یادگیری ماشینی (ML) نوعی هوش مصنوعی (AI) است که بر ساختن سیستم‌های کامپیوتری متمرکز است که از داده‌ها یاد می‌گیرند. طیف وسیعی از تکنیک هایی که ML در بر می گیرد، برنامه های کاربردی نرم افزار را قادر می سازد تا عملکرد خود را در طول زمان بهبود بخشند.

الگوریتم های یادگیری ماشین برای یافتن روابط و الگوها در داده ها آموزش داده شده اند. آن‌ها از داده‌های تاریخی به‌عنوان ورودی برای پیش‌بینی، طبقه‌بندی اطلاعات، خوشه‌بندی نقاط داده، کاهش ابعاد و حتی کمک به تولید محتوای جدید استفاده می‌کنند

 در حالی که یادگیری ماشین ابزار قدرتمندی برای حل مشکلات، بهبود عملیات تجاری و خودکارسازی وظایف است، همچنین یک فناوری پیچیده و چالش برانگیز است که به تخصص عمیق و منابع قابل توجهی نیاز دارد. انتخاب الگوریتم مناسب برای یک کار مستلزم درک قوی از ریاضیات و آمار است. آموزش الگوریتم های یادگیری ماشینی اغلب شامل مقادیر زیادی داده با کیفیت خوب برای تولید نتایج دقیق است. درک نتایج به خودی خود دشوار است - به ویژه نتایج حاصل از الگوریتم های پیچیده، مانند شبکه های عصبی یادگیری عمیق که بر اساس مغز انسان الگوبرداری شده اند. و اجرای و تنظیم مدل های ML می تواند پرهزینه باشد.

با این حال،بیشتر سازمان ها به طور مستقیم یا غیرمستقیم از  محصولات  یادگیری ماشین استقبال می کنند. بر اساس "گزارش شرکت Rackspace technologyکه درباره تحقیقاتی درمورد  هوش مصنوعی و یادگیری ماشین که درسال 2023" انجام شده است ، (72٪) از شرکت های مورد بررسی گفتند که هوش مصنوعی و یادگیری ماشین بخشی از فناوری اطلاعات و کسب و کار آنهاست و (69٪)AI/ML را به عنوان مهمترین فناوری توصیف کردند. (67٪)شرکت هایی که آن را پذیرفته اند گزارش کرده اند که از آن برای بهبود فرآیندهای موجود,و (60٪)برای پیش بینی عملکرد تجاری و روند صنعت  و(53٪)برای کاهش ریسک  استفاده می کنند.

 انواع مختلف یادگیری ماشینی چیست؟
یادگیری ماشینی مرسوم اغلب بر اساس نحوه یادگیری الگوریتم در پیش‌بینی دقیق‌تر طبقه‌بندی می‌شود. چهار نوع اساسی یادگیری ماشین وجود دارد: یادگیری  نظارتی، یادگیری بدون نظارت، یادگیری نیمه نظارتی و یادگیری تقویتی.

نوع الگوریتمی که دانشمندان داده انتخاب می کنند به ماهیت داده ها بستگی دارد. بسیاری از الگوریتم‌ها و تکنیک‌ها فقط به یکی از انواع اولیه ML که در اینجا فهرست شده است محدود نمی‌شوند. بسته به مشکلی که باید حل شود و مجموعه داده ها، اغلب با انواع مختلفی سازگار می شوند. به عنوان مثال، الگوریتم‌های یادگیری عمیق مانند شبکه‌های عصبی کانولوشن و شبکه‌های عصبی تکراری در وظایف یادگیری تحت نظارت، بدون نظارت و تقویتی بر اساس مشکل خاص و در دسترس بودن داده‌ها استفاده می‌شوند

الگوریتم یادگیری ماشین

در طرح ماشین الگوریتم‌های زیادی وجود دارد که در اینجا لیستی از الگوریتم‌های رایج ماشین‌های ارائه شده است. این الگوریتم‌ها را می‌توان تقریباً برای هر مشکلی که در این زمینه مطرح کرد: