یادگیری ماشین (Machine learning) چیست؟
یادگیری ماشین یا ماشین لرنینگ (Machine Learning) یکی از زیر مجموعههای هوش مصنوعی است که به سیستمها این امکان را می دهد تا به صورت خودکار یادگیری و پیشرفت داشته باشند بدون اینکه به برنامه نویسی صریحی برای آن داشته باشند. تمرکز اصلی یادگیری ماشینی بر توسعه برنامههای رایانه ای است که بتوانند به دادهها دسترسی پیدا کنند و از آن برای یادگیری خود استفاده کنند. فرآیند یادگیری با مشاهدات یا دادهها آغاز میشود، مانند مثالها، تجارب مستقیم و یا دستور العملها، تا به یک الگو در دادهها برسند و بر اساس این مثالهایی که ارائه می دهیم، تصمیمات بهتری بگیرند. هدف اصلی آن است که به کامپیوتر این اجازه را بدهیم که بدون دخالت و کمک انسان به طور اتوماتیک یادگیری داشته باشند و بتوانند اقدامات خود را بر مطابق با آن تنظیم کنند.
مفهوم ساده یادگیری ماشین
الگوریتمهای بسیار مختلفی برای یادگیری ماشین وجود دارد و هر روزه صدها الگوریتم جدید نیز تولید می شوند، و به طور معمول توسط سبک یادگیری (learning style) (مانند یادگیری نظارت شده، یادگیری بدون نظارت، یادگیری نیمه نظارت) و یا با توجه به شباهتشان در فرم و عملکرد ( مانند طبقه بندی، برگشت، درخت تصمیم گیری، دسته کردن، یادگیری عمیق و…) گروه بندی می شوند. صرف نظر از سبک یادگیری یا عملکرد، تمام الگوریتمهای یادگیری ماشینی به شرح زیر هستند:
- نمایش: مجموعه ای از طبقه بندی کنندهها یا زبانی که کامیوتر آن را می فهمد.
- ارزشیابی: همچنین معروف به عملکرد هدف/نمره دهی.
- بهینه سازی: روش جست و جو؛ اغلب طبقه بندی کننده ای با بالاترین امتیاز.
هدف اساسی الگوریتمهای یادگیری ماشین، تعمیم یادگیریها به فراتر از نمونههای آموزش داده شده است، یعنی تفسیر موفقیت آمیز دادهها.
ماشین لرنینگ
برخی از روشهای یادگیری ماشین
الگوریتمهای یادگیری ماشین عمدتا در دو نوع نظارت شده و نظارت نشده دسته بندی می شوند.
- الگوریتم یادگیری ماشین نظارت شده می تواند از آن چه که در گذشته آموخته اند و همچنین دادههای جدید برچسب گذاری شده، برای پیشبینی آینده استفاده کند. این کار از آنالیز مجموعه دادههای آموزشی شروع می شود، الگوریتم یادگیری یک عملکرد استنباطی تولید می کند تا پیش بینیهای مربوط به مقادیر خروجی را انجام دهد. این نوع سیستم قادر است پس از آموزشهای کافی برای هر داده جدیدی هدف مشخص کند. این الگوریتم یادگیری همچنین می تواند خروجی اش را با خروجی درست و از قبل تعیین شده مقایسه کند و خطاهای موجود را بیابد تا بر اساس آن مدل را اصلاح کند.
- در مقابل، زمانی از الگوریتمهای یادگیری ماشین بدون نظارت استفاده می شود که اطلاعات مورد نیاز برای آموزش نه طبقه بندی شده باشد و نه برچسب زده باشد. یادگیری بدون نظارت چگونگی اینکه سیستم می تواند توصیف ساختار پنهان از دادههای بدون برچسب استنباط کنند، مطالعه می کند. این نوع سیستم خروجی مناسب را مشخص نمی کند و تنها می تواند دادهها را کاوش کند و از دادههای برچسب زده نشده ساختارهای پنهان را استنتاج می کند.
- الگوریتم یادگیری ماشین نیمه نظارت شده بین دو نوع قبلی قرار دارد. این سیستم از هر دو نوع داده برچسب زده شده و برچسب نزده شده برای آموزش استفاده می کند. سیستمهایی که از این روش استفاده می کنند، می توانند دقت یادگیری را تا میزان قابل توجهی بهبود ببخشند. معمولا زمانی این نوع یادگیری را انتخاب می کنیم که دادههای برچسب زده شده بدست آمده نیاز به منابع ماهر و مرتبط برای آموزش و یادگیری دارند. در غیر این صورت، دستیابی به دادههای دارای برچسب معمولاً نیازی به منابع اضافی ندارد.
- الگوریتمهای یادگیری ماشین تقویت کننده روشی هستند که به وسیله اقدامات با محیط خود در تعامل هستند و خطاها و پاداشها را کشف می کنند. آزمایش، جست و جوی خطاها و پاداشهای تاخیری مهم ترین ویژگیهای یادگیری تقویتی هستند. این نوع یادگیری به ماشینها و عوامل نرم افزار اجازه می دهد تا به طور خودکار، برای به حداکثر رساندن عملکرد خود، رفتار ایده آل خود را مشخص کنند. این سیستم از بازخورد پاداش ساده استفاده می کند تا ببیند کدام عمل بهتر بهتر است و این امر به عنوان سیگنال تقویت شناخته شده است.
یادگیری ماشین آنالیز مقادیر انبوهی از دادهها را امکان پذیر می کند. این یادگیری در شناسایی فرصتهای سودآور و یا خطرناک معمولا نتایج سریعتر و دقیق تری ارائه می کند اما برای آموزش آن ممکن است به زمان و منابع اضافی نیاز داشته باشیم. تلفیقی از یادگیری ماشین و هوش مصنوعی و فناوریهای شناختی می تواند در پردازش حجم زیادی از اطلاعات موثر باشد.
چرا یادگیری ماشین و دانستن در مورد آن اهمیت دارد؟
یادگیری ماشین نه تنها یک تکنولوژی جدید و کاربردی است بلکه قرار است در آینده نزدیک تغییرات بسیار زیادی را در دنیا ایجاد کند و تاثیرات عمیقی در دنیا و بخصوص حوزه اقتصاد و کسب و کارها خواهد داشت. در ادامه برخی از اطلاعات مربوط به یادگیری ماشین و هوش مصنوعی آورده شده تا میزان اهمیت آن بیشتر درک شود.
- مجموع اختراعات ثبت شده در زمینه یادگیری ماشین از سال 2013 تا سال 2017 میلادی دارای نرخ رشد سالانه ترکیبی 34% بوده است و این مسئله باعث شده که این حوزه به رتبه سوم در ثبت اختراع تبدیل شود.
- سازمان International Data Corporation (IDC) پیشبینی میکند که میزان سرمایه گذاری در حوزه هوش مصنوعی و یادگیری ماشین از حدود 12 بیلیون دلار در سال 2017 به حدود 57.6 بیلیون دلار تا سال 2021 برسد.
در برنامه AHL Dimension programme گزارش شد که یک صندوق پوشش ریسک با دارایی 5.1 میلیارد دلار بخشی از مدیریت سرمایه خود را به هوش مصنوعی سپرد. الگوریتنمهای یادگیری هوش مصنوعی تا پایات سال 2015 بیش از نیمی از سود صندوق را به خود اختصاص داده بودند و این مسئله در حال بود که میزان دارایی که به هوش مصنوعی تخصیص داده شده بود بسیار کمتر از سایر بخشها بود.
machine learning
با افزایش اهمیت کلان دادهها و پیچیده شدن فرآیند تجزیه و تحلیل آنها، یادگیری ماشین به یک روش اصلی برای رسیدگی به مسائل مربوط به کلان دادهها، تبدیل شده است. در این مواقع یادگیری ماشین میتواند به کارهای زیر رسیدگی کند:
- امور مالی، محاسبات، نمرهدهی اعتبارات و تجارت الگوریتمی
- پردازش تصویر، بینایی کامپیوتری، تشخیص چهره، تشخیص حرکت و تشخیص شیء
- زیست شناسی محاسباتی، تشخیص تومورهای سرطانی، تعیین توالی DNA، کشف دارو و حتی موارد مخدر
- تولید انرژی، پیشبینی قیمت بازار
- ساخت خودرو، حوزه هوافضا
- پردازش زبان طبیعی، برنامههای تشخیص و شناسایی صدا و زبان
- و غیره
به همین دلیل یادگیری ماشینی به دلیل آوردهایی که برای سرمایهگذاران دارد و همچنین تحولاتی که در سایر حوزهها میتواند ایجاد کند به یک موضوع داغ تبدیل شده است. این مسئله باعث شده در سراسر جهان بسیاری از افراد خواستار تحصیل در رشته هوش مصنوعی و یادگیری ماشین شوند. همچنین برای افرادی که تخصصی در حوزه هوش مصنوعی ندارند، مطالعه در مورد هوش مصنوعی و تواناییهای آن به یک مسئله بسیار مهم تبدیل شده است زیرا که در آیندهای نزدیک یادگیری ماشین با بسیاری از حوزهها و فرآیندهای آن ادغام میشود و به همین دلیل افرادی که میخواهند پیشرو باشند باید در مورد آن از قبل بدانند.
منبع: عامر اندیش
)
مشاهده نظرات بیشتر...