یادگیری ماشین چیست؟ هر آنچه که باید بدانید!

هر ساله تعداد زیادی فیلم علمی و تخیلی ساخته می شود ولی وجه اشتراک همه انها هوش مصنوعی هست. در بررسی هوش مصنوعی به چند کلید واژه مدام برخورد میکنید: یادگیری ماشین یا ماشین لرنینگ Machine Learning یا به اختصار ML ، یادگیری عمیق یا دیپلرنینگ Deep Learning و هم چنین خود واژه هوش مصنوعی یا artificial intelligence به اختصار AI
ولی این کلمات دقیقا چه تعریف و تفاوت هایی دارند؟
در این مقاله به بررسی کلید واژه یادگیری ماشین و ابعاد اون می پردازیم.

یادگیری ماشین چیست؟
به زبان ساده یادگیری ماشین فرایندی هست که ماشین بتواند مانند انسان ( یا شبیه به آن ) ارتباط بین چیز های متفاوت را یاد بگیرد. مثلا اگر به کودک خود میگویید که زمانی که لامپ نور دارد پس روشن است. هوش مصنوعی هم با دیدن چند لامپ خاموش و روشن این مفاهیم را درک میکند ولی توجه کنید که درک ما انسان ها از روشنایی خیلی نزدیک به هم ولی متفاوت است. سطح درک و فهم هوش مصنوعی از روشنایی تا حد زیادی به حجم نمونه ای هست که برای آموزش آن مورد استفاده قرار گرفته است.
حال اهمیت یادگیری ماشین در چیست؟
خیلی ساده هست، شما مسیری را پیدا کرده اید که به یک ماشین مانند انسان آموزش دهید و بعد از مدتی میتوانید به جای انسان از هوش مصنوعی استفاده کنید. اصلا هدف اصلی از رشد و پرورش هوش مصنوعی دقیقا همین موضوع هست.در اصل ما می خواهیم به جای انکه انسان عمر خود را صرف کاری های همیشه تکرار شونده کند؛چند پله بالا بیاید و هوش مصنوعی به جای آن یا تحت نظارت آن عمل کند.

بررسی انواع یادگیری ماشین
چهار رویکرد اساسی وجود دارد: یادگیری تحت نظارت ، یادگیری بدون نظارت ، یادگیری نیمه نظارتی و یادگیری تقویتی. نوع الگوریتمی که متخصصان هوش مصنوعی برای استفاده انتخاب میکنند بستگی به نوع دادههایی دارد که میخواهند پیشبینی کنند و گاها ترکیب هوشمندانه آنها راه گشا هست.
یادگیری نظارت شده
در این نوع یادگیری ماشینی، دانشمندان داده الگوریتمهایی را با دادههای آموزشی برچسبگذاری شده ارائه میکنند و خروجی هایی که میخواهند مدل هوش مصنوعی ارزیابی و تشخیص دهد را تعریف میکنند. بدین ترتیب مدل هوش مصنوعی روی داده هایی برچسب گذاری شده و هم ورودی و هم خروجی آن مشخص شده است. آموزش میبیند.
یادگیری ماشین تحت نظارت چگونه کار می کند؟
یادگیری ماشینی نظارت شده به دانشمند داده نیاز دارد که الگوریتم را با ورودی های برچسب دار و خروجی های دلخواه آموزش دهد. الگوریتم های یادگیری نظارت شده برای کارهای زیر خوب هستند:
- طبقه بندی باینری:تقسیم داده ها به دو دسته.
- طبقه بندی چند کلاسه:انتخاب بین بیش از دو نوع پاسخ.
- مدل سازی رگرسیون:پیش بینی مقادیر پیوسته.
- Ensembling:ترکیب پیشبینیهای چندین مدل یادگیری ماشین برای تولید یک پیشبینی دقیق.
یادگیری بدون نظارت
این نوع یادگیری ماشینی شامل الگوریتم هایی است که روی داده های بدون برچسب آموزش می بینند. الگوریتم از طریق مجموعه داده ها به دنبال هر گونه ارتباط معنی دار بررسی می کند. دادههایی که الگوریتمها روی آنها آموزش میدهند و همچنین پیشبینیها یا خروجی تولید میکنند، از پیش تعیین شدهاند.
یادگیری نیمه نظارتی چگونه کار می کند؟
یادگیری نیمه نظارت شده توسط دانشمندان داده کار می کند که مقدار کمی از داده های آموزشی برچسب گذاری شده را به یک الگوریتم تغذیه می کنند. از این طریق، الگوریتم ابعاد مجموعه دادهها را میآموزد که سپس میتواند آنها را روی دادههای جدید و بدون برچسب اعمال کند. عملکرد الگوریتمها معمولاً زمانی بهبود مییابد که روی مجموعه دادههای برچسبگذاری شده آموزش ببینند. اما برچسب زدن داده ها می تواند زمان بر و پرهزینه باشد. یادگیری نیمه نظارتی بین عملکرد یادگیری تحت نظارت و کارایی یادگیری بدون نظارت فاصله می گیرد. برخی از زمینه هایی که در آن از یادگیری نیمه نظارتی استفاده می شود عبارتند از:
- ترجمه ماشینی:آموزش الگوریتم ها برای ترجمه زبان از زبان مبدا به زبان مقصد با درنظر گرفتن قواعد نگارشی و فرهنگ لغات دو زبان.
- تشخیص تقلب
- برچسبگذاری دادهها:الگوریتمهایی که روی مجموعههای داده کوچک آموزش داده شدهاند، میتوانند یاد بگیرند که برچسبهای داده را به طور خودکار به مجموعههای بزرگتر اعمال کنند.

یادگیری تقویتی
متخصصان هوش مصنوعی معمولاً از یادگیری تقویتی برای آموزش به ماشین برای تکمیل یک فرآیند چند مرحله ای استفاده می کنند که قوانین مشخصی برای آن وجود دارد. دانشمندان داده، الگوریتمی را برای تکمیل یک کار برنامه ریزی می کنند و به آن نشانه های مثبت یا منفی می دهند که چگونه کار را کامل کند. اما در بیشتر موارد، الگوریتم به تنهایی تصمیم می گیرد که چه مراحلی را در طول مسیر بردارد.
یادگیری تقویتی چگونه کار می کند؟
یادگیری تقویتی با برنامه ریزی یک الگوریتم با یک هدف مشخص و مجموعه ای از قوانین تجویز شده برای دستیابی به آن هدف کار می کند. دانشمندان داده همچنین الگوریتم را طوری برنامهریزی میکنند که به دنبال پاداشهای مثبت باشد که وقتی عملی را که برای رسیدن به هدف نهایی مفید است؛ انجام دهد. و از مجازاتها اجتناب میکند. این چرخه تا حدی تکرار می شود که اکثر فعالیت های کلیدی و مثبت برای رسیدن به هدف پیدا شود. آن زمان دیگر مدل هوش مصنوعی یادگرفته چگونه عمل کند که به هدف نهایی برسد. یادگیری تقویتی اغلب در زمینه هایی مانند:
- رباتیک:ربات ها می توانند با استفاده از این تکنیک انجام وظایف دنیای فیزیکی را بیاموزند.
- بازی های ویدیویی:از یادگیری تقویتی برای آموزش ربات ها برای انجام تعدادی بازی ویدیویی استفاده شده است.
- مدیریت منابع:با توجه به منابع محدود و یک هدف تعریف شده، یادگیری تقویتی می تواند به شرکت ها در برنامه ریزی نحوه تخصیص منابع کمک کند.

آیا هم اکنون هم از یادگیری ماشین استفاده تجاری می شود؟
امروزه یادگیری ماشین در طیف وسیعی از کاربردها استفاده می شود. شاید یکی از معروفترین نمونههای یادگیری ماشینی در عمل، موتور هوشمند گوگل است که برای یافتن همین مقاله ای که در حال مطالعه آن هستید.
شرکت متا (فیس بوک سابق ) از یادگیری ماشینی برای شخصی سازی نحوه ارائه محتوا در اینستاگرام هر عضو استفاده می کند. در پشت صحنه، متا در حال تلاش برای تقویت شناخت الگوهای رفتاری شما در اینستاگرام هست.
علاوه بر موتورهای توصیه گر، کاربردهای دیگری برای یادگیری ماشینی شامل موارد زیر است:
- مدیریت ارتباط با مشتری. نرمافزار CRM میتواند از مدلهای یادگیری ماشین برای تجزیه و تحلیل ایمیل استفاده کند و اعضای تیم فروش را ترغیب کند که ابتدا به مهمترین پیامها پاسخ دهند. سیستم های پیشرفته تر حتی می توانند پاسخ های بالقوه موثر را توصیه کنند.
- هوش تجاری. فروشندگانBI و تجزیه و تحلیل از یادگیری ماشین در نرم افزار خود برای شناسایی نقاط داده بالقوه مهم، الگوهای نقاط داده و ناهنجاری ها استفاده می کنند.
- سیستم های اطلاعات منابع انسانیسیستمهای HRIS میتوانند از مدلهای یادگیری ماشین برای فیلتر کردن برنامهها و شناسایی بهترین نامزدها برای یک موقعیت باز استفاده کنند.
- ماشین های خودران. الگوریتمهای یادگیری ماشینی حتی میتوانند این امکان را برای یکخودروی نیمهخودران فراهم کنند که یک شی نیمه قابل مشاهده را تشخیص دهد و به راننده هشدار دهد.
- دستیاران مجازیدستیارهای هوشمند معمولاً مدلهای یادگیری ماشینی تحت نظارت و بدون نظارت را برای تفسیر گفتار طبیعی و زمینه عرضه ترکیب میکنند.

آینده یادگیری ماشین چیست؟
در حالی که الگوریتمهای یادگیری ماشین برای دههها وجود داشتهاند، اما با توجه به رشد هوش مصنوعی به محبوبیت جدیدی دست یافتهاند . به ویژه مدل های یادگیری عمیق، پیشرفته ترین برنامه های کاربردی هوش مصنوعی امروزی را تقویت می کنند.
پلتفرمهای یادگیری ماشینی یکی از رقابتیترین حوزههای فناوری سازمانی هستند، با اکثر فروشندگان بزرگ، از جمله آمازون، گوگل، مایکروسافت، IBM و دیگران، برای ثبت نام مشتریان برای خدمات پلتفرمی که طیفی از فعالیتهای یادگیری ماشین را پوشش میدهند، از جمله جمعآوری دادهها، آمادهسازی دادهها رقابت میکنند ، طبقه بندی داده ها، ساخت مدل، آموزش و استقرار برنامه.
با افزایش اهمیت یادگیری ماشینی برای عملیات تجاری و کاربردی تر شدن هوش مصنوعی در تنظیمات سازمانی، جنگ پلت فرم یادگیری ماشین تشدید می شود.
تحقیقات مداوم در زمینه یادگیری عمیق و هوش مصنوعی به طور فزاینده ای بر توسعه برنامه های کاربردی عمومی تر متمرکز شده است. مدلهای هوش مصنوعی امروزی به آموزش گسترده نیاز دارند تا الگوریتمی تولید کنند که برای انجام یک کار بسیار بهینه شده باشد. اما برخی از محققان در حال بررسی راههایی برای انعطافپذیرتر کردن مدلها هستند و به دنبال تکنیکهایی هستند که به ماشین اجازه میدهد تا زمینههای آموختهشده از یک کار را به وظایف مختلف آینده اعمال کند.
تکامل یادگیری ماشین در گذر تاریخ:

1642 – بلز پاسکال ماشینی مکانیکی اختراع کرد که می تواند جمع، تفریق، ضرب و تقسیم کند.
1679 – گوتفرید ویلهلم لایب نیتس سیستم کد دودویی را ابداع کرد .
1834 – چارلز بابیج ایده یک دستگاه همه منظوره عمومی را که می تواند با کارت های پانچ شده برنامه ریزی شود را تصور کرد.
1842 – آدا لاولیس دنباله ای از عملیات را برای حل مسائل ریاضی با استفاده از دستگاه تئوری پانچ کارت چارلز بابیج توصیف کرد و اولین برنامه نویس شد.
1847 – جورج بول منطق بولی را ایجاد کرد ، شکلی از جبر که در آن همه مقادیر را می توان به مقادیر دودویی true یا false تقلیل داد.
1936 – آلن تورینگ ، منطقدان و رمزنگار انگلیسی ، ماشینی جهانی را پیشنهاد کرد که میتوانست مجموعهای از دستورالعملها را رمزگشایی و اجرا کند. اثبات منتشر شده او اساس علم کامپیوتر محسوب می شود.
1952 – آرتور ساموئل برنامهای ایجاد کرد تا به رایانه آیبیام کمک کند هرچه بیشتر بازی کند در چکرز بهتر شود.
1959 – MADALINE اولین شبکه عصبی مصنوعی است که برای یک مشکل واقعی استفاده می شود: حذف پژواک از خطوط تلفن.
1985 – شبکه عصبی مصنوعی تری سجنوفسکی و چارلز روزنبرگ به خود آموخت که چگونه 20000 کلمه را در یک هفته به درستی تلفظ کند.
1997 – دیپ بلو از IBM، گری کاسپاروف، استاد بزرگ شطرنج را شکست داد.
1999 – یک ایستگاه کاری هوشمند نمونه اولیه CAD 22000 ماموگرافی را بررسی کرد و سرطان را 52 درصد دقیقتر از رادیولوژیست ها تشخیص داد.
2006 – جفری هینتون، دانشمند کامپیوتر، اصطلاح یادگیری عمیق را برای توصیف تحقیقات شبکه عصبی اختراع کرد.
2012 – یک شبکه عصبی بدون نظارت ایجاد شده توسط گوگل یاد گرفت که گربه ها را در ویدیوهای یوتیوب با دقت 74.8 درصد تشخیص دهد.
2014 – یک ربات چت با متقاعد کردن 33 درصد از قضات انسانی که یک نوجوان اوکراینی به نام یوجین گوستمن است، آزمون تورینگ را گذراند.
2014 – AlphaGo گوگل قهرمان انسان را در Go، دشوارترین بازی رومیزی در جهان شکست داد.
2016 – LipNet، سیستم هوش مصنوعی DeepMind، کلمات لب خوان را در ویدیو با دقت 93.4 درصد شناسایی می کند.
2019 – آمازون 70 درصد از سهم بازار دستیاران مجازی در ایالات متحده را در اختیار دارد
دیدگاهتان را بنویسید