یادگیری ماشین چیست؟
یادگیری ماشین (Machine Learning) یکی از زیر مجموعه های هوش مصنوعی است که به سیستم ها 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 برنامه های رایانه ای است که بتوانند به داده ها دسترسی پیدا کنند و از آن برای یادگیری خود استفاده کنند.
فرآیند یادگیری با مشاهدات یا داده ها آغاز می شود، مانند مثال ها، تجارب مستقیم و یا دستور العمل ها، تا به یک الگو در داده ها برسند و بر اساس این مثال هایی 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.
تاریخچه یادگیری ماشین چیست؟
موضوع شبکههای عصبی به عنوان یک مفهوم جدید در سال 1943در مقالهای تحقیقاتی مطرح شد. در ابتدا پیشرفت در یادگیری ماشین به دلیل هزینه بالای محاسبات آنقدر کند بود که این حوزه را فقط در دسترس موسسات دانشگاهی بزرگ و یا شرکتهای چند ملیتی قرار میداد. مساله دیگر این بود که تهیه دادههای مورد نیاز برای آموزش سیستمها بسیار دشوار بود. اما امروزه با وجود اینترنت، بسیاری از مشکلات بر سر راه هوش مصنوعی و یادگیری ماشین دیگر وجود ندارد. با توسعه و پیشرفت انواع سخت افزارها، هزینه تهیه سخت افزارهای مورد نیاز برای پیادهسازی هوش مصنوعی و یادگیری ماشین کاهش یافته که این مساله باعث پیشرفت بیشتر این حوزه در سالهای اخیر شده است.
انواع یادگیری ماشین چیست؟
تا اینجا دانستیم یادگیری ماشین چیست و چه هدفی دارد. در این بخش میخواهیم بدانیم یادگیری ماشین به چند دسته تقسیم میشود یا به بیان دیگر انواع یادگیری ماشین چیست؟
یادگیری ماشینی به 3 گروه: یادگیری نظارتی، یادگیری غیرنظارتی و یادگیری تقویت شده تقسیم میشود. در ادامه به بررسی هر کدام از این موارد خواهیم پرداخت.
یادگیری نظارت شده
این نوع یادگیری زمانی اتفاق میافتد که شما با استفاده از دادههای برچسب گذاری شده به یک ماشین آموزش میدهید. به بیان دیگر، در این نوع یادگیری، دادهها از قبل با پاسخهای درست یا همان نتیجه برچسب گذاری شدهاند. به عنوان مثال، به ماشین تصویری از حرفA و سپس یک پرچم سه رنگ نشان میدهید و به آن یاد میدهید که یکی از این رنگها قرمز، یکی سبز و دیگری سفید است. پس از آنکه آموزش دادن به ماشین به پایان رسید، دادههایی را در اختیارش قرار دهید که تازگی دارند و قبلا آنها را دریافت نکرده است. در این مرحله، الگوریتم یادگیری ماشین با استفاده از تجربیات قبلی خود، آن اطلاعات را تحلیل میکند. مثلا حرف A را تشخیص میدهد یا رنگ سفید را مشخص میکند. این نکته را فراموش نکنید که هرچه مجموعه اطلاعاتی که در اختیار ماشین قرار میدهید بزرگتر باشد، ماشین بیشتر میتواند در مورد موضوع یاد بگیرد.
یادگیری نظارت نشده
در این نوع یادگیری، ماشین با استفاده از دادههایی آموزش میبیند که هیچ گونه برچسب گذاری بر روی آنها انجام نشده است. در این روش به الگوریتم یادگیری گفته نمیشود که دادهها نمایانگر چه چیزی هستند. به عنوان مثال فقط گفته میشود یک حرف داریم، اما هیچ اطلاعاتی از حرف مورد نظر به الگوریتم داده نمیشود.
یادگیری نظارت نشده مانند گوش دادن به یک فایل صوتی با زبانی ناشناس است. وقتی شما تنها به این فایل صوتی با زبان ناشناس گوش دهید، چیز زیادی دستگیرتان نمیشود. اما چنانچه مدت زیادی به این کار ادامه دهید، مغز شما در مورد آن زبان، شروع به ایجاد نوعی الگو میکند و کم کم در هنگام گوش دادن به آن پادکست، انتظار شنیدن اصوات خاصی را خواهد داشت.
نکته قابل توجه در یادگیری نظارت نشده این است که پس از پردازش اطلاعات بدون برچسب، تنها کافی است یک نمونه از دادههای برچسب گذاری شده در اختیار الگوریتم یادگیری قرار گیرد تا کارایی کامل را پیدا کند.
یادگیری تقویت شده
در این نوع یادگیری نیز مانند یادگیری نظارت نشده، دادههای مورد استفاده برای یادگیری، برچسب گذاری نمیشوند. زمانی که پرسشی برای دادهها مطرح شد، نتیجه آن درجه بندی میشود.
یک مثال مناسب در این زمینه، ترتیب دادن یک بازی است. اگر ماشین برنده بازی شود، میتواند از نتیجه کار برای تقویت حرکات آینده خود در حین بازی استفاده کند. البته این نکته مهم را به خاطر بسپارید که اگر کامپیوتر تنها یک یا دو بار بازی را انجام دهد، این روش تاثیری در عملکرد آن نخواهد داشت. اما وقتی هزاران بار بازی را تکرار کند، به تدریج میتواند نوعی استراتژی پیروزی را شکل دهد.
یادگیری ماشین دقیقا چه کار میکند؟
یادگیری ماشین یا Machine Learning، توانایی یادگیری مستقل را برای ماشینها فراهم میکند. به بیان دیگر یک ماشین میتواند از مشاهدات، تجربیات و الگوهایی که طبق یک مجموعه داده تجزیه و تحلیل میکند، آموزش ببیند. البته برای انجام این کار لازم نیست به شکل اختصاصی برنامه ریزی شده باشد.
در شروع یادگیری ماشین، ما مجموعهای از دادهها را وارد میکنیم تا از این طریق دستگاه بتواند با شناسایی و تجزیه الگوهای موجود در دادهها، یادگیری داشته باشد و بر اساس این یادگیری بتواند از مشاهدات و اطلاعات خود نتیجه بگیرد و تصمیم گیری کند.
این موارد در نهایت باعث شکل گیری یک سیستم هوشمند و دارای قدرت تولید میشود که میتواند کارهای بسیاری انجام دهد. کارهایی که با یادگیری ماشین میتواند انجام شود، بسیار متنوع است. برای نمونه بسیاری از تکنولوژیهایی که امروزه باعث شگفتی شما میشوند، مانند سیستم تشخیص چهره، سیستم تشخیص هویت و… از یادگیری ماشین ناشی میشوند.
چه زمانی به سراغ یادگیری ماشین میرویم؟
تا اینجا دانستیم یادگیری ماشین چیست و نحوه عملکرد آن چگونه است. اما چه زمانی ممکن است به این تکنولوژی نیاز پیدا کنیم و به سراغ استفاده از آن برویم؟ با ما همراه باشید تا پاسخ مناسبی برای این سوال پیدا کنیم.
در حقیقت زمانی به سراغ یادگیری ماشین میرویم که به کار سخت و پیچیدهای برخورد کنیم، طوی که نتوان آن را با روشهای معمولی و همیشگی حل کرد. یا اینکه حجم دادهها و متغیرها آنقدر زیاد است که پردازش و محاسبه آنها برای نیروی انسانی با روشهای سنتی، امکان پذیر نیست و فرمول یا معادلاتی هم وجود ندارد که به حل این مسائل کمک کند. به طور کلی اگر به موارد زیر برخورد کردید، میتوانید از کاربردهای یادگیری ماشین کمک بگیرید.