یادگیری در دنیای ماشین ها، امری ساده و تابع عوامل تعریف شده و متغیرهای محدود است؛ معماری فرایادگیری در ماشین ها راهی نو در ارتقای سرعت و دقت پردازش های رایانه ای است.

راهی نو در ارتقا سرعت و دقت پردازش‌های رایانه‌ای

دانشجوی دکترای رشته مهندسی فناوری اطلاعات در پژوهشگاه علوم و فناوری اطلاعات ایران گفت: آشنایی بیشتر ما با فرآیند یادگیری و شناخت متغیرهای آن، بهره مندی ما را افزایش می دهد.

مهدی نخعی با بیان اینکه ماشین ها همچون انسان برای انجام هر کاری باید آموزش دیده و علاوه بر آن دارای حافظه تجربی نیز باشند، افزود: ماشین ها قبل از انجام عملی نیازمند پیش پردازش، مدل سازی و پس پردازش هستند.

وی ادامه داد: به عنوان مثال وقتی ما از کارت حضور و غیاب استفاده می کنیم، به محض نزدیک کردن آن به حسگر شماره کارت خوانده می شود، بر اساس تعریفی که شده است، مشخصات ما از حافظه رایانه استخراج و به جدولی منتقل می شود، ساعت ورود، تاریخ و انواع نمادهای مختلف به آن اضافه می شود، قفل در باز شده و پس از عبور از آغاز تا پایان این عملیات در چندین مکان (فایل) ثبت می شود.

نخعی توضیح داد: داده ها و الگوریتم این عملیات ریز به ریز برای ماشین تعریف شده است و در واقع ماشین ها توانایی کاری غیر از این را ندارند.

وی با بیان این که بحث یادگیری سال 1990 وارد دنیای ماشین ها شد، افزود: به کارگیری معماری فرا یادگیری روشی نوین در کنترل و انتخاب شیوه های بهتر برای یادگیری در ماشین هاست.

نخعی ادامه داد: یادگیری ماشین ها بر اساس الگوریتم های تعریف شده از قبل و داده های متغییر ورودی است، معماری فرا یادگیری در ماشین ها به معنای ماورا و سطح بالاتری از یادگیری نیست، بلکه هوشمند سازی انتخاب خودکار بهترین شیوه (الگوریتم) و بر اساس ویژگی های داده ها توسط خود ماشین است.

وی تاکید کرد: کاربرد این روش بر اساس ویژگی های داده ها است، در ابتدا با توجه به ویژگی داده ها ماشین از بین الگوریتم های موجود مناسب ترین را برای پردازش انتخاب می کند.

این محقق داده ها و اطلاعات ورودی به ماشین ها را دارای ویژگی های خاص منحصر به فرد دانست و گفت: چون معماری فرا یادگیری ماشین بر پایه یک سری از ویژگی ها و خصوصیات داده ها بنا شده است، در این روش نیازمند شناسایی دقیق ویژگی های مجموعه داده هایی هستیم که پردازش خواهند شد.

دانشجوی دکترای مهندسی فناوری داده ها اظهار کرد: توجه به فرا ویژگی داده ها در کنار انتخاب الگوریتم یکی از پایه های بحث معماری فرا یادگیری در ماشین هاست که جریان کاری یا پردازش را ایجاد می کند.

نخعی افزود: در این روش ویژگی های مشترک داده ها شناسایی و با روش ارزیابی، بهترین الگوریتم برای پردازش اطلاعات انتخاب می شود، انجام خودکار ارزیابی الگوریتم و شناسایی ویژگی های براساس متغییرهای دریافتی اساس کار معماری فرا یادگیری در ماشین هاست.

بوی تصریح کرد: اهمیت سرعت و دقت پردازش در داده های آماری کم شمار مهم و محسوس نیست، اهمیت این شیوه جدید زمانی است که داده های آماری در محدوده چند ده میلیونی تعریف شده باشند.

منبع: ایرنا