نظارت شوی، نه څارل شوی، او د تقویت زده کړه د ماشین زده کړې په برخه کې درې جلا طریقې دي. هره طریقه مختلف تخنیکونه او الګوریتمونه کاروي ترڅو مختلف ډوله ستونزې حل کړي او ځانګړي اهداف ترلاسه کړي. راځئ چې د دې تګلارو تر مینځ توپیرونه وپلټئ او د دوی ځانګړتیاو او غوښتنلیکونو جامع توضیحات وړاندې کړئ.
نظارت شوي زده کړه د ماشین زده کړې یو ډول دی چیرې چې الګوریتم د لیبل شوي ډیټا څخه زده کوي. لیبل شوي ډاټا د ان پټ مثالونو څخه جوړه ده چې د دوی ورته سم محصول یا هدف ارزښت سره جوړه شوې. د څارنې زده کړې هدف د داسې ماډل روزل دي چې کولی شي د نوي، نه لیدل شوي معلوماتو لپاره د محصول په سمه توګه وړاندوینه وکړي. د زده کړې الګوریتم د لیبل شوي ډیټا کاروي ترڅو د ان پټ ځانګړتیاو او محصول لیبلونو ترمینځ نمونې او اړیکې وټاکي. دا بیا دا پوهه عمومي کوي ترڅو د نوي، غیر لیبل شوي معلوماتو په اړه وړاندوینې وکړي. نظارت شوي زده کړې عموما په دندو کې کارول کیږي لکه طبقه بندي او راجستر.
د مثال په توګه، د ډلبندۍ په ستونزه کې، الګوریتم په ډیټا سیټ کې روزل کیږي چیرې چې د هر ډیټا نقطه د یو ځانګړي ټولګي سره لیبل شوی. الګوریتم زده کوي چې نوي، نه لیدل شوي ډیټا ټکي په یو له مخکې ټاکل شوي ټولګیو کې طبقه بندي کړي د نمونو پراساس چې د لیبل شوي مثالونو څخه یې زده کړي. د ریګریشن په ستونزه کې، الګوریتم د ان پټ ځانګړتیاوو پر بنسټ د دوامداره شمیري ارزښت وړاندوینه کول زده کوي.
له بلې خوا غیر څارل شوي زده کړه د لیبل شوي معلوماتو سره معامله کوي. د غیر څارل شوي زده کړې هدف دا دی چې د محصول لیبلونو دمخه پوهه پرته د معلوماتو دننه پټ نمونې ، جوړښتونه یا اړیکې کشف کړي. د څارل شوي زده کړې برعکس، د غیر څارل شوي زده کړې الګوریتمونه د زده کړې پروسې الرښوونې لپاره واضح هدف ارزښتونه نلري. پرځای یې، دوی په ډاټا کې د معنی نمایندګۍ یا کلسترونو موندلو تمرکز کوي. غیر څارل شوي زده کړې عموما په دندو کې کارول کیږي لکه کلستر کول، د ابعاد کمول، او د بې نظمۍ کشف.
کلستر کول د غیر څارل شوي زده کړې یو مشهور غوښتنلیک دی، چیرې چې الګوریتم ورته ډیټا ټکي د دوی د داخلي ملکیتونو پراساس یوځای کوي. د مثال په توګه، د پیرودونکو په ویش کې، د غیر څارل شوي زده کړې الګوریتم کارول کیدی شي د پیرودونکو د مختلف ګروپونو پیژندلو لپاره د دوی د پیرود چلند یا ډیموګرافیک معلوماتو پراساس.
د پیاوړتیا زده کړه یو مختلف تمثیل دی چیرې چې یو اجنټ د مجموعي انعام سیګنال اعظمي کولو لپاره د چاپیریال سره متقابل عمل زده کوي. د پیاوړتیا زده کړې کې، الګوریتم د محاکمې او تېروتنې پروسې له لارې د ګامونو اخیستلو، د چاپیریال حالت مشاهده کولو، او د انعام یا جریمې په بڼه د فیډبیک ترلاسه کولو له لارې زده کوي. موخه دا ده چې یو غوره پالیسي یا د عملونو سیټ ومومئ چې د اوږدې مودې انعام اعظمي کړي. د پیاوړتیا زده کړه معمولا په دندو کې کارول کیږي لکه د لوبې لوبې، روبوټکس، او خپلواکه سیسټمونه.
د مثال په توګه، د شطرنج په لوبه کې، د پیاوړتیا زده کړې اجنټ کولی شي د مختلف حرکتونو سپړلو، د هر حرکت د پایلو پراساس انعام یا جریمې ترلاسه کولو، او د ګټلو چانسونو د اعظمي کولو لپاره خپله ستراتیژي تنظیم کړي.
نظارت شوي زده کړه د وړاندوینې دندو لپاره د ماډل روزلو لپاره لیبل شوي ډیټا کاروي ، غیر څارل شوي زده کړه په لیبل شوي ډیټا کې نمونې او جوړښتونه کشف کوي ، او د تقویت زده کړې د چاپیریال سره د متقابل عمل له لارې زده کوي ترڅو د انعام سیګنال اعظمي کړي. هره طریقه خپل ځواک او ضعفونه لري او د مختلفو ستونزو او غوښتنلیکونو لپاره مناسبه ده.
په اړه نورې وروستۍ پوښتنې او ځوابونه EITC/AI/GCML د ګوګل بادل ماشین زده کړه:
- متن ته وینا (TTS) څه شی دی او دا څنګه د AI سره کار کوي؟
- د ماشین زده کړې کې د لوی ډیټاسیټونو سره کار کولو محدودیتونه څه دي؟
- ایا د ماشین زده کړه یو څه ډیالوژیکي مرسته کولی شي؟
- د TensorFlow د لوبې ډګر څه شی دی؟
- لوی ډیټاسیټ واقعیا څه معنی لري؟
- د الګوریتم د هایپرپرامیټرونو ځینې مثالونه څه دي؟
- د انسابل زده کړه څه ده؟
- څه که چیرې د ماشین زده کړې الګوریتم غوره نه وي او څنګه کولی شي ډاډ ترلاسه کړي چې سم انتخاب کړئ؟
- ایا د ماشین زده کړې ماډل د روزنې پرمهال څارنې ته اړتیا لري؟
- د عصبي شبکې پر بنسټ الګوریتم کې کارول شوي کلیدي پیرامیټونه کوم دي؟
نورې پوښتنې او ځوابونه په EITC/AI/GCML د ګوګل کلاوډ ماشین زده کړې کې وګورئ