د ماشين زده کړه سرچينه کتل

{{ويکيسازنه}} 
{{مصنوعي ځيرکتيا}}
{| class="sidebar sidebar-collapse nomobile sidebar-wraplinks"
! class="sidebar-title" |[[یادگیری ماشین|د ماشین زده کړه]] او<br /> [[داده‌کاوی|د مالوماتو تحلیل]]
|- class="mw-file-description" href="./پرونده:Kernel_Machine.svg"
| class="sidebar-image" style="padding:0.25em 0.25em 0.75em;" |[[پرونده:Kernel_Machine.svg|frameless]]</img>
|- class="sidebar-content"
| class="sidebar-content" |<div class="sidebar-list mw-collapsible mw-collapsed"><div class="sidebar-list-title"> مضامین</div><div class="sidebar-list-content mw-collapsible-content"><div class="hlist">
 [[طبقه‌بندی آماری|احصایوي طبقه بندي]]
 [[خوشه‌بندی|کلسترول]]
 [[تحلیل رگرسیون|د راجستریشن تحلیل]]
 [[روش تشخیص ناهنجاری|د غیر معمولي کشف کولو طریقه]]
 [[یادگیری قانون وابستگی|د انحصار قانون زده کړه]]
 [[یادگیری تقویتی|د پیاوړتیا زده کړه]]
 [[پیش بینی ساختاریافته|ساختماني وړاندوینه]]
 [[مهندسی ویژگی|فیچر انجینرۍ]]
 [[یادگیری ویژگی|فیچر زده کړه]]
 [[یادگیری ماشین برخط|آنلاین ماشین زده کړه]]
 [[یادگیری نیمه‌نظارتی|نیمه څارنه زده کړه]]
 [[یادگیری بی‌نظارت|بې څارنې زده کړه]]
 [[Learning to rank|درجه بندي زده کړه]]
 [[Grammar induction|ګرامر داخلول]] 
</div></div></div>
|- class="sidebar-list mw-collapsible mw-collapsed"
| class="sidebar-content" |<div class="sidebar-list mw-collapsible mw-collapsed"><div class="sidebar-list-title"><div style="padding:0.1em 0;line-height:1.2em;"> [[یادگیری با نظارت|د څارنې زده کړې]]<br /><br /><br /></div></div></div>
|}
'''د ماشین زده کړه''' {{بلنوم|انګلیسي=Machine learning}} یا '''ML'''  د الګوریتمونو او احصایوي ماډلونو مطالعه ده چې د کمپیوټر سیسټمونو لخوا کارول کیږي چې د واضح لارښوونو پرځای د دندو ترسره کولو لپاره نمونې او توضیحات کاروي. <ref name=":02">{{یادکرد کتاب|عنوان=The Elements of Statistical Learning: Data mining, Inference, and Prediction|نام خانوادگی=Hastie|نام=Trevor|نام خانوادگی۲=Tibshirani|نام۲=Robert|ناشر=Springer|سال=2009|شابک=978-0-387-84857-0|مکان=New York|صفحات=485–586|زبان=English}}</ref> ماشین زده کړه هغه پوهه (ساينس) ده چې کمپیوټرونه ترې د یوې ځانګړې موضوع په اړه زده کړه کوي پرته له دې چې واضح پروګرام ته اړتیا ولري. د [[مصنوعي ځيرکتیا|مصنوعي ځيرکتيا]] د فرعي سیټ په توګه، د ماشین زده کړې الګوریتمونه د نمونې ډیټا یا د روزنې ډیټا پراساس ریاضيکي ماډل رامینځته کوي ترڅو وړاندوینې وکړي یا پرته له پراخه برنامې پرېکړې وکړي.

د ماشین زده کړه په ډېرو برخو لکه انجینرۍ ، سوداګرۍ ، ژبپوهنې او طب کې کارول کيږي. <ref name=":12">{{Cite journal|last=Piryonesi|first=S. M.|last2=El-Diraby|first2=T. E.|date=2020|title=Data Analytics in Asset Management: Cost-Effective Prediction of the Pavement Condition Index|journal=Journal of Infrastructure Systems|volume=26|issue=1|doi=10.1061/(ASCE)IS.1943-555X.0000512|access-date=}}</ref> <ref name=":22">{{یادکرد کتاب|عنوان=Provost, F. , & Fawcett, T. (2013). Data Science for Business: What you need to know about data mining and data-analytic thinking. " O'Reilly Media, Inc.".|نام خانوادگی=|نام=|ناشر=|سال=|شابک=|مکان=|صفحات=}}</ref> د ماشین زده کړه د ورځني ژوند ډېرو اړخونو ته ننوتلی ده. د مثال په توګه، د انټرنیټ لټون انجنونه [[ګوګل]] یا Bing د ماشین زده کړې کاروي ځکه چې د دوی د ماشین زده کړې سافټویر پوهیږي چې څنګه وېب پاڼې ډلبندي کړي. همدا ډول [[فیسبوک|د فیسبوک]] یا [[اپل شرکت|ایپل د]] انځورونو پروګرام چې د خلکو انځورونه پېژني د ماشین زده کړې یو ډول دی. په [[برېښليک|برېښنالیک]] کې د سپیم فلټر کول هم د ماشین زده کړې یو  غوښتنليک دی.

په بل عبارت، د "ماشین زده کړې" له لارې، د کمپیوټر سیسټمونه جوړ شوي چې زده کوي چې څنګه د دوی د ترلاسه شوي مالوماتو څخه خپلې دندې ترسره کړي؛ دا د دې پر ځای چې پروګرامر او پراختیا کوونکي د کرښې په واسطه لارښوونې مشخص کړي چې کوډ شوی پروګرام باید ترسره کړي، سافټویر پخپله د کارولو وروسته خپل کوډ په خپلواکه توګه تازه کوي او د غوره پایلې ترلاسه کولو لپاره خپل کوډ ته پراختيا ورکوي. <ref>{{یادکرد وب|عنوان=پرونده{{!}} الفبای هوش مصنوعی: آشنایی با هوش مصنوعی و حیطه‌های کاربرد آن (+ عکس)|نشانی=http://gerdab.ir/fa/news/32079|وبگاه=fa|تاریخ=23 بهمن 1400|بازبینی=2023-07-01|کد زبان=fa|نام=Gerdab IR {{!}}|نام خانوادگی=پایگاه اطلاع‌رسانی فناوری گرداب}}</ref>

== موخې او هڅونې ==
د ماشین زده کړې هدف دا دی چې کمپیوټرونه او سیسټمونه په تدریجي ډول د ډیټا په زیاتوالي سره د مطلوب کار په ترسره کولو کې ډېر اغېزمن شي. د دې دندې ساحه د مطلوب مخ ډېری مثالونو لیدلو سره د خپلسري مخ پېژندنې څخه کېدی شي د انعام او مجازاتو سیګنالونو ترلاسه کولو سره [[ربات دوپا|د بایپډ روبوټ]] چلولو څرنګوالي زده کړي.

د ماشین زده کړې په برخه کې د څېړنې لړۍ پراخه ده. په تیوریکي توګه، څېړونکي د نوي زده کړې تګلارو رامینځته کولو او د دوی تګلارو لپاره د زده کړې امکانات او کیفیت مطالعه کولو لپاره هوډمن دي، او له بلې خوا، ځینې څېړونکي هڅه کوي چې د ماشین زده کړې تګلارې په نویو ستونزو کې پلي کړي. البته، دا کومه بېله تګلاره نه ده بلکې د څېړنې په دواړه تګلارو کې شتون لري. 

د ماشین زده کړه د عملیاتي لګښتونو خوندي کولو او د مالوماتو تحلیل سرعت ښه کولو کې ډېره مرسته کوي. د بېلګې په توګه ، د تېلو او پیټرو کیمیکل صنعت کې ، د ماشین زده کړې په کارولو سره ، د ټولو برمه کولو عملیاتي ډیټا اندازه کیږي او د ډیټا تحلیل کولو سره ، الګوریتمونه تنظیم شوي ترڅو په راتلونکي برمه کې ډېر موثر او غوره استخراج ولري.

== د مسلو وېش ==
[[دوتنه:Machine_learning.jpg|بټنوک| د ماشین زده کړې ننوتل او وتل]]
د ماشین زده کړې یو له عامو څانګو څخه دي چې ويښيار عامل  ته د موجوده [[ډېټا|مالوماتو]] ډول پراساس وېش دی. لاندې سناریو ته پام وکړئ:

فرض کړئ چې تاسو یوازې د سپي په څېر [[روباټ|روباوټ]] اخیستی چې د کیمرې له لارې بهرنۍ نړۍ لیدلی شي، د مایکروفون په مرسته غږونه اوري، د سپیکرونو (محدود استقبال) له لارې تاسو سره خبرې کولی شي او د هغې څلور اندامه حرکت کوي. همدارنګه د دې روبوټ په بکس کې د ریموټ کنټرول وسیله شته چې تاسو کولی شئ روباټ ته بېلابېل امرونه ورکړئ. په لاندې پراګرافونو کې، تاسو به د دې حکمونو ځینې بېلګې وپیژنئ.

لومړی کار چې تاسو یې کول غواړئ هغه دا دی چې روباټ تاسو وویني، مګر که چېرې دا یو ناپېژاند وویني نو په لوړ غږ دې وغاپي. د اوس لپاره، راځئ چې فرض کړو چې روباټ د دې غږونو د تولید توان لري، مګر تر اوسه یې ستاسو مخ نه دی پېژندلی. نو هغه څه چې تاسو یې کوئ د هغه د سترګو په وړاندې ودرېږئ او د خپل ریموټ په مرسته هغه ته امر وکړئ چې هغه مخ چې تاسې يې بايد وپېژنئ دا دی. تاسو دا د خپل مخ څو بېلابېلو زاويو او ځايونو نه د هغې مخې ته راولئ،تر هغې چې تاسو ډاډ ترلاسه کړئ چې روبوټ تاسو وپېژندئ، له دې سره په څنګ کې تاسو د خپل مخ ځينې نيمه انځورونه هم روباټ ته وسپارئ، ترڅو ستاسو د څېرې په ليدلو کې سهوه نه شي او ستاسو د نيم مخ په ليدو ونه غاپي او تاسو دقيق وپېژني، په همدې ډول تاسو څو نااشنا او ناپېژانده څېرې هم هغې ته ښيئ چې د هغې په ليدو بايد هغه وغاپي، په دې ډول تاسو کمپيوټري روباټ ته دا امر کړی دی چې څه ننوتل بايد له څه وتلو سره متصل ترسره کړي، مطلب ټول اختيارات تاسو ورکړي دي، چې دې ډول ماشيني زده کړې ته <ref>Labelled</ref> د څارنې زده کړې ویل کیږي <ref>Supervised Learning</ref> .

اوس یو بل حالت فرض کړئ. د تیر ځل برعکس کله چې تاسو خپل روبوټ ته وویل چې کوم محرک د کوم محصول سره تړاو لري، دا ځل تاسو غواړئ روبوټ پخپله دا ډول شی زده کړي. په دې توګه، که هغه تاسو وویني او وخورئ، هغه ته په یو ډول انعام ورکړئ (د بیلګې په توګه، ستاسو د ریموټ کنټرول په مرسته) او که هغه په غلطۍ سره تاسو وهي، هغه ته سزا ورکړئ (بیا بیا د خپل ریموټ کنټرول سره). په دې حالت کې، تاسو روبوټ ته نه ووایاست چې د هر حالت لپاره څه مناسب دي، مګر تاسو روبوټ ته اجازه درکوي چې سپړنه وکړي او یوازې تاسو وهڅوئ یا وروستۍ پایلې ته سزا ورکړئ. د زده کړې دې طریقې ته د پیاوړتیا زده کړه ویل کیږي <ref name="Reinforcement Learning">Reinforcement Learning</ref> .

په تیرو دوو قضیو کې، روبوټ باید ان پټ د محصول سره وصل کړي. مګر ځینې وختونه موږ یوازې غواړو چې روبوټ د دې وړتیا ولري چې وپیژندل شي هغه څه چې دا ګوري (یا اوریدلي او نور) په یو ډول د هغه څه سره تړاو لري چې مخکې یې لیدلي وي پرته لدې چې په ځانګړي ډول پوه شي چې دا څه دي یا څه باید وکړي کله چې دا وګوري. ستاسو هوښیار روبوټ باید د دې وړتیا ولري چې د څوکۍ او انسان تر مینځ توپیر وکړي پرته لدې چې موږ ورته ووایو چې دا مثالونه څوکۍ دي او دا مثالونه انسانان دي. دلته، د څارل شوي زده کړې برعکس، موخه دا نه ده چې د ننوتلو او محصول سره وصل شي، مګر یوازې د دوی طبقه بندي کول دي. دا ډول زده کړه چې د غیر څارنې زده کړې په نوم یادیږي <ref>Unsupervised Learning</ref> مهمه ده ځکه چې د روبوټ نړۍ د بې لیبل شوي معلوماتو څخه ډکه ده چې په څرګنده توګه د یوې کټګورۍ برخه ده.

بې څارنې زده کړه د ابعاد کمولو عملیات په توګه ګڼل کیدی شي <ref>Dimension Reduction</ref> .

څرنګه چې تاسو بوخت یاست، تاسو کولی شئ یوازې په ورځ کې د محدود وخت لپاره د خپل روبوټ سره لوبې وکړئ او هغه شیان وښایئ او د دوی نومونه ووایاست (لیبل یې کړئ). مګر روبوټ د ورځې په جریان کې دی او ډیر معلومات ترلاسه کوي. دلته، روبوټ کولی شي پخپله او پرته له څارنې زده کړي، او کله چې تاسو ورته لارښوونه کوئ، هڅه کولی شي د هغې شخصي تجربې وکاروي او ستاسو د روزنې څخه ډیره ګټه پورته کړي. هغه ترکیب چیرې چې هوښیار اجنټ دواړه بې لیبل شوي ډاټا او لیبل شوي ډیټا کاروي نیمه څارل شوي زده کړې ویل کیږي <ref>Semi-Supervised Learning</ref> .

== د څارنې زده کړې ==
[[دوتنه:Isat.gif|بټنوک| د مالوماتو څخه د زده کړې یو ډول]]
نظارت شوي زده کړه د ماشین زده کړې کې یو عمومي میتود دی چیرې چې سیسټم ته د ان پټ - آوټ پوټ جوړه سیټ ورکول کیږي او سیسټم هڅه کوي د ان پټ څخه تولید ته یو فنکشن زده کړي. څارل شوي زده کړه د سیسټم د روزنې لپاره ځینې ان پټ ډیټا ته اړتیا لري. د ځان څارنې زده کړه په دوو کټګوریو ویشل شوې ده: رجعت او طبقه بندي . ریګریشن هغه ستونزې دي چې یو دوامداره شمیر یا د دوامداره شمیرو لړۍ رامینځته کوي ، لکه د معلوماتو پراساس د کور قیمت وړاندوینه کول لکه ساحه ، د خوب خونه او داسې نور. د یو شخص د ناروغۍ ډول د 10 دمخه تعریف شوي ناروغیو څخه. په هرصورت، د ستونزو ټولګي شتون لري چې د څارنې زده کړې سیسټم لخوا اړین مناسب محصول شتون نلري. دا ډول ستونزې د نظارت شوي زده کړې په کارولو سره په اسانۍ سره نشي ځواب کیدی. د پیاوړتیا زده کړه د دې ډول ستونزو لپاره یوه بیلګه وړاندې کوي. د تقویه کولو زده کړې کې، سیسټم <ref name="Reinforcement Learning">Reinforcement Learning</ref> کوي د محاکمې او خطا له لارې د متحرک چاپیریال سره خپل تعاملات غوره کړي. د پیاوړتیا زده کړه یوه ستونزه ده چې د اجنټ لخوا ورسره مخ کیږي چې باید د متحرک چاپیریال سره د محاکمې او غلط تعامل له لارې خپل چلند زده کړي. د پیاوړتیا په زده کړه کې، هیڅ داخل او محصول جوړه نه چمتو کیږي. پرځای یې، د عمل کولو وروسته، راتلونکی حالت او انعام سمدلاسه اجنټ ته وړاندې کیږي. لومړنۍ موخه دا ده چې د اجنټانو پروګرامونه د مجازاتو او هڅونې په کارولو سره پرته له دې چې د دوی دندې ترسره کړي.

=== د احصایوي څارنې زده کړه ===
په احصایو کې، د تولید احتمال د ان پټ پر بنسټ محاسبه کیږي. که داخل شي <math>x</math> وي او محصول <math>y</math>, <math>p(y|x)</math> دا د معلوماتو څخه زده کیږي، په بل عبارت زده کړه په حقیقت کې د فعالیت موندنه ده <math>p</math> دی. د فعالیت موندلو لپاره دوه عمومي میتودونه <math>p</math> دلته شتون لري: تولیدي میتود او تبعیض میتود. په ساده ډول ووایو، د تشخیص میتود کې، ماشین د مختلفو ټولګیو ترمنځ سرحد زده کوي، مګر د تولید میتود کې، ماشین زده کوي چې څنګه د ورته ټولګي نمونې تولید کړي. په ریاضیاتو کې، د تشخیص میتود کې <math>p(y|x)</math> دا په مستقیم ډول زده شوي، مګر د تولید په طریقه کې لومړی <math>p(y)</math> او <math>p(x|y)</math> د معلوماتو څخه اټکل کیږي او بیا د Bayes د قاعدې په کارولو سره <math>p(y|x)</math> دا به حساب شي. <ref>{{یادکرد ژورنال|عنوان=On discriminative vs. generative classifiers: a comparison of logistic regression and naive Bayes|ژورنال=NIPS'01 Proceedings of the 14th International Conference on Neural Information Processing Systems: Natural and Synthetic|ناشر=MIT Press Cambridge|تاریخ=December 03 - 08, 2001|زبان=English|شاپا=|doi=|پیوند=https://dl.acm.org/citation.cfm?id=2980648|تاریخ دسترسی=}}</ref>

=== د څارنې زده کړې ریاضي تعریف ===
په څارل شوي زده کړه کې، د روزنې بیلګې په جوړه کې دي ( <math>x^{i},y^{i}</math> ) په کوم کې چې هره نمونه د هغه سټیکر سره ورکړل شوې او <math>i</math> د تعلیمي مثالونو په سیټ کې د هرې بیلګې شاخص <math>D</math> دی. په دې زده کړه کې موخه د فعالیت ترلاسه کول دي <math>f</math> د نه لیدل شوي ان پټ نمونو لپاره وړتیا لري <math>x</math> مناسب سټیکر بیرته راستانه کړئ لکه <math>f(x)</math> د مستقیم څیز لپاره ذره. مثال او لیبل دواړه یو ویکتور کیدی شي. که لیبل ریښتینې شمیره وي، زموږ په وړاندې ستونزه د " رجعت " په نوم یادیږي. که لیبل یو عدد وي، ستونزه د " طبقه بندی " په نوم یادیږي.

== بې څارنې زده کړه ==
'''غیر څارل شوي زده کړه''' د ماشین زده کړې کې د [[انګلیسي|زده کړې]] یو له ډولونو څخه '''دی''' . که چیرې زده کړه په غیر لیبل شوي ډیټا کې ترسره شي ترڅو پدې ډیټا کې پټ نمونې ومومي ، نو زده کړه به غیر څارل شي.  د غیر څارل شوي زده کړې ډولونو کې کلسترینګ الګوریتمونه ، د ډیریچلیټ لیټینټ تخصیص (LDA) او د کلمې سرایت کول دي.

=== د بې څارنې زده کړې یوه بېلګه ===
په نننۍ نړۍ کې د بې څارنې زده کړې ډیری مثالونه شتون لري. یو له دوی څخه ترټولو کارول شوي وړاندیزونه دي چې په ټولنیزو شبکو کې کاروونکو ته ورکول کیږي. د مثال په توګه، انسټاګرم د هر کارونکي په اړه ډیری معلومات لري، په شمول د شخصي ګټو، څوک چې دوی تعقیبوي، د دوی پیروان. د دې معلوماتو پراساس، انسټاګرم د کاروونکو ځانګړتیاوې ټاکي او کلستر یې کوي. په نهایت کې ، د هغه کلستر له مخې چې کارونکي پکې ځای په ځای شوي ، دا هغه ته ډیری وړاندیزونه ورکوي ترڅو هغه د دې ټولنیز شبکې سره ډیر ښکیل کړي. 

== د پیاوړتیا زده کړه ==
د پیاوړتیا زده کړې هدف، کوم چې د ماشین زده کړې برخه ده، دا دی چې څنګه د سافټویر اجنټان باید د چاپیریال لپاره مناسب عمل غوره کړي ترڅو د غوره انعام اعظمي کولو لپاره. د دې عموميت له امله، دا ساحه په ډیرو نورو برخو کې مطالعه کیږي، پشمول [[د لوبی نظریه|د لوبې تیوري]] ، د کنټرول تیوري، عملیاتي څیړنه ، [[د معلوماتو نظریه|د معلوماتو تیوري]] ، د سمولو پر بنسټ اصلاح، څو اجنټ سیسټمونه، ډله ایز استخبارات، احصایې، او جینیتیک الګوریتمونه. په ماشین زده کړه کې، چاپیریال عموما د مارکوف پریکړې پروسې (MDP) په توګه ښودل کیږي. ډیری پیاوړتیا زده کړې الګوریتمونه د متحرک پروګرام کولو تخنیکونه کاروي. د پیاوړتیا زده کړې الګوریتمونو کې، د پوهې پر بنسټ فرضیه د MDP دقیق ریاضيیک ماډل نه دی، او کارول کیږي کله چې دقیق ماډل شتون نلري. د تقویت زده کړې الګوریتمونه د ځان چلولو موټرو کې یا د انساني مخالفینو پروړاندې د زده کړې لوبو کې کارول کیږي.

== د وړانګو قاموس زده کړه ==
د سپارس لغت زده کړه یا سپارس لغت د زده کړې د ځانګړتیاو میتود دی چې په کې د روزنې بیلګه د اساسی دندو د خطي ترکیب په توګه وړاندې کیږي، او د سپارس میټرکس په توګه فرض کیږي. دا ستونزه د NP-هارډ ډوله ده او نږدې حل یې ستونزمن دی. د K-SVD الګوریتم د سپک لغت زده کړې لپاره یو عام هوریستیک میتود دی. د سپک لغت زده کړه په ډیری برخو کې کارول شوې. په طبقه بندي کې، ستونزه د دې معلومول دي چې کوم ټولګي چې مخکې نه لیدل شوي د روزنې نمونې پورې اړه لري. د یوه قاموس لپاره چیرې چې هر ټولګی دمخه جوړ شوی وي، د نوي ښوونې بیلګه د ټولګي سره تړاو لري چې د اړوند لغت لخوا غوره استازیتوب کیږي؛ د مثال په توګه، د سپک لغت زده کړه د عکس شور په کشف او جلا کولو کې کارول شوې. اصلي نظر دا دی چې د پاک او شور څخه پاک عکس ټوټې د عکس قاموس لخوا په جلا توګه نمایش کیدی شي، مګر د شور برخه نشي کولی.

== د ماشین زده کړې نوې طریقې ==

=== لوړ اړونده متغیر جوړوونکی ماشین (HCVCM) ===
دا الګوریتم د ریګریشن ماډلونو او مصنوعي عصبي شبکې ماډلونو ته وده ورکولو لپاره یو نوی هایبرډ ماډل دی چې د مادي پیښو او فعالیت وړاندوینې لپاره. د لوړ ارتباطي متغیر جوړونکي ماشین (HCVCM) هڅه کوي د اصلي متغیرونو پرځای نوي تغیرات رامینځته کړي چې د ماډلونو دقت په ښه کولو کې خورا مؤثره دي. دا متغیرونه د ریاضيکي افعالاتو په کارولو سره له لومړني متغیرونو څخه نوي تغیرات رامینځته کوي ، پدې ډول چې دوی د محصول سره ډیر تړاو لري او د نورو معلوماتو سره لږ تړاو لري. په HCVCM کې درې مرحلې شتون لري. لومړی، دوی د څو ریاضياتي افعالونو په کارولو سره نوي تغیرات رامینځته کوي. بیا نوي متغیرونه غوره شوي، کوم چې د لومړنیو متغیرونو په پرتله د محصول سره د لوړ ارتباط ضمیمه لري. په دریم پړاو کې، یوازې نوي متغیرونه غوره کیږي چې ارتباط یې د لومړنیو متغیرونو تر منځ د اړیکو څخه ټیټ وي. دا طریقه په 2020 کې د آیدین شیګران لخوا وړاندې شوه. <ref><nowiki>{{|نویسنده1 =آیدین شیشه گران |نویسنده2=حسام ورعی |نویسنده3=تیمون رابزویک |نویسنده4=غلامرضا شیشه گران|عنوان=High correlated variables creator machine: Prediction of the compressive strength of concreteوبگاه=|نشانی=</nowiki>https://arxiv.org/abs/2009.06421/%7Cعنوان=روش‌های<nowiki> جدید یادگیری ماشینی - دانشگاه کرونل}}</nowiki></ref>

== د ماشین زده کړې لپاره غوره برنامې ژبې ==
نن ورځ، د پروګرام کولو ژبو پراخه لړۍ له امله، هغه کسان چې د مصنوعي ځيرکتيا په دې برخه کې لیوالتیا لري مختلف ژبې کاروي. د دې ژبو څخه ډېری يې دا دي:

* پیتون
* متلب
* جاوا
* آر
* جاوا سکریپټ
* سي شارپ
* اسکالا

=== د ماشین زده کړې لپاره غوره پروګرامینګ ژبه ===
په ذهن کې ساتلو لپاره یو شی دا دی چې د AI او ماشین زده کړې لپاره هیڅ یو غوره پروګرام کولو ژبه شتون نلري. ځکه چې دا مسله په بشپړ ډول په هغه څه پورې اړه لري چې برنامه کوډ غواړي. د مثال په توګه، یو څوک یوازې غواړي د ماشین زده کړې اساسي مفکورې زده کړي. د داسې یو کس لپاره، دا کافی دی چې د پوهیدو وړ او اسانه چاپیریال سره د پروګرام کولو ژبه وکاروئ.

بل کس ممکن د ماشین زده کړې پروسې کې عکس پروسس کولو ته اړتیا ولري. پدې حالت کې، MATLAB او Python غوره انتخابونه دي. ځکه چې دوی د عکس پروسس کولو لپاره قوي کتابتونونه لري. که خلک غواړي د ماشین زده کړې پورې اړوند تیوریو ته لاړ شي او ځانګړي احصایوي میتودونه وکاروي، R به سم انتخاب وي. البته، C# ، چې پدې وروستیو کې د بلډر ماډل عامه پریزنټشن سره دې موضوع ته ننوتلی (دا دمخه په ځینو ټیکنالوژیو کې د بلډر ماډل کارولی و، لکه Bing)، یقینا په دې برخه کې د ویلو لپاره ډیر څه لري. همچنان ، د دې د کارولو سادګۍ له امله ، دا یوازې د C# ژبې په مهارت او حتی د لږ ریاضيکي پوهې سره خپل شهرت ترلاسه کوي.

== اړوندې پوښتنې ==
{{تانبه|رایانه|برنامه‌نویسی}}

* ژوره زده کړه
* د پیاوړتیا زده کړه
* د معلوماتو ساینس
* د ارتقاء الګوریتم
* [[د جنتیک الګورېتم|جینیټیک الګوریتم]]
* مصنوعي عصبي شبکه
* [[ټوليزه مصنوعي ځيرکتيا|مصنوعي استخبارات]]

== پايليک ==
{{لړسرچينې|۲}}

== سرچينې ==

* د ماشین زده کړې احصایوي کتنه او په ځانګړي توګه د ماشین زده کړې څارنه.
{{Ltr}}
* , R. , Ebrahimie, E. , Niazi, A. , Afsharifar, A. (2021). Integration of meta-analysis and supervised machine learning for pattern recognition in breast cancer using epigenetic data. Informatics in Medicine Unlocked, 100629.
{{پای}}{{Ltr}}
* Trevor Hastie, Robert Tibshirani, and Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer, 2003 (ISBN 0-387-95284-5)
* Machine Learning Thomas G. Diet Erich – Department of Computer Science – Oregon State University
{{پای}}

* د پیاوړتیا زده کړې لپاره یو ساده او روانی حواله؛ د اساساتو زده کولو لپاره مناسب:
{{Ltr}}
Richard S. Sutton and Andrew G. Barto, Reinforcement Learning: An Introduction, MIT Press, 1998 ([https://web.archive.org/web/20090904160457/http://www.cs.ualberta.ca/~sutton/book/the-book.html online version]).
{{پای}}د مالوماتو کان کیندنې اکاډمۍ

* دا کمپیکټ کتاب د ماشین زده کړې په برخه کې یو له خورا مهم کلاسیک حوالې څخه دی:
{{Ltr}}
Tom M. Mitchell, Machine Learning, McGraw-Hill Companies, Inc. , 1997. {{ISBN|0-07-042807-7|en}}
{{پای}}
[[وېشنيزه:سولگر]]
[[وېشنيزه:مصنوعي ځيرکتيا]]
[[وېشنيزه:Pages with unreviewed translations]]