معرفی

یادگیری ماشین (Machine learning) چیست؟

یادگیری ماشینی داده های شما را تجزیه و تحلیل می کند و مدل هایی را برای الگوهای رفتاری آن تولید می کند. نوع تحلیلی که انتخاب می‌کنید به سؤالات یا مشکلاتی که می‌خواهید به آنها رسیدگی کنید و نوع داده‌هایی که در دسترس دارید بستگی دارد.

یادگیری ماشین بدون نظارت (Unsupervised machine learning)

دو نوع تجزیه و تحلیل وجود دارد که می‌تواند الگوها و روابط درون داده‌های شما را بدون آموزش یا مداخله استنتاج کند: تشخیص ناهنجاری (anomaly detection) و تشخیص داده های پرت (outlier detection)

• تشخیص ناهنجاری به داده های سری زمانی نیاز دارد. این یک مدل احتمال می سازد و می تواند به طور پیوسته اجرا شود تا رویدادهای غیرعادی را هنگام وقوع شناسایی کند. مدل در طول زمان تکامل می یابد. می توانید از بینش آن برای پیش بینی رفتار آینده استفاده کنید.
• تشخیص داده های پرت نیازی به داده های سری زمانی ندارد. این یک نوع تجزیه و تحلیل چارچوب داده است که با تجزیه و تحلیل میزان نزدیکی هر نقطه داده به نقاط دیگر و تراکم خوشه نقاط اطراف آن، نقاط غیرعادی را در یک مجموعه داده شناسایی می کند. به طور مداوم اجرا نمی شود. یک کپی از مجموعه داده های شما تولید می کند که در آن هر نقطه داده با یک امتیاز پرت حاشیه نویسی می شود. امتیاز نشان می دهد که یک نقطه داده تا چه اندازه در مقایسه با سایر نقاط داده پرت است.

یادگیری ماشین تحت نظارت (Supervised machine learning)

دو نوع تجزیه و تحلیل چارچوب داده ( data frame) وجود دارد که به مجموعه داده های آموزشی نیاز دارد: طبقه بندی (classification ) و رگرسیون (regression).
در هر دو مورد، نتیجه یک کپی از مجموعه داده‌های شما است که در آن هر نقطه داده با پیش‌بینی‌ها و یک مدل آموزش‌دیده حاشیه‌نویسی می‌شود، که می‌توانید برای پیش‌بینی داده‌های جدید آن را مستقر کنید.

• طبقه بندی روابط بین نقاط داده شما را می آموزد تا مقادیر طبقه بندی شده گسسته را پیش بینی کند، مانند اینکه آیا درخواست DNS از یک دامنه مخرب یا بی خطر سرچشمه می گیرد.
• رگرسیون روابط بین نقاط داده شما را به منظور پیش بینی مقادیر عددی پیوسته، مانند زمان پاسخ برای یک درخواست وب، یاد می گیرد.