بعد از نوآوری الگوریتم های یادگیری ماشین بخش اعظمی از خطاها هوش تصنعی حل شد طراحی اپلیکیشن در مشهد ولی هنوز هم خطاها اکثری مانده بود ، از جمله حتی یادگیری ماشین هم نمی توانست محتوا و مفهموم یک متن را شعور نماید یا این که نمی توانست متوجه تعداد یک شی خاص در یک تصویر شد . از این رو جمعی از دانشمندان تصمیم گرفتند تا سبک یادگیری آدم را عمیق خیس مشابه سازی کرده و درواقع بجای طراحی سبک یادگیری آدم ها سبک مغزی آن هارا طراحی کردند و چنین بود که کانال های عصبی که یک کدام از مهم ترین پایین محموعه های یادگیری ماشین میباشد پدیدآمد .
اما این تکنیک هم اشتباهات و نقص هایی داشت رایاپارس که در پست های آجل به نظارت دقیقتر ان خوا هیم پرداخت
بضاعت ها و ناتوانی های یادگیری ماشین
یادگیری ماشین توان های اکثری داراست و به طور تقریب در تمامی حوزه ها قابل به کار گیری میباشد ، application ولی این بدان شکل وجود ندارد که میتوان از آن در تمامی جا استفاده نمود یا این که در همگی جا شایسته ترین مورد میباشد .
در شرایطیکه شما طراح وبسایت باشید و قصد داشته باشید تا درساتی که دارید پیاده سازی میکنید بخشی را قرار دهید تا به یوزرها محتوایی از تارنما را سفارش دهد که احتمال کلیک بر روی آن ببیشتر باشد شما میتوانید به راحتی از یادگیری ماشین برای اینکار به کارگیری نمایید .
یادگیری ماشین در سیستم های توصیه دهنده ، تشخیص اسپم ، استحصال متن از عکس و... کاربرد دارااست .
البته در چه مواقعی نباید از یادگیری ماشین به کار گرفت ؟؟؟ هرجایی که روند آن یادگرفتنی وجود ندارد و یا این که یاددادن آن به ماشین مبتنی بر اطلاعات طاقت فرسا خیس از طراحی آن به وسیله الگوریتم هاست عالی میباشد که از یادگیری ماشین استعمال نکنید .
مثلا تصور کنید شما یک پیشرفت دهنده بازی می باشید ، برای طبیعی خیس شدن بازی شما تصمیم دارید در آن کارکتر هایی قرار دهید تا نقش عموم معمولی را بازی نمایند ، بهتر یکیاز مسائلی که عموم معمولی هرروز با آن سروکار داراهستند خط مش رفتن و درواقع مسیریابی از بین سختی ها میباشد ،
بهتر شما درین نمایش درصورتیکه قصد داشته باشید تا از یادگیری ماشین برای مسیریابی کاراکتر ها به کار گیری نمایید شما نیاز به کل موقعیت های متعدد مانع ها و مسیر عبور از آن هارا دارید تا کاراکتر شما بتواند سوای مشکل از دربین مانع ها عبور نماید .
در نمایش بالا حتی درحالتی که شما بتوانید همگی حالات متعدد را گردآوری نمائید و با وسعت بالای داده ها گردآوری گردیده هم مشکلی نداشته باشید بازهم ممکن میباشد حالتی پیش آید که از داده ها شما بیرون بوده و بازی شما با باگ مواجه خواهد شد ، درحالتی که که شما با به کار گیری از طریق ها و تکنیک های دیگر هوش تصنعی به راحتی میتوانید مسیر عبور کاراکتر را در هر موقعیتی و به طور Run Time (درجا) تشخیص داده و کاراکترتان را از آن مسیر عبور دهید
بعد از نوآوری الگوریتم های یادگیری ماشین بخش اعظمی از خطاها هوش تصنعی حل شد طراحی اپلیکیشن در مشهد ولی هنوز هم خطاها اکثری مانده بود ، از جمله حتی یادگیری ماشین هم نمی توانست محتوا و مفهموم یک متن را شعور نماید یا این که نمی توانست متوجه تعداد یک شی خاص در یک تصویر شد . از این رو جمعی از دانشمندان تصمیم گرفتند تا سبک یادگیری آدم را عمیق خیس مشابه سازی کرده و درواقع بجای طراحی سبک یادگیری آدم ها سبک مغزی آن هارا طراحی کردند و چنین بود که کانال های عصبی که یک کدام از مهم ترین پایین محموعه های یادگیری ماشین میباشد پدیدآمد .
اما این تکنیک هم اشتباهات و نقص هایی داشت رایاپارس که در پست های آجل به نظارت دقیقتر ان خوا هیم پرداخت
بضاعت ها و ناتوانی های یادگیری ماشین
یادگیری ماشین توان های اکثری داراست و به طور تقریب در تمامی حوزه ها قابل به کار گیری میباشد ، application ولی این بدان شکل وجود ندارد که میتوان از آن در تمامی جا استفاده نمود یا این که در همگی جا شایسته ترین مورد میباشد .
در شرایطیکه شما طراح وبسایت باشید و قصد داشته باشید تا درساتی که دارید پیاده سازی میکنید بخشی را قرار دهید تا به یوزرها محتوایی از تارنما را سفارش دهد که احتمال کلیک بر روی آن ببیشتر باشد شما میتوانید به راحتی از یادگیری ماشین برای اینکار به کارگیری نمایید .
یادگیری ماشین در سیستم های توصیه دهنده ، تشخیص اسپم ، استحصال متن از عکس و... کاربرد دارااست .
البته در چه مواقعی نباید از یادگیری ماشین به کار گرفت ؟؟؟ هرجایی که روند آن یادگرفتنی وجود ندارد و یا این که یاددادن آن به ماشین مبتنی بر اطلاعات طاقت فرسا خیس از طراحی آن به وسیله الگوریتم هاست عالی میباشد که از یادگیری ماشین استعمال نکنید .
مثلا تصور کنید شما یک پیشرفت دهنده بازی می باشید ، برای طبیعی خیس شدن بازی شما تصمیم دارید در آن کارکتر هایی قرار دهید تا نقش عموم معمولی را بازی نمایند ، بهتر یکیاز مسائلی که عموم معمولی هرروز با آن سروکار داراهستند خط مش رفتن و درواقع مسیریابی از بین سختی ها میباشد ،
بهتر شما درین نمایش درصورتیکه قصد داشته باشید تا از یادگیری ماشین برای مسیریابی کاراکتر ها به کار گیری نمایید شما نیاز به کل موقعیت های متعدد مانع ها و مسیر عبور از آن هارا دارید تا کاراکتر شما بتواند سوای مشکل از دربین مانع ها عبور نماید .
در نمایش بالا حتی درحالتی که شما بتوانید همگی حالات متعدد را گردآوری نمائید و با وسعت بالای داده ها گردآوری گردیده هم مشکلی نداشته باشید بازهم ممکن میباشد حالتی پیش آید که از داده ها شما بیرون بوده و بازی شما با باگ مواجه خواهد شد ، درحالتی که که شما با به کار گیری از طریق ها و تکنیک های دیگر هوش تصنعی به راحتی میتوانید مسیر عبور کاراکتر را در هر موقعیتی و به طور Run Time (درجا) تشخیص داده و کاراکترتان را از آن مسیر عبور دهید
تفاوت بین وب سایت و اپلیکیشن