تاریخ بروزرسانی : 22 شهریور 1399 | تعداد بازدید : 297 | زمان خواندن مقاله : 12

ماشین لرنینگ چیست و چه کاربردهایی دارد؟

هدف اصلی این است که توسط الگوریتم‌ها یک ماشین بدون نیاز به برنامه‌ریزی و دیکته کردن جزء به جزء اولیه، بتواند بیاموزد و از آموخته‌های خود اقدام به عمل کند. منطق این گونه سیستم‌ها یا ماشین‌ها این است که به جای برنامه‌نویسی ریز به ریز اطلاعات، داده‌های مورد نیاز به یک الگوریتم داده می‌شود و الگوریتم طبق داده‌هایی که دریافت کرده عمل می‌کند. ماشین‌لرنینگ روش‌های متفاوتی دارد که در ادامه به آنها می‌پردازیم.

 

  • ماشین‌لرنینگ با یادگیری با‌نظارت (Supervised Learning - Inductive)

در این روش به یک سیستم، مجموعه‌ای 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 می‌شود که مدل ساخته شده به سطح مورد‌نظری از دقت در مجموعه داده‌های مورد آزمایش برسد.

 

  • ماشین‌لرنینگ با یادگیری بدون‌نظارت  (Unsupervised Learning - Inductive)

اگر یادگیری بر روی داده‌های بدون برچسب و برای یافتن الگوهای پنهان در این داده‌ها انجام شود، یادگیری بدون‌نظارت محسوب می‌شود. در این مدل داده‌های ورودی به سیستم ارائه می‌شوند ولی خروجی نهایی مثلSupervised Learning  از پیش مشخص و آماده نیست و خود سیستم باید بتواند بر اساس ساختار و الگوی داده‌های ورودی و روش آزمون و خطا، خروجی را ایجاد کند. از انواع یادگیری‌ماشین 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 نمی‌شود.

 

  • ماشین‌لرنینگ با یادگیری‌تقویتی (Reinforcement Learning)یا یادگیری نیمه‌نظارتی (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 می‌گیرد که تصمیم مشخصی را اتخاذ کند. روند کار درSemi Supervised Learning" " به این صورت است که ماشین همواره با استفاده از روش صحیح و خطا و کسب تجربه به دانش بیشتری دست پیدا می‌کند و سعی می‌کند دقیق ترین جواب را ارائه کند.

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

  • روش‌های مولد
  • روش‌های مبتنی بر فرض جداسازی کم چگالی
  • روش‌های مبتنی بر گراف

 

هوش‌مصنوعی یا Artificial Intelligent چیست؟

هوش‌مصنوعی شاخه‌ای از کامپیوتر است که هدف آن ساخت ماشین‌هایی هوشمند می‌باشد که همانند انسان‌ها عمل می‌کنند و واکنش انجام می‌دهند. 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 و احتمالات.

 

تاریخچه یادگیری ماشین (Machine Learning)

یادگیری ماشین(machine learning)  از حوزه‌ی هوش‌مصنوعی پیشی گرفته است. در همان روزهای اولیه که هوش مصنوعی  به عنوان رشته‌های علمی، معرفی شد محققانی در جستجوی این کار بودند که ماشین‌ها از داده‌ها یادگیری کنند. آنها این مسئله را با روشها و متدهای متعددی حل کردند. این روش‌ها در ابتدا مدل‌های دیگری بودند و بعدها توسط باز طراحی‌های انجام شده، آمار جدید به دست آوردند.

این روال تاکید روز افزون بر روش‌های منطقی و دانش محور، شکافی بین AI‌(هوش مصنوعی) و یادگیری ماشین ایجاد کرد. سیستم‌ها پر شده بودند از مسائل تئوری و عملی در مورد به دست آوردن و نمایش داده‌ها. همین روال تا سال 1980 ادامه داشت و سیستم‌ها بر هوش مصنوعی پیشی گرفتند و آمار‌های 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 هوش‌مصنوعی خارج شده بود و به سمت الگو‌شناسی و بازیابی اطلاعات می ‌رفت. در همین راستا، پژوهش در زمینه شبکه‌های عصبی هم در همان زمان توسط AI و علوم کامپیوتر CS کمرنگ‌تر شد.

 

ماشین‌لرنینگ، پس از احیاء به عنوان رشتهای مجزا، در دهه 1990 شروع به درخشش کرد. این رشته هدف خود را از دستیابی به هوش مصنوعی، به درگیری با مسائل حلپذیری که خاصیتی عملی دارند تغییر داد و تمرکز خودش را از روش‌های نمادینی که زیر شاخه‌های هوش مصنوعی بودند، به روش‌ها و مدل‌هایی که از آمار و احتمالات پیروی می کرد، انتقال داد.

یادگیری ماشین و داده‌کاوی معمولا از روشهای یکسانی بهره میبرند و با یکدیگر همپوشانی قابل توجهی دارند. با این حال ماشین لرنینگ بر پیش بینی مسائل یادگیری شده از داده‌های آموزش تمرکز دارد اما داده‌کاوی، روی کشف خواص نامعلوم در داده‌ها تمرکز دارد. داده‌کاوی از روشهای یادگیری ماشین متعددی استفاده می‌کند، اما با در نظر گرفتن اهداف متفاوت؛ از طرف دیگر یادگیری ماشین نیز از روشهای داده‌کاوی به عنوان "یادگیری بدون نظارت" یا پیش پردازش برای بهبود دقت یادگیرنده استفاده می‌کند.

تفاوت میان داده‌کاوی و یادگیری ماشین

در تعریفی کوتاه، داده‌کاوی فرایند منظم کشف الگوهای موجود در مجموعه دیتا می‌باشد. داده‌کاوی زیر مجموعه‌ای از علم تجزیه و تحلیل تجارت بوده و بر آموزش کامپیوتر متمرکز می‌باشد. همچنین نحوه شناسایی الگوها، روابط یا ناهنجاری‌های ناشناخته در مجموعه داده‌های بزرگ بوده که بعداً انسانها می‌توانند از آنها برای حل یک مشکل تجاری استفاده کنند. این فرآیند به صورتی می‌باشد که نیاز به مداخله و تصمیم گیری انسان دارد و همچنین توسط انسان با معرفی ویژگی‌های هوشمند می‌تواند عملکردی هوشمندانه داشته باشد. اما در حقیقت یادگیری ماشین، زیر مجموعه‌ای از هوش مصنوعی بوده و تمرکز آن بر آموزش کامپیوتر است. همچنین اشاره بر نحوه یادگیری تجزیه و تحلیل داده‌های بزرگ و “یادگیری” الگوهای موجود در آن (از مجموعه داده های آموزش) دارد که می‌تواند به پیشبینی داده‌های جدید کمک کند. جدا از برنامه‌نویسی اولیه و تنظیمات دقیق، رایانه به هیچ وجه برای یادگیری داده‌ها و بهبود پیشبینی‌های خود به هیچگونه مداخله انسانی نیازمند نیست. این دستگاه از آنجایی که از داده‌های بیشتر و بیشتری تغذیه می‌کند، به خودی خود هوشمند خواهد شد. در واقع، تمام موارد داده‌کاوی شامل استفاده از یادگیری‌ماشین می‌باشد، اما تمام یادگیری ماشین شامل داده‌کاوی نیست.

به عنوان مثال ممکن است شما از یادگیری ماشین برای داده‌های ترافیک اتومبیل جهت ایجاد الگوهای مربوط به نرخ تصادف استفاده کنید. اما از طرفی اگر بخواهیم در مورد اتومبیل‌هایی با رانندگی خودکار صحبت کنیم، باید به این نکته اشاره داشت که آنها کاملا مبتنی بر یادگیری ماشین بوده و درگیر هیچ نوع داده کاوی نمی‌باشند.

 

 

مثال‌هایی از یادگیری ماشین

مثال‌های فراوانی برای ماشین‌لرنینگ وجود دارند. در اینجا چند مثال از مسائل طبقه‌بندی زده می‌شود که هدف در آن ها دسته‌بندی اشیاء 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 یادگیری‌ماشین نیاز داریم؟

یادگیری‌ماشین (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.

 



توضیحاتی در مورد نویسنده این مقاله :
زهرا حاجیلو زهرا حاجیلو

زهرا حاجیلو هستم دانش آموخته ارشد معماری کامپیوتر، بیش از دو سال است که با تولید محتوای متنی، سئو و دنیای شیرین دیجیتال مارکتینگ در راستای رشد وب سایت درسمن تلاش می کنم.


نظر بدهید

نشانی ایمیل شما منتشر نخواهد شد .
برای ارسال نظر نیاز است وارد سایت شوید. در صورت نداشتن حساب کاربری عضو شوید.