روشی جدید در سرعت و دقت پردازش‌ها
به گزارش واحد فناوری اطلاعات سایبربان؛ یادگیری در دنیای ماشین‌ها، امری ساده و تابع عوامل تعریف‌شده و متغیرهای محدود است؛ معماری فرا یادگیری در ماشین‌ها راهی نو در ارتقای سرعت و دقت پردازش‌های رایانه‌ای است.
دانشجوی دکترای رشته مهندسی فناوری اطلاعات در پژوهشگاه علوم و فناوری اطلاعات ایران گفت: آشنایی بیشتر ما با فرآیند یادگیری و شناخت متغیرهای آن، بهره‌مندی ما را افزایش می‌دهد.
مهدی نخعی بابیان اینکه ماشین‌ها همچون انسان برای انجام هر کاری باید آموزش‌دیده و علاوه بر آن دارای حافظه تجربی نیز باشند، افزود: ماشین‌ها قبل از انجام عملی نیازمند پیش‌پردازش، مدل‌سازی و پس پردازش هستند.
وی ادامه داد: به‌عنوان‌مثال وقتی ما از کارت حضوروغیاب استفاده می‌کنیم، به‌محض نزدیک کردن آن به حسگر شماره کارت خوانده می‌شود، بر اساس تعریفی که شده است، مشخصات ما از حافظه رایانه استخراج و به جدولی منتقل می‌شود، ساعت ورود، تاریخ و انواع نمادهای مختلف به آن اضافه می‌شود، قفل درباز شده و پس از عبور از آغاز تا پایان این عملیات در چندین مکان (فایل) ثبت می‌شود.
نخعی توضیح داد: داده‌ها و الگوریتم این عملیات ریزبه‌ریز برای ماشین تعریف‌شده است و درواقع ماشین‌ها توانایی کاری غیرازاین را ندارند.
وی بابیان اینکه بحث یادگیری سال 1990 وارد دنیای ماشین‌ها شد، افزود: به‌کارگیری معماری فرا یادگیری روشی نوین در کنترل و انتخاب شیوه‌های بهتر برای یادگیری در ماشین‌ها است.
نخعی ادامه داد: یادگیری ماشین‌ها بر اساس الگوریتم‌های تعریف‌شده از قبل و داده‌های متغیر ورودی است، معماری فرا یادگیری در ماشین‌ها به معنای ماورا و سطح بالاتری از یادگیری نیست، بلکه هوشمند سازی انتخاب خودکار بهترین شیوه (الگوریتم) و بر اساس ویژگی‌های داده‌ها توسط خود ماشین است.
وی تأکید کرد: کاربرد این روش بر اساس ویژگی‌های داده‌ها است، در ابتدا با توجه به ویژگی داده‌ها ماشین از بین الگوریتم‌های موجود مناسب‌ترین را برای پردازش انتخاب می‌کند.
این محقق داده‌ها و اطلاعات ورودی به ماشین‌ها را دارای ویژگی‌های خاص منحصربه‌فرد دانست و گفت: چون معماری فرا یادگیری ماشین بر پایه‌یک سری از ویژگی‌ها و خصوصیات داده‌ها بناشده است، در این روش نیازمند شناسایی دقیق ویژگی‌های مجموعه داده‌هایی هستیم که پردازش خواهند شد.
دانشجوی دکترای مهندسی فناوری داده‌ها اظهار کرد: توجه به فرا ویژگی داده‌ها در کنار انتخاب الگوریتم یکی از پایه‌های بحث معماری فرا یادگیری در ماشین‌هاست که جریان کاری یا پردازش را ایجاد می‌کند.
نخعی افزود: در این روش ویژگی‌های مشترک داده‌ها شناسایی و با روش ارزیابی، بهترین الگوریتم برای پردازش اطلاعات انتخاب می‌شود، انجام خودکار ارزیابی الگوریتم و شناسایی ویژگی‌های بر اساس متغیرهای دریافتی اساس کار معماری فرا یادگیری در ماشین‌ها است.
بوی تصریح کرد: اهمیت سرعت و دقت پردازش در داده‌های آماری کم شمار مهم و محسوس نیست، اهمیت این شیوه جدید زمانی است که داده‌های آماری در محدوده چند ده‌میلیونی تعریف‌شده باشند.
