مفهوم یادگیری ماشین
یادگیری ماشین یکی از شاخههای هوش مصنوعی است که کاربردهای بسیار وسیعی دارد. اصطلاح انگلیسی آن machine learning است. در واقع به تنظیم و کشف شیوهها و الگوریتمهای میپردازد که بر اساس آن سامانهها و رایانهها توانایی یادگیری پیدا میکنند.امروزه در دانشگاه ها یادگیری عمیق بحث داغی است و تعداد انجام پروژه یادگیری ماشین و انجام پایان نامه یادگیری ماشین در دانشگاه ها گواه این امر است .
هر بار شما مطلبی را در گوگل سرچ میکنید در واقع گوگل از یادگیری ماشین جهت نمایش بهترین گزینه به شما استفاده میکند و ترتیب این رتبهها بر اساس یادگیری ماشین است که با ادامه خواندن این مقاله درک بیشتری از مفهوم آن پیدا خواهید کرد. هنگامی که فیسبوک تصویر شما را میشناسد یا زمانی که برنامه ایمیل شما برخی از ایمیلها را به عنوان اسپم یا هرزه نگاری میشناسد اینها همه یادگیری ماشین است .
تعریف یادگیری ماشین: علمی است که کامپیوترها بدون اینکه یک برنامه کاملاً مشخص است در مورد موضوعی داشته باشند موضوع خاصی را در طول زمان یاد میگیرند.
تاریخچه یادگیری ماشین
آرتور ساموئل در سال ۱۹۵۹ زمانی که در IBM کار میکرد ، عبارت یادگیری ماشین را به وجود آورد ساموئل یکی از پیشروهای حوزه بازیهای کامپیوتری و هوش مصنوعی است و اصطلاح یادگیری ماشین الهام گرفته شده از الگو شناسی و نظریه یادگیری محاسباتی است. در واقع در یادگیری ماشین الگوریتمهای ساخته و طراحی میشوند که صرفاً از دستورات برنامه پیروی نمیکنند در واقع از طریق دادههای ورودی مدل سازی ، پیش بینی و تصمیم گیری میکند . از یادگیری ماشین زمانی استفاده میشود که برنامه نویسی الگوریتمهای سریع با عملکرد مناسب در آنها سخت یا نشدنی است.
هدف یادگیری ماشین
هدف از یادگیری ماشین در واقع این است که کامپیوترها به معنی عام آن با افزایش دادهها بهره وری بهتری در طول زمان پیدا کند برای مثال این یادگیری میتواند در تشخیص خودکار چهرهها استفاده شود یا حتی فراتر از آن در گام برداری رباتهای دوپا با دریافت سیگنال پاداش و تنبیه انجام شود.
در یادگیری ماشین دو نوع پژوهش وجود دارد و پژوهش نوع اول طراحی روشهای یادگیری نوین است و پژوهش نوع دوم در واقع استفاده از آن در در حوزههای جدید میباشد.
انواع یادگیری
برای درک انواع یادگیریها در ماشین و به خاطر سپاری آن در ذهن سناریوی طراحی میکنیم و با آن به شرح انواع یادگیریها میپردازیم. برای تأثیر این موضوع یک فرضیه را در نظر بگیرید و فرض کنید ربات سگ نمایی خریداری کردهاید این ربات با استفاده از دوربینهایش میتواند محیط اطراف را ببیند با استفاده از میکروفونهایش صدا را بشنود و با بلندگوها به صورت محدود با شما سخن بگوید و این ربات سگ نما همچنین دارای قابلیتی است که میتوان به او دستورهای را از دور داد.
یادگیری با نظارت
برای مثال شما میخواهید اولین چیزی را که به او یاد بدهید این باشد که اگر او شما را دید خرناس بکشند ولی اگر غریبهای را دید پارس کند ، فرض بگیرین سگ شما توانایی تولید چنین صداهایی را دارد اما او نمیتواند فرق بین شما و غریبهها را درک کنند برای اینکه به این منظور برسیم شما رو به روی دوربین چشمی او می ایستید و از زوایای مختلف عکسهایی از شما میگیرد و رسماً این عکسها را با صدای خرناس مرتبط میکنید ، از سوی دیگر تصاویر غریبه را با صدای پارس مرتبط میکنید در این حالت شما به کامپیوتر موجود در سگ گفتهاید که چه ورودیها را به چه خروجیهایی مرتبط کند در واقع هم ورودی و هم خروجی مشخص است ، این شیوه یادگیری را یادگیری با نظارت میگویند.
یادگیری تقویتی
حالت دیگری را شما فرض بگیرید در این حالت شما به سگتان میگوید چه ورودیهایی را به چه خروجیهای مرتبط کند و شما به او این فضا را میدهید تا خود چنین چیزی را یاد بگیرد در واقع شما به سمت او میروید و اگر خرناس کشید به او پاداش میدهد و اگر پارس کرد او را تنبیه میکنید و البته پاداش و تنبیه بوسیله همان کنترل از راه دور انجام میشود. در این حالت کامپیوتر درون سگ خود به کاوش میپردازد و با توجه به پاداشها و تنبیهها یاد میگیرد چه ورودی هایی را به خروجیهایی مرتبط کند این شیوه یادگیری را یادگیری تقویتی می گویند.
یادگیری بی نظارت
حالا فرض بگیرید سگ شما نمی تواند فرقی بین شما و یک صندلی را بدانند و تصور کنید ورودیهایی که به سیستم کامپیوتری یک سگ را وارد میشود چه تعداد وسیعی است در واقع در این حالت سگ شما باید بتواند تشخیص دهد، چه میبیند چه میشنود و … و این داده ها را به نوعی به آنچه که بیشتر دیده مرتبط کند . اینجا ما به دنبال ارتباط ورودیها و خروجیها نیستیم در واقع در این مرحله ما به دنبال دسته بندی هستیم این نوع یادگیری را به یادگیری بی نظارت می گویند.
یادگیری نیمه نظارتی
سگ شما در طول روز روشن است و در دنیای واقعی ورودیهای بسیاری را از محیط میگیرد و قاعدتاً زمانی را که شما با او سپری میکنید وسایلی را به او نشان میدهید و نامشان را می گویید به اصطلاح برچسب گذاری میکنید. زمان کمی است و در واقع سگ شما برخی از مطالب را از شما می گیرد و برخی دیگر را بدون نظارت شما از تجربه شخصی خود بهره میگیرد در واقع دادههای او بخشی برچسب دار و بخشی بدون برچسب است این نوع یادگیری را یادگیری نیمه نظارتی می گویند.
کاربردهای یادگیری ماشین
همانطور که گفتیم یادگیری ماشین دارای کاربردهای بسیار وسیعی در سطح صنعت ، تجارت ، پزشکی و غیره است اما میخواهیم به طور مشخص چندین کاربرد اساسی یادگیری ماشین را نام ببریم و توضیح مختصری در مورد هر کدام بدهیم.
سرویسهای مالی
معمولاً بانکها و کسب و کارهایی که در صنعت مالی از یادگیری ماشینی استفاده میکنند به دنبال دو هدف عمده از این موضوع هستند یک شناسایی بینشهای مهم در دادهها ، دو پیشگیری از تقلب . در واقع در بینشهای مهم در دادهها آنها به دنبال فرصتهای سرمایه گذاری هستند تا به سرمایه گذاران زمان مناسب و جای مناسب را برای سرمایه گذاری اطلاع دهند از طرف دیگر داده کاوی میتواند مشتریانی که دارای پروفایلهایی با ریسک بالا هستند را شناسایی کنند از نظارت سایبری جهت بررسی مواردی که نشان دهنده تقلب میباشد استفاده کند.
نفت و گاز
جالب است بدانید که در صنعت نفت و گاز استفاده از یادگیری ماشین بسیار فصلی است برای مثال
- یافتن منابع جدید انرژی
- پیش بینی خرابی سنسور پالایشگاهها
- آنالیز مواد معدنی موجود در زمین
- تسهیل توزیع نفت برای افزایش بهره وری و مقرون به صرفه بودن آن
بازاریابی و فروش
قطعاً به به فروشگاههای اینترنتی بزرگ جهان سرزده و احتمالا از آنها خرید کردیم برای مثال وقتی شما در آمازون جستجو میکنید و یا خرید میکنید آمازون از داده های مربوط به خریدها و جستجوها استفاده میکند و پیشنهادهای جدیدی را به شما ارائه میدهد این یکی از تواناییهای ثبت داده ، آنالیز آن و استفاده از آن برای سفارشی سازی یک تجربه خرید است.
حمل و نقل
شرکتهای تحویل بار ، حمل و نقل عمومی و سازمانهای ترابری آنالیز دادهها و مدل سازی جنبههای یادگیری ماشینی ابزارهای معینی برای اینکه از شرکتها میباشد. آنالیز دادهها برای شناسایی الگوها و روندها نقش کلیدی در صنعت حمل و نقل دارد که بر کاراتر نمودن مسیرها پیش بینی مسائل بالقوه برای افزایش قابلیت سود دهی میکند.
- زبان شناسی
- بازاریابی
- کنترل یادگیری ماشین
- ادراک ماشین
- تشخیص پزشکی
- اقتصاد
- بيمه
کاربردهای دیگر یادگیری ماشین:
- شیمی انفورماتیک
- طبقه بندی رشته های DNA
- آناتومی محاسباتی
- بینایی ماشین از جمله شناسایی اشیاء
- شناسایی کارت اعتباری جعلی
- بازی عمومی (general game playing)
- بازیابی اطلاعات
نرم افزارهای یادگیری ماشین
در انجام پروژه یادگیری ماشین از نرم افزارهای متعددی از جمله نرم افزار رپید ماینر و … استفاده میشود .
ارتباط داده کاوی با یادگیری ماشین
در واقع در انجام پروژه داده کاوی از تکنیک های یادگیری ماشین و تا حدودی آمار استفاده می شود داده کاوی توسط متخصص داده کاوی یا اصطلاحا همان داده کاو انجام می شود. در واقع داده کاو یک مجموعه داده دارد که در این مجموعه داده او به دنبال کشف دانش پنهان و ارتباطهای پنهان میان المان هایی است که میتوانند به بینش و دانش جدیدی منجر شود. معمولاً این داده ها بسیار حجیم و پیچیده و در عین حال دارای نواقص و اشکالات متعددی هستند ، با استفاده از الگوریتم های موجود در داده کاوی کشف دانش از دل این داده ها به دست می آید
نتیجه گیری
امروزه در بسیاری از حوزههای پژوهشی در زمینه هوش مصنوعی نمیتوانیم به عنوان یک هدف نامشهود یادگیری ماشین را در نظر بگیرید. یادگیری ماشینی یک ستاره فراموش شده است که در پشت پرده مشغول فعالیت است و همه تلاشش را برای پاسخگویی به سوالاتی که به دنبالش هستیم میکند . یادگیری ماشینی نوعی واقعیت است که هم اکنون برای بهبود سرویسهای مورد استفاده انسان به کار گرفته میشود . انجام پروژه های یادگیری ماشین هر لحظه در حال رخ دادن است و در حال ساخت آینده ی ما …