یادگیری ماشین یا ماشین لرنینگ چیست؟
در سال‌های گذشته انسان‌ها فکر می‌کردند که خودشان تنها موجودات هوشمندی هستند که از توانایی یادگیری برخوردارند. امروزه بشر ماشین‌هایی طراحی کرده است که با بهره‌گیری از شیوه یادگیری مغز انسان می‌تواند بیاموزد. یادگیری ماشین همان تکنولوژی نوظهوری است که با کمک الگوریتم‌های خاص خود می‌تواند داده‌ها را جمع‌آوری کرده و تجربیات خود را در تشخیص مسائل پیرامون و حل آن‌ها افزایش دهد. این دوره در هوش برنا شامل 40 جلسه و در SpotPlayer برگزار میشود.
در عوض الگوریتم‌های یادگیری ماشین به کامپیوترها امکان آموزش ورودی داده‌ها و استفاده از تجزیه و تحلیل آماری برای گرفتن خروجی در یک محدوده خاص را می‌دهد.
به عبارت دیگر یادگیری ماشینی روشی برای تجزیه و تحلیل داده است که این امکان را فراهم میکند تا یک مدل تحلیلی را به صورت خودکار بسازیم. این حوزه در واقع شاخه‌ای از هوش مصنوعی است که مبتنی بر این ایده است که سیستم‌ها می توانند از داده‌ها یاد بگیرند، الگوها را شناسایی کنند و با کم‌ترین دخالت انسان تصمیم بگیرند.
به همین دلیل یادگیری ماشین کار کامپیوترها را در ساخت مدل از داده‌های نمونه تسهیل میکند تا فرایندهای تصمیم‌گیری بر اساس ورودی داده‌ها به‌صورت خودکار انجام شود.
کاربردهای یادگیری ماشین چیست؟
امروزه تقریباً تمام افرادی که از تکنولوژی استفاده می‌کنند، از مزایای یادگیری ماشین بهره‌مند می‌شوند. مثال‌هایی از کاربردهای یادگیری ماشین عبارت‌اند از:
- فناوری تشخیص چهره به سیستم‌عامل‌های رسانه‌های اجتماعی کمک میکند تا عکس دوستان خود را به اشتراک بگذارند و آن‌ها را تگ کند.
- فناوری نویسه‌خوان نوری (OCR) متن‌های موجود در تصاویر را به متون قابل جستجو تبدیل میکند.
- سیستم‌های توصیه‌گر در سایت‌ها با استفاده از یادگیری ماشین، بر اساس ترجیحات کاربر فیلم یا محصول بعدی را به او پیشنهاد می‌کنند.
- اتومبیل‌های خودران با استفاده از یادگیری ماشین تولید شده‌اند.
متدهای یادگیری ماشین چیست؟
در ماشین لرنینگ وظایف به‌طورکلی در دسته‌های گسترده‌ای قرار می‌گیرند. این دسته‌بندی‌ها بر اساس چگونگی دریافت یادگیری یا نحوه بازخورد سیستم توسعه‌یافته در یادگیری انجام میشود.
ولی به طور کلی یادگیری ماشین شامل سه زیر حوزه اصلی است:
1- یادگیری نظارت شده (Supervised Learning)
2- یادگیری بدون نظارت (Unsupervised Learning)
3- یادگیری تقویتی (Reinforcement Learning)
1- یادگیری نظارت شده (Supervised Learning)
در یادگیری ماشین نظارت شده ورودی‌هایی با برچسب خروجی دلخواه به ماشین داده میشود. هدف این الگوریتم این است که ماشین بتواند خروجی واقعی را با خروجی آموزش داده شده مقایسه کرده و مدل را متناسب با آن اصلاح کند؛ بنابراین یادگیری نظارت شده از الگوهایی برای پیش‌بینی ورودی‌های جدید استفاده میکند.
به‌عنوان‌مثال تصور کنید با یادگیری نظارت شده تصاویری از کوسه با برچسب ماهی و تصاویری از دریاها با برچسب آب به سیستم داده‌اید. حالا سیستم شما باید بتواند تصاویر جدید کوسه‌ها بدون برچسب را به‌عنوان ماهی و تصاویر دریاها بدون برچسب را با عنوان آب شناسایی کند.
از الگوریتم یادگیری ماشین نظارت شده برای پیش‌بینی وقایع احتمالی آینده با کمک داده‌های تاریخی استفاده میشود. از دیگر کاربردهای یادگیری نظارت نشده می‌توان به پیش‌بینی نوسانات آینده بازار بورس، فیلتر کردن ایمیل‌های هرزنامه و غیره اشاره کرد.
2- یادگیری بدون نظارت (Unsupervised Learning)
در یادگیری بدون نظارت داده‌های ورودی برچسب ندارند؛ بنابراین الگوریتم یادگیری ماشین نظارت نشده تلاش میکند نقاط مشترک بین داده‌های ورودی را پیدا کند (در این نوع از یادگیری مدل ورودی‌ها بر اساس ویژگی ها، تفکیک و دسته بندی می‌شوند). از آنجایی که تعداد داده‌های بدون برچسب همواره بیشتر از داده‌های با برچسب است، فراگیری آموزش یادگیری ماشین نظارت نشده اهمیت ویژه‌ای دارد.
کشف الگوهای پنهان در یک مجموعه داده می‌تواند یکی از اهداف یادگیری نظارت نشده باشد. هدف دیگری که برای این الگوریتم می‌توان بیان کرد این است که یک ماشین محاسباتی بتواند داده‌های خام را به طور خودکار طبقه‌بندی کند.
یکی از کاربردهای مهم یادگیری نظارت نشده استفاده از آن در داده‌های معاملاتی است. تصور کنید یک مجموعه داده بزرگ از مشتریان و خریدهای آنان دارید، دسته‌بندی آن‌ها و تفکیک انواع خریدها برای انسان کار دشوار و زمان‌بری است؛ بنابراین این الگوریتم به شما کمک میکند که به‌راحتی این کار را انجام دهید.
3- یادگیری تقویتی (Reinforcement Learning)
یادگیری تقویتی یک روش آموزش یادگیری ماشینی است که بر اساس پاداش دادن به رفتارهای دلخواه و/یا تنبیه رفتارهای نامطلوب است. به طور کلی، یک عامل یادگیری تقویتی قادر است محیط خود را درک و تفسیر کند، اقداماتی انجام دهد و از طریق آزمون و خطا یاد بگیرد. این حوزه به خصوص در حوزه رباتیک کاربرد دارد. همانطور که در شکل زیر می‌بینید با اعمال یک اکشن خروجی مدل اندازه گیری شده و با مقایسه با خروجی مطلوب آن، آن ویژگی تقویت یا تضعیف میشود.
