الزامات یادگیری ماشین (Machine Learning) در دامپروری هوشمند

همانگونه که می دانیم یادگیری ماشین به سه دسته تقسیم می گردد

یادگیری نظارت شده

اغلب روش‌های یادگیری ماشین از یادگیری نظارت شده استفاده می‌کنند. در یادگیری ماشین نظارت شده، سیستم تلاش می‌کند تا از نمونه‌های پیشینی بیاموزد که در اختیار آن قرار گرفته. به عبارت دیگر، در این نوع یادگیری، سیستم تلاش می‌کند تا الگوها را بر اساس مثال‌های داده شده به آن فرا بگیرد.

یادگیری نظارت نشده

در یادگیری نظارت نشده، الگوریتم باید خود به تنهایی به‌دنبال ساختارهای جالب موجود در داده‌ها باشد. به بیان ریاضی، یادگیری نظارت نشده مربوط به زمانی است که در مجموعه داده فقط متغیرهای ورودی (X) وجود داشته باشند و هیچ متغیر داده خروجی موجود نباشد. به این نوع یادگیری، نظارت نشده گفته می‌شود زیرا برخلاف یادگیری نظارت شده، هیچ پاسخ صحیح داده شده‌ای وجود ندارد و ماشین خود باید به دنبال پاسخ باشد.

یادگیری تقویتی

یک برنامه رایانه‌ای که با محیط پویا در تعامل است باید به هدف خاصی دست‌یابد (مانند بازی کردن با یک رقیب یا راندن خودرو). این برنامه بازخوردهایی را با عنوان پاداش‌ها و تنبیه‌ها فراهم و فضای مساله خود را بر همین اساس هدایت می‌کند. با استفاده از یادگیری تقویتی، ماشین می‌آموزد که تصمیمات مشخصی را در محیطی که دائم در معرض آزمون و خطا است اتخاذ کند.

در هر سه روش عنوان شده ، داده نقش مهمی را در یادگیری ایفا می کند (مرحل ۱ و۲ تصویر ) و اگر در پالایش اطلاعات  نتوانیم خطاهای موجود در اطلاعات را کشف و بررسی کنیم باعث خواهیم شد که نتایج غیر قابل استفاده گردند و یادگیری غلط و گاها پنهان بوجود آید.

از این رو برای آشنایی شما با خطاهای پنهان اطلاعات ، و پایش اطلاعات ، برخی از مواردی که باید در دیتاهای دامپروری کنترل گردند تقدیم می گردد