یادگیری ماشین Machine learning

مقدمه ای بر یادگیری ماشین Machine learning :

قبل از مطالعه این مقاله، پیشنهاد میکنیم مقاله هوش مصنوعی چیست به زبان ساده را مطالعه کنید. یادگیری ماشین Machine learning زیرمجموعه ­ای از هوش مصنوعی (AI) است که به سیستم توانایی یادگیری خودکار و بهبود تجربه بدون برنامه ریزی صریح گفته می­شود. یادگیری ماشین بر توسعه برنامه­ های رایانه ­ای متمرکز است که می­تواند به داده ­ها دسترسی داشته و از آنها برای یادگیری خود استفاده کنند. فرآیند یادگیری برای یک ماشین با مشاهدات یا داده ­ها مانند مثال­ ها، تجربه مستقیم یا دستورالعمل ­ها آغاز می­شود تا براساس الگوهایی که به ماشین داده می­شود، به دنبال الگوهای نهفته در داده ­ها بگردد و در آینده تصمیمات بهتری بگیرد.

هدف اصلی این است که به کامپیوترها اجازه داده شود بدون دخالت یا کمک انسان به طور خودکار یاد بگیرند و اقدامات را بر اساس آن تنظیم کنند. این قابلیت هوشمند سازی ماشین­ها بسیار کاربردی است و یادگیری ماشین در بسیاری زمینه‌ها از جمله مهندسی، کسب و کار، زبان‌شناسی و پزشکی کاربرد دارد.

یادگیری ماشین

از مهم­ترین  اهداف یادگیری ماشین Machine learning درک  و شناخت ساختار دیتا و سپس قرار دادن دیتا در مدل‌هایی است که برای سیستم طراحی شده است. به طور کلی می­توان گفت اگر سیستمی با دریافت اطلاعات و داده از محیط اطراف توانایی بهبود عملکرد خود را داشته باشد می­گوییم یادگیری توسط آن سیستم صورت گرفته و سیستم به صورت خودکار توانایی حل مسئله و تصمیم­گیری (Decision Making) را دارد.

الگوریتم­ های رایج محاسباتی شامل یک سری الگوریتم ­هایی هستند که به صورت چرخه­ ای و بدون هیچ­گونه تغییر و بهبودی در روند انجام الگوریتم اجرا می­شوند. ولی مهم­ترین توانایی الگوریتم ­های سیستم­ های یادگیر بهبود شرایط است و یکی دیگر از مزایای یادگیری ماشین پذیرفتن داده­ های مختلف از انواع داده ­ی ساختاریافته و یا بدون ساختار است؛ از همین رو یادگیری ماشین این امکان را برای کامپیوترها فراهم می‌کند تا پس از دریافت دیتای نمونه و مدل‌سازی آن به صورت خودکار  در مورد داده‌های ورودی جدید تصمیم بگیرد.

انواع الگوریتم ­های یادگیری ماشین

روش­ های یادگیری ماشین یا الگوریتم یادگیری ماشین به 4 دسته تقسیم می­شوند که در ادامه به بررسی آن می­پردازیم.

1- الگوریتم ­های یادگیری ماشین تحت نظارت

در این نوع الگوریتم یادگیری ماشین، دانشمندان داده، داده ­های آموزشی با برچسب را به الگوریتم ­ها ارائه می­دهند و متغیرهایی را که می­خواهند الگوریتم را ارزیابی کنند، برای همبستگی تعریف می­کنند. هر دو ورودی و خروجی الگوریتم مشخص شده است. الگوریتم یادگیری همچنین می­تواند خروجی خود را با خروجی صحیح، در نظر گرفته شده مقایسه کرده و خطاهایی را پیدا کند تا بتواند بر این اساس مدل را اصلاح کند. الگوریتم­های یادگیری با ناظر به دو دسته رگرسیون و کلاسبندی تقسیم می­شوند.

2- الگوریتم­ های یادگیری ماشین بدون نظارت:

این نوع الگوریتم یادگیری ماشین شامل الگوریتم­ هایی است که روی داده­ های بدون برچسب آموزش می­بینند. الگوریتم از طریق مجموعه داده­ هایی که دریافت می­کند، به دنبال هر گونه ارتباط معنی­داری بین داده­ ها  است. در این نوع از الگوریتم­ ها اطلاعات مورد استفاده برای آموزش نه طبقه ­بندی شده و نه دارای برچسب هستند. این سیستم خروجی صحیح را کشف نمی­کند، اما داده­ ها را کاوش می­کند و می­تواند از مجموعه داده­ ها استنباط کند تا ساختارهای پنهان داده­ های بدون برچسب را توصیف کند.

3- الگوریتم ­­های یادگیری ماشین نیمه نظارتی:

الگوریتم­ های یادگیری ماشین نیمه نظارت شده در جایی بین یادگیری نظارت شده و بدون نظارت قرار می­گیرند، زیرا آنها از داده ­های برچسب­ دار و غیر برچسب برای آموزش استفاده می­کنند. به طور معمول مقدار کمی از داده­ های دارای برچسب و مقدار زیادی از داده ­های بدون برچسب هستند. سیستم­ هایی که از این روش استفاده می­کنند­، می­توانند به میزان قابل توجهی دقت یادگیری را بهبود بخشند.

4- الگوریتم­ های یادگیری تقویتی:

الگوریتم­ های یادگیری تقویتی یک روش یادگیری است که با تولید اقدامات با محیط خود ارتباط برقرار می­کند و خطاها یا پاداش ­ها را کشف می­کند و بر اساس این خطاها یا پاداش ­ها به هدف خود می­رسد. جستجوی آزمایش خطا و تأخیر در پاداش، مهم ترین ویژگی یادگیری تقویتی است. این روش به دستگاه ها و عوامل نرم افزاری اجازه می­دهد تا رفتار ایده آل را در یک زمینه خاص به طور خودکار تعیین کنند تا عملکرد آن به حداکثر برسد. بازخورد پاداش ساده برای نماینده لازم است تا یاد بگیرد کدام اقدام بهتر است، این به عنوان سیگنال تقویت کننده شناخته می­شود.

 کاربردهای یادگیری ماشین

یادگیری ماشین Machine learning بسیار پرکاربرد است و در زمینه ­های مختلف به جهت اسان­ تر کردن شرایط برای انسان بکار می­رود. در ادامه به بررسی تیتروار چند مورد از کاربردهای یادگیری ماشین می­پردازیم.

1-شناسایی تصویر

2- تحلیل احساسات

3- طبقه ­بندی انواع داده و اطلاعات

4- تحلیل گفتار

5- بازار و بانک داری

6- خدمات درمانی

7- حمل و نقل

جمع ­بندی یادگیری ماشین Machine learning

یادگیری ماشین Machine learning در فناوری هوش مصنوعی امروزه جایگاه مهمی در علوم کامپیوتر به خود اختصاص داده و روز به روز در حال گسترده‌تر شدن و پیشرفت است. حجم پژوهش­هایی که در یادگیری ماشین صورت می­گیرد بسیار زیاد و گسترده است و موضوعات متنوعی را در برمی­گیرد و تلاش محققان براین است که روش­های یادگیری ماشین را بر روی مسائل تازه­­ای اعمال کنند و تا حد امکان کارهایی که برای انسان سخت و طاقت فرسات و یا اینکه خطاهای انسانی ممکن است صدمات جبران ناپذیری به جای بگذارد را به ماشین­های هوشمند محول کنند.

یادگیری ماشین Machine learning تجزیه و تحلیل مقادیر عظیم داده را امکان­پذیر می­کند و کمک فراوانی به صرفه جویی در هزینه‌های عملیاتی و بهبود سرعت عمل  در تجزیه و تحلیل داده‌ها می‌کند. تلفیق یادگیری ماشین و تکنولوژی­های پیشرفته ­ی امروز باعث می­شود که اهمیت یادگیری ماشین در همه ابعاد زندگی انسان دیده شود.

نویسنده: تیم پژوهش راهبرد

منابع

expert.ai

anexia.com