یادگیری ماشین یا ماشین لرنینگ چیست و چه کاربردی دارد؟

"یادگیری ماشین" (Machin learning)  یکی از زیر شاخه های مهم هوش مصنوعی (AI) می باشد. ماشین لرنینگ به طراحی و هوشمند سازی ماشین ها می پردازد که با استفاده از تجربیات خودشان و مثال های داده شده بیاموزند.

یادگیری ماشین بر پایه چه هدفی بنا شده؟
هدف اصلی این است که توسط الگوریتم ها یک ماشین بدون نیاز به برنامه ریزی و دیکته کردن جز به جز اولیه، بتواند بیاموزد و از آموخته های خود اقدام به عمل کند. منطق این گونه سیستم ها یا ماشین ها این است که به جای برنامه نویسی ریز به ریز اطلاعات، داده های مورد نیاز به یک الگوریتم داده می شود و الگوریتم طبق داده هایی که دریافت کرده عمل می کند. ماشین لرنینگ روش های متفاوتی دارد که در ادامه به آنها می پردازیم.

 

• ماشین لرنینگ با یادگیری با نظارت (Supervised Learning - Inductive)

در این روش به یک سیستم، مجموعه ای از جفت‌های ورودی  خروجی ارائه شده و سیستم تلاش می‌کند تا تابعی از ورودی به خروجی را یاد بگیرد . در این الگوریتم روال یادگیری تا زمانی بررسی می شود که مدل ساخته شده به سطح مورد نظری از دقت در مجموعه داده های مورد آزمایش برسد.

 

• ماشین لرنینگ با یادگیری بدون نظارت (Unsupervised Learning - Inductive)

اگر یادگیری بر روی داده‌های بدون برچسب و برای یافتن الگوهای پنهان در این داده‌ها انجام شود، یادگیری بدون نظارت محسوب میشود. در این مدل داده های ورودی به سیستم ارایه می شوند ولی خروجی نهایی مثل Supervised Learning  از پیش مشخص و آماده نیست و خود سیستم باید بتواند بر اساس ساختار و الگوی داده های ورودی و روش آزمون و خطا، خروجی را ایجاد کند.
از انواع یادگیری ماشین بدون نظارت می‌توان به خوشه‌بندی، مدل پنهان مارکوف، بعضی روش‌های تشخیص ناهنجاری و برخی شبکه‌های عصبی مصنوعی اشاره کرد. در واقع در Unsupervised Learning برخلاف Supervised Learning پیشبینی یا برآورد انجام نمی شود.

 

• ماشین لرنینگ با یادگیری تقویتی (Reinforcement Learning)یا یادگیری نیمه نظارتی (Semi Supervised Learning - Inductive)

در یادگیری ماشین نیمه نظارتی  از داده‌های بدون برچسب و داده‌های برچسب‌دار به صورت هم‌زمان برای بهبود دقت یادگیری استفاده می‌شود و ماشین یاد می گیرد که تصمیم مشخصی را اتخاذ کند. روند کار در Semi    Supervised Learning  به این صورت است که ماشین همواره با استفاده از روش صحیح و خطا و کسب تجربه به دانش بیشتری دست پیدا می کند و سعی می کند دقیق ترین جواب را ارایه کند.

روش‌های یادگیری نیمه‌نظارتی را در یک دسته‌بندی کلی به دسته‌های زیر می‌توان تقسیم کرد:

• روش های مولد
• روش های مبتنی بر فرض جداسازی کم چگالی
• روش های مبتنی بر گراف

هوش مصنوعی یا Artificial Intelligent چیست؟
هوش مصنوعی شاخه ای از کامپیوتر است که هدف آن ساخت ماشین هایی هوشمند می باشد که همانند انسان ها عمل می کنند و واکنش انجام می دهند. یک عامل هوشمند، سیستمی است که با شناخت محیط اطراف خود، شانس موفقیت خود را پس از تحلیل و بررسی افزایش می‌دهد. هوش مصنوعی در آینده‌ای نه چندان دور زندگی بیشتر انسان‌ها را تحت تاثیر قرار خواهد داد.

جان مکارتی که واژه هوش مصنوعی را در سال ۱۹۵۶ استفاده کرد، آن را «دانش و مهندسی ساخت ماشین‌های هوشمند» تعریف کرده‌ است. تحقیقات انجام شده برای رسیدن به ساخت چنین ماشین‌هایی با بسیاری از رشته‌های علمی در ارتباط است، مانند علوم رایانه، بهینه‌سازی و منطق، روان‌شناسی، فلسفه، عصب‌شناسی، ، تئوری کنترل، علوم ادراکی واحتمالات.

تاریخچه یادگیری ماشین (Machine Learning)
یادگیری ماشین(machine learning)  از حوزه ی هوش مصنوعی پیشی گرفته است. در همان روزهای اولیه که هوش مصنوعی  به عنوان رشته ای علمی، معرفی شد محققانی در جستجوی این کار بودند که ماشین ها از داده ها یادگیری کنند. آنها این مسئله را با روش ها و متدهای متعددی حل کردند. این روش ها در ابتدا مدل های دیگری بودند و بعدها توسط باز طراحی های انجام شده، آمار جدید به دست آوردند.

این روال تاکید روز افزون بر روش های منطقی و دانش محور، شکافی بین AI(هوش مصنوعی) و بادگیری ماشین ایجاد کرد. سیستم ها پر شده بودند از مسائل تئوری و عملی در مورد به دست آوردن و نمایش داده ها. همین روال تا سال 1980 ادامه داشت و سیستم ها بر هوش مصنوعی پیشی گرفتند و آمار های دیگر مورد توجه نبود. روال یادگیری دانش محور در حیطه AI ادامه پیدا کرد و به برنامه نویسی منطقی منجر شد اما سیر آماری دیگر از حیطه هوش مصنوعی خارج شده بود و به سمت الگو شناسی و بازیابی اطلاعات می رفت. در همین راستا، پژوهش در زمینه شبکه های عصبی هم در همان زمان توسط AI و علوم کامپیوتر CS کمرنگ تر شد.

 

ماشین لرنینگ، پس از احیا به عنوان رشته ای مجزا، در دهه 1990 شروع به درخشش کرد. این رشته هدف خود را از دستیابی به هوش مصنوعی، به درگیری با مسائل حل پذیری که خاصیتی عملی دارند تغییر داد و تمرکز خودش را از روش های نمادینی که زیر شاخه های هوش مصنوعی بودند، به روش ها و مدل هایی که از آمار و احتمالات پیروی می کرد، انتقال داد.

یادگیری ماشین و داده کاوی معمولا از روش های یکسانی بهره می برند و با یکدیگر همپوشانی قابل توجهی دارند. با این حال ماشین لرنینگ بر پیش بینی مسائل یادگیری شده از داده های آموزش تمرکز دارد اما داده کاوی، روی کشف خواص نامعلوم در داده ها تمرکز دارد. داده کاوی از روش های یادگیری ماشین متعددی استفاده می کند اما با در نظر گرفتن اهداف متفاوت؛ از طرف دیگر یادگیری ماشین نیز از روش های داده کاوی به عنوان "یادگیری بدون نظارت" یا پیش پردازش برای بهبود دقت یادگیرنده استفاده می کند.

 

مثال‌هایی از یادگیری ماشین
مثال‌های فذاوانی برای ماشین لرنینگ وجود دارند. در اینجا چند مثال از مسائل طبقه‌بندی زده می‌شود که هدف در آن ها دسته‌بندی اشیا به مجموعه‌ای مشخص از گروه‌ها است.

• تشخیص چهره: شناسایی چهره در یک تصویر ( تشخیص اینکه آیا چهره‌ای وجود دارد یا خیر).
• فیلتر کردن  ایمیل‌ها: دسته‌بندی ایمیل‌ها در دو دسته هرزنامه و غیر هرزنامه.
• تشخیص پزشکی: تشخیص اینکه آیا بیمار به یک بیماری مبتلا است یا خیر.
• پیش‌بینی آب و هوا: پیش‌بینی اینکه برای مثال فردا برف می‌بارد یا خیر.

 

چرا به یادگیری ماشین نیاز داریم؟
یادگیری ماشین(machine learning)   یک نوع زمینه مطالعاتی در فناوری هوش مصنوعی است. انسان به کمک هوش مصنوعی موفق به ساخت ماشین‌های بهتر و هوشمند شد اما دانشمندان اوایل از انجام کارهای پیچیده‌تری که مداوم با چالش همراه بود ناتوان بودند و فقط قادر به انجام کارهای جزئی، برای مثال، پیدا کردن کوتاه‌ترین مسیر بین دو نقطه A و B بودند. پس از مدتی به این درک رسیدند که اگر نیاز به انجام کارهای بزرگتر دارند تنها راهی که ممکن است، طراحی ماشین‌هایی است که بتوانند از خودشان یاد بگیرند. مانند کودکی که از خودش می‌آموزد. بنابراین، یادگیری ماشین به‌عنوان یک توانایی جدید برای رایانه‌ها مطرح شد.