آموزش جامع ماشین بردار پشتیبان (SVM) به همراه کد متلب

ماشین بردار پشتیبان (SVM) نوعی از الگوریتم های یادگیری ماشین Machine learning می باشد. الگوریتم های یادگیری ماشین اغلب به عنوان نظارت شده یا نظارت نشده، دسته بندی می شوند.الگوریتم های یادگیری ماشین تحت نظارت می توانند آنچه را که در گذشته آموخته شده است به منظور پیش بینی رویدادهای آینده با استفاده از مثال های برچسب گذاری شده برای داده های جدید اعمال کنند. با شروع فرایند تجزیه و تحلیل یک مجموعه داده‌ شناخته شده، الگوریتم یادگیری، یک تابع انتزاعی برای پیش بینی مقادیر خروجی تولید می کند. سیستم می تواند اهداف هر ورودی جدید را پس از آموزش کافی فراهم کند. الگوریتم یادگیری همچنین می تواند خروجی خود را با خروجی صحیحِ در نظر گرفته شده مقایسه کرده و به منظور تغییر مدل، خطای خود را پیدا کند.در مقابل، الگوریتم های یادگیری ماشین بدون نظارت زمانی استفاده می شود که اطلاعات مورد استفاده برای آموزش، طبقه بندی و برچسب گذاری نشده اند. در یادگیری بدون نظارت، ماشین یاد می گیرد که چگونه سیستم ها می توانند یک تابع را برای توصیف یک ساختار پنهان از داده های بدون برچسب داشته باشند. سیستم، خروجی درست را تشخیص نمی دهد.

اما این داده ها را بررسی می کند و می تواند نتیجه گیری از مجموعه داده ها را برای توصیف ساختارهای پنهان از داده های بدون برچسب به کار بگیرد.الگوریتم های یادگیری ماشین نیمه نظارتی در جایی بین یادگیری تحت نظارت و بدون نظارت قرار می گیرند، زیرا از آموزش با برچسب و بدون برچسب استفاده می کنند – معمولا مقدار کمی از داده ها برچسب گذاری شده و مقدار زیادی از داده ها، بدون برچسب هستند. سیستم هایی که از این روش استفاده می کنند، می توانند به طور قابل توجهی دقت یادگیری را بهبود دهند. معمولا، یادگیری نیمه نظارتی زمانی انتخاب می شود که داده های برچسب دار به دست آمده مستلزم منابع تخصصی و مرتبط به منظور آموزش آن / یادگیری از آن است.

در غیر این صورت، به دست آوردن داده های بدون برچسب به طور کلی نیازی به منابع اضافی ندارد. الگوریتم های یادگیری تقویتی، یک روش یادگیری است که با تولید عمل ها و کشف اشتباهات و پاداش ها با محیط خود ارتباط برقرار می کند. بازخورد آزمایشی و خطا و پاداش تاخیر بیشتر مربوط به یادگیری تقویت است. این روش به ماشینها و عوامل نرم افزاری اجازه می دهد تا به طور خودکار رفتار مطلوب را در یک زمینه خاص به منظور به حداکثر رساندن عملکرد آن تعیین کند. بازخورد پاداش ساده برای عامل به منظور این است که یاد بگیرد که بهترین عمل کدام است؛ این به عنوان تقویت کننده سیگنال شناخته شده است.یادگیری ماشین امکان تجزیه و تحلیل مقادیر عظیم داده را فراهم می کند. در حالی که عموما سریعتر و دقیق تر نتایج را برای شناسایی فرصت های سودآور یا خطرناک ارائه می دهد، ممکن است به وقت و منابع بیشتری برای آموزش درست آن نیاز باشد. ترکیب یادگیری ماشین باهوش مصنوعی  AI و فناوری های شناختی می تواند آن را حتی در پردازش حجم بیشتری از اطلاعات موثرتر واقع کند.

ماشین بردار پشتیبانی (Support vector machines – SVMs) یکی از روش‌های یادگیری بانظارت است که از آن برای طبقه‌بندی و رگرسیون استفاده می‌کنند.

این روش از جملهٔ روش‌های نسبتاً جدیدی است که در سال‌های اخیر کارایی خوبی نسبت به روش‌های قدیمی‌تر برای طبقه‌بندی از جمله شبکه‌های عصبی پرسپترون نشان داده است. مبنای کاری دسته‌بندی کننده SVM دسته‌بندی خطی داده‌ها است و در تقسیم خطی داده‌ها سعی می‌کنیم خطی را انتخاب کنیم که حاشیه اطمینان بیشتری داشته باشد. حل معادله پیدا کردن خط بهینه برای داده‌ها به وسیله روش‌های QP که روش‌های شناخته شده‌ای در حل مسائل محدودیت‌دار هستند صورت می‌گیرد. قبل از تقسیمِ خطی برای اینکه ماشین بتواند داده‌های با پیچیدگی بالا را دسته‌بندی کند داده‌ها را به وسیلهٔ تابعِ phi به فضای با ابعاد خیلی بالاتر می‌بریم. برای اینکه بتوانیم مسئله ابعاد خیلی بالا را با استفاده از این روش‌ها حل کنیم از قضیه دوگانی لاگرانژ برای تبدیلِ مسئلهٔ مینیمم‌سازی مورد نظر به فرم دوگانی آن که در آن به جای تابع پیچیدهٔ phi که ما را به فضایی با ابعاد بالا می‌برد، تابعِ ساده‌تری به نامِ تابع هسته که ضرب برداری تابع phi است ظاهر می‌شود استفاده می‌کنیم. از توابع هسته مختلفی از جمله هسته‌های نمایی، چندجمله‌ای و سیگموید می‌توان استفاده نمود.

فایل های آموزشی و نمونه کد های متلب از ماشین بردار پشتیبان در این محصول فراهم آورده شده است