همانطور که در پست قبلی اشاره شد از کاربردهای مهم یادگیری ماشین و شبکه عصبی، مطالعات اکولوژیکی می باشد.
فرض کنید هدف شما یافتن زیستگاههای مطلوبSuitable Habitat یک گونه Species جانوری یا گیاهی باشد.
برای این منظور شما به دو دسته داده نیاز خواهید داشت:
1. داده های اقلیمی مانند دما، رطوبت، بارندگی و pH و غیره
2. داده های مشاهداتی حضور یا عدم حضور آن گونه جانوری
سوال اساسی آن است که بین داده های اقلیمی و حضور یا عدم حضور آن گونه جانوری ارتباطی پیدا کنید. اگر این الگو algorithm یا پترن pattern کشف شود در آن صورت شما قادر خواهید بود تا زیستگاههای مطلوب آن جانور را در سراسر منظر خود شناسایی و تخمین بزنید.
به عبارت دیگر چون شما قادر به جمع آوری داده های حضور یا عدم حضور جانور مورد نظر در سراسر منظر خود نیستید و این کار در عمل ممکن نیست بنابراین باید از مدلسازی و شبیه سازی جهت تخمین زیستگاهای مناسب که احتمال حضور آن جانور در آن است استفاده کنید.
برای یافتن این الگو و پترن است که داده کاوی Data Mining یا همان یادگیری ماشین Machine learning به کمک شما خواهد آمد.
جهت انجام یادگیری ماشین به دو چیز نیاز است:
1. داده های خام
2. الگوریتم یادگیری
الگوریتم یادگیری همان بخشی از یادگیری ماشینی است که به شبکه عصبی مرتبط می باشد. شبکه عصبی مهمترین و قویترین ابزار جهت یادگیری ماشین می باشد.
بنابراین یادگیری ماشین به معنای یافتن پترنها و الگوها در داده های خام به کمک شبکه عصبی می باشد.
بنابراین واژه های داده کاوی data mining، شبکه عصبی neural network، یادگیری ماشین machine learning، پترن و الگو pattern and algorithm و نهایتا هوش مصنوعی artificial intelligence همگی با هم مرتبط می باشند.
پاسخ با نقل قول
