یکی از الگوهای مهم آموزشی در امر هوش مصنوعی در آموزش اشاره به الگوی یادگیری ماشین[1] دارد. بسیاری از مردم در مورد یادگیری ماشین از طریق مثالهایی مانند اتومبیلهای خودران توصیه های آنلاین آمازون یا نت‌فلیکس[2]، دستیارهای دیجیتالی کنترل صدا روی تلفنهای همراه و فیلترهای هرزنامه شنیده اند به طور گسترده تر، کاربردهای یادگیری ماشین در اکثر زمینه‌های بشری از جمله کشاورزی (لیاکوس و همکاران،۲۰۱۸) صنعت انرژی (چنگ و یو ۲۰۱۹)، تجارت الکترونیک ژانگ و همکاران (۲۰۱۸) تشخیص خطا گسترده و در حال افزایش است و تشخیص در اکثر انواع ماشین آلات ژائو و همکاران (۲۰۱۹) و مراقبتهای بهداشتی فاوست و همکاران (۲۰۱۸). به همین ترتیب، در آموزش یادگیری ماشینی در حال گسترش است و برای بهبود طراحی برنامه درسی (بال و همکاران، ۲۰۱۹ پیش بینی نمرات دانش آموزان (لایوریس و همکاران (۲۰۱۹ و توصیه دوره های آموزش عالی به دانش آموزان استفاده شده است (عبید و همکاران. ۲۰۱۸).

الگوریتمهای یادگیری ماشین عمدتا در دو نوع نظارت شده و نظارت نشده دسته بندی می شوند:

• الگوریتم یادگیری ماشین نظارت شده میتواند از آن چه که در گذشته آموخته اند و همچنین داده های جدید برچسب گذاری شده برای پیش بینی آینده استفاده کند این کار از آنالیز مجموعه داده های آموزشی شروع می شود، الگوریتم یادگیری یک عملکرد استنباطی تولید می کند تا پیش بینی های مربوط به مقادیر خروجی را انجام دهد. این نوع سیستم قادر است پس از آموزشهای کافی برای هر داده جدیدی هدف مشخص کند. این الگوریتم یادگیری همچنین میتواند خروجی اش را با خروجی درست و از قبل تعیین شده مقایسه کند و خطاهای موجود را بیابد تا بر اساس آن مدل را اصلاح کند. در مقابل، زمانی از الگوریتمهای یادگیری ماشین بدون نظارت استفاده می شود که اطلاعات مورد نیاز برای آموزش نه طبقه بندی شده باشد و نه برچسب زده باشد.
• یادگیری بدون نظارت چگونگی اینکه سیستم می تواند توصیف ساختار پنهان از دادههای بدون برچسب استنباط ،کنند مطالعه می کند. این نوع سیستم خروجی مناسب را مشخص نمیکند و تنها میتواند داده ها را کاوش کند و از داده های برچسب زده نشده ساختارهای پنهان را استنتاج می کنند.
• الگوریتم یادگیری ماشین نیمه نظارت شده بین دو نوع قبلی قرار دارد این سیستم از هر دو نوع داده برچسب زده شده و برچسب نزده شده برای آموزش استفاده. کند سیستمهایی که از این روش استفاده می کنند، می توانند دقت یادگیری را تا میزان قابل توجهی بهبود ببخشند. معمولا زمانی این نوع یادگیری را انتخاب می کنیم که داده های برچسب زده شده بدست آمده نیاز به منابع ماهر و مرتبط برای آموزش و یادگیری دارند. در غیر این صورت دستیابی به داده های دارای برچسب معمولاً نیازی به منابع اضافی ندارد.
• الگوریتم های یادگیری ماشین تقویت کننده روشی هستند که به وسیله اقدامات با محیط خود در تعامل هستند و خطاها و پاداشها را کشف میکنند. آزمایش جست و جوی خطاها و پاداشهای تاخیری مهمترین ویژگی های یادگیری تقویتی هستند. این نوع یادگیری به ماشینها و عوامل نرم افزار اجازه میدهد تا به طور خودکار برای به حداکثر رساندن عملکرد خود رفتار ایده آل خود را مشخص کنند. این سیستم از بازخورد پاداش ساده استفاده میکند تا ببیند کدام عمل بهتر بهتر است و این امر به عنوان سیگنال تقویت شناخته شده است.

[1] Machine learning pattern

[2] Netflix

8-2- یادگیری ماشین.. 4

۱-8-۲- تاریخچه یادگیری ماشین.. 5

2-8-2- مهمترین اثرات بکارگیری الگوی یادگیری ماشین در تدریس و آموزش... 6

3-8-2-الگوی یادگیری ماشین در مقایسه با دیگر سطح الگوی یادگیری بر مبنای هوش مصنوعی.. 7

4-8-2-الگوریتم ها و روش‌های یادگیری ماشین.. 7

5-8-2- چالش‌های مربوط به یادگیری ماشین.. 8

9-2-پیشینه تحقیق. 9

1-9-2-پیشینه تحقیق داخلی.. 9

2-9-2-پیشینه تحقیق خارجی.. 9

منابع……  12

ظفری, مصطفی, اسماعیلی, علی, & صادقی نیارکی, ابوالقاسم. (1400). مروری بر کاربرد های هوش مصنوعی و واقعیت مجازی در آموزش. مطالعات اندازه گیری و ارزشیابی آموزشی, 11(36), 71-92.

ترابی، یاسر و حبی، پگاه و کرامت طلاتپه، سمیرا و قربانزاده، پرویز،1401،ضرورت آموزش یادگیری ماشین در دانشکده های پزشکی و پیراپزشکی،پنجمین کنفرانس ملی فناوری های نوین در مهندسی برق و کامپیوتر،اصفهان،

Andre Gloria, Pedro Sebastião,(2019) "Temperature Distribution Analyses with Wireless Sensor Networks and Machine Learning", Sensing and Instrumentation in IoT Era (ISSI) 2019 International Conference on, pp. 1-6.

Lykourentzou, I., Giannoukos, I., Nikolopoulos, V., Mpardis, G., & Loumos, V. (2009). Dropout prediction in e-learning courses through the combination of machine learning techniques. Computers & Education, 53(3), 950-965.

Ralston, K., Chen, Y., Isah, H., & Zulkernine, F. (2019, December). A Voice Interactive Multilingual Student Support System using IBM Watson. In 2019 18th IEEE International Conference On Machine Learning And Applications (ICMLA) (pp. 1924-1929). IEEE

Wang, W., & Siau, K. (2019). Artificial intelligence, machine learning, automation, robotics, future of work and future of humanity: a review and research agenda. J. Database Manag., 30(1), 61e79.

Zhang, Z., & Zhang, Y. (2022). Research on effective strategies of college physical education interactive teaching based on machine learning. Applied Bionics and Biomechanics, 2022