیرونی دارید تا داده‌های مورد نیاز و لیبل شده را در اختیار سیستم قرار دهد. امروزه بسیاری از مسائل مربوط به حوزه هوش مصنوعی و یادگیری ماشینی به کمک این روش یادگیری قابل حل است. شما با به‌کارگیری این روش از یادگیری می‌توانید سیستمی طراحی کنید تا بتواند در تشخیص تصاویر به شما کمک کند. برای مثال سیستمی را در نظر بگیرید که توانایی تشخیص تصاویر گربه از سگ را دارد. شما می‌توانید با جمع آوری تعدادی تصویر مربوط به سگ و گربه و لیبل زدن آنها و استفاده از یک الگوریتم تشخیص الگو بین داده‌ها مثل الگوریتم شبکه‌های عصبی ماشین را قادر سازید تا بتواند ویژگی‌های مربوط به هر عکس را تشخیص داده و تصویر گربه را از سگ تشخیص دهد. در این صورت اگر تصویر جدید بدون لیبل به سیستم داده شود سیستم قادر خواهد بود آن تصویر را تشخیص دهد.