بررسی روشهای یادگیری ماشین در پیش بینی کیفیت شراب

در دنیای امروز، فناوری های نوین به سرعت در حال تغییر و تحول زندگی انسان ها هستند و هوش مصنوعی (AI) به عنوان یکی از پیشرفته ترین حوزه های علمی، نقش برجسته ای در توسعه این فناوری ها ایفا می کند. هوش مصنوعی با فراهم کردن قابلیت هایی مانند تصمیم گیری، یادگیری و خلاقیت در ماشین ها، ابزارهای قدرتمندی را برای حل مسائل پیچیده ارائه می دهد. یکی از زیرشاخه های مهم آن، یادگیری ماشین (Machine Learning - ML) است که بدون نیاز به برنامه نویسی صریح، از طریق یادگیری الگوها در داده ها، سیستم ها را قادر به پیش بینی و تصمیم گیری می کند. این مقاله به مرور مبانی هوش مصنوعی و انواع آن شامل هوش مصنوعی ضعیف (Narrow AI)، هوش مصنوعی عام (General AI) و هوش مصنوعی فوق العاده (Superintelligent AI) می پردازد و سپس انواع روش های یادگیری ماشین شامل نظارت شده، بدون نظارت، نیمه نظارت شده و تقویتی را شرح می دهد. همچنین منابع معتبری در این حوزه معرفی شده اند که شامل کتب و مقالات بنیان گذاران و متخصصان معروفی چون Russell & Norvig، McCarthy، Alpaydin، Mitchell، Bishop و Sutton می شود. این منابع به عنوان مراجعی جامع و منظم، دانشجویان و پژوهشگران را در درک عمیق تر این حوزه یاری می رسانند. در بخش عملی این تحقیق، روش های مختلف یادگیری ماشین به منظور پیش بینی کیفیت شراب قرمز با استفاده از مجموعه داده Wine Quality Dataset از مخزن UCI اعمال شده اند. این مجموعه شامل ۲۹۱۱ نمونه شراب قرمز با ۲۰ ویژگی شیمیایی است که شامل اسید ثابت، اسید فرار، قند باقی مانده، چگالی، pH، درصد الکل و غیره است. هدف، دسته بندی شراب ها بر اساس نمره کیفیت (۲ تا ۱) به سه دسته "عالی"، "متوسط" و "پایین" است. برای مقایسه عملکرد مدل ها، از معیارهای دقت، Precision، Recall و F۲ Score استفاده شده است. روش های مورد استفاده عبارتند از: روش درخت تصمیم (Decision Tree)، روش ماشین بردار پشتیبان (SVM)، روش نزدیک ترین همسایه (KNN)، روش شبکه عصبی مصنوعی (ANN)، روش دسته بندی بیز ساده (Naive Bayes). نتایج آزمایش ها نشان داد که شبکه عصبی مصنوعی (ANN) با دقت بالای ۱۲% و بهترین F۲ Score، بهترین عملکرد را در پیش بینی کیفیت شراب دارد. همچنین ماشین بردار پشتیبان (SVM) تعادل خوبی بین دقت و قابلیت تفسیر داشته و بیز ساده به عنوان ساده ترین و سریع ترین روش شناسایی می شود. در نهایت، نتیجه گیری این تحقیق حاکی از آن است که استفاده از روش های یادگیری ماشین به طور موثری می تواند در پیش بینی کیفیت شراب قرمز مورد استفاده قرار گیرد. این رویکرد می تواند به صنایع مواد غذایی و نوشیدنی ها در بهبود کیفیت محصولات، کاهش هزینه های تست آزمایشگاهی و افزایش دقت در تشخیص کیفیت محصولات کمک کند.

کلیدواژه ها:

هوش مصنوعی ، یادگیری ماشین ، شبکه عصبی مصنوعی