tsta

Home / دومین کنفرانس ملی عصر انفجار تکنولوژی؛ هوش مصنوعی، تحولی در صنعت، تجارت و زنجیره تامین و دومین کنفرانس ملی علم داده در کاربردهای مهندسی

تحلیل مقایسه‌ای الگوریتم‌های یادگیری ماشین در تحلیل داده‌ها: دسته‌بندی، کاربردها و چالش‌ها

Authors :

کیانا سادات تقوی¹ آزیتا شیرازی پور² سید جواد میر عابدینی³

1- دانشگاه آزاد تهران مرکز 2- دانشگاه آزاد تهران مرکز 3- دانشگاه آزاد تهران مرکز

Keywords :

یادگیری ماشین،تحلیل داده،الگوریتم طبقه بندی،داده های بزرگ،هوش مصنوعی

Abstract :

با رشد فزاینده‌ی داده‌های دیجیتال در حوزه‌هایی چون سلامت، مالی، صنعت، کشاورزی و آموزش، الگوریتم‌های یادگیری ماشین (ML) به عنوان ابزاری کلیدی در تحلیل، پیش‌بینی و تصمیم‌سازی هوشمند مطرح شده‌اند. این مقاله با رویکردی مروری و تحلیلی، به بررسی و دسته‌بندی الگوریتم‌های یادگیری ماشین در پنج گروه اصلی شامل یادگیری نظارتی، بدون نظارت، نیمه‌نظارتی، تقویتی و ترکیبی می‌پردازد. سپس، با مرور مطالعات اخیر از سال 2021 تا 2025، عملکرد این الگوریتم‌ها در حوزه‌های کاربردی مختلف تحلیل می‌شود. یافته‌ها نشان می‌دهد که انتخاب الگوریتم مناسب به نوع داده، هدف تحلیل و شرایط اجرایی وابسته است؛ به‌طوری‌که مدل‌های عمیق مانند CNN و BERT در تحلیل تصاویر پزشکی و داده‌های متنی عملکرد بهتری دارند، در حالی‌که مدل‌های کلاسیکی مانند درخت تصمیم و رگرسیون لجستیک در داده‌های ساختاریافته با حجم پایین مؤثرترند. همچنین، چالش‌هایی نظیر داده‌های نامتوازن، تفسیرناپذیری مدل‌ها، و هزینه‌های محاسباتی بالا، از جمله موانع توسعه‌ی این الگوریتم‌ها هستند. در پایان، پیشنهاداتی برای پژوهش‌های آتی شامل توسعه الگوریتم‌های تفسیرپذیر، یادگیری تطبیقی، استفاده از AutoML و ترکیب یادگیری ماشین با فناوری‌هایی چون اینترنت اشیا و یادگیری فازی ارائه شده است. این مقاله تلاش دارد تصویری روشن از ظرفیت‌ها، محدودیت‌ها و مسیرهای آینده الگوریتم‌های یادگیری ماشین در تحلیل داده‌ها ترسیم کند.