یادگیری ماشین چیست؟ توصیفی ساده از یادگیری ماشین برای مبتدیان

آیا تا به حال برای خرید آنلاین از وب‌سایت‌های اینترنتی اقدام کرد‌ه‌اید؟ اگر پاسخ شما مثبت است، حتما متوجه شد‌ه‌اید که هنگام جست‌وجوی کالای مورد نظر خود، سیستم به‌صورت خودکار کالا‌های مشابهی را نیز توصیه می‌کند. همچنین ممکن است ملاحظه کرده باشید که برخی سیستم‌ها، به‌صورت خودکار خرید‌های دیگر کاربرانی که کالای مورد نظر شما را خریداری کرده‌اند را نیز نشان می‌دهند و سعی در جلب توجه شما دارد. این سیستم‌ها، به‌عنوان یک ماشین، چطور این کار‌ها را انجام می‌دهند؟ این، همان یادگیری ماشین است.

یا تا به حال تماس تلفنی خاصی از شرکت‌های بیمه و یا موسسات مالی داشته‌اید که شما را برای دریافت خدمات مالی یا بیمه‌ای ویژ‌ه‌ای دعوت کند؟ چه فکری می‌کنید؟ به نظر شما آیا آن‌ها به همه مردم زنگ می‌زنند؟ نه، آن‌ها فقط به کسانی زنگ می‌زنند که فکر می‌کنند احتمال خریدشان بالا است. ولی چطور این گزینش را انجام می‌دهند؟ این روش، اصطلاحا بازاریابی هدف (target marketing) نام دارد و می‌تواند با استفاده از خوشه‌بندی داده‌ها پیاده شود. چیزی که قرار است با عنوان یادگیری ماشین با آن آشنا شویم.

تعریف یادگیری ماشین

یادگیری ماشین زیرمجموعه‌ای از فناوری هوش مصنوعی (Artificial Intelligence) است که عمدتا روی یادگیری ماشین‌ها بر اساس تجربیات خود ماشین و پیش‌بینی‌های مبتنی بر این تجربیات استوار است.

کاربرد‌های یادگیری ماشین

این فناوری، کامپیوتر‌ها و به‌طور کلی ماشین‌ها را قادر می‌سازد تا صرف‌نظر از انجام یک کار مشخص بر اساس برنامه‌ریزی‌های ویژه، تصمیمات داده محور و قابل اطمینانی را اتخاذ کنند. چنین برنامه‌‌ها و الگوریتم‌هایی به گونه‌ای طراحی و ساخته شده‌اند که در طول زمان و دریافت داده‌های جدیدتر، یادگیری را ادامه داده و بهبود می‌یابند.

روند انقلابی رشد ماشین‌ها

همان‌طور که می‌دانید، در حال حاضر در دنیایی زندگی می‌کنیم که تلفیقی از انسان‌ها و ماشین‌ها، و فرایند‌های مشترک بین آن‌ها است. انسان‌ها با استفاده از توشه‌ای سترگ از تجارب خود طی میلیون‌ها سال زندگی در سطح زمین، به‌صورت مداوم در حال رشد و پیشرفت هستند. از سوی دیگر، مدتی است که شاهد شروع عصر ماشین‌ها و ربات‌ها در سیاره خود هستیم.

می‌توان تخمین زد که اکنون، در عصر اولیه‌ای از دوران ماشین‌ها قرار داریم و احتمالا در آیند‌ه‌ای نه‌چندان دور، حکومتی ماشینی سطح این کره خاکی را فرا خواهد گرفت. آیند‌ه‌ای که شاید کمی‌ دور از تصور باشد.

در دنیای امروز، ماشین‌ها و ربات‌ها قبل از این‌که بتوانند دستورالعمل‌های شما را شناسایی کرده و به انجام برسانند، نیاز به برنامه‌ریزی دارند. اما اگر این ماشین‌ها بتوانند بدون نیاز به برنامه‌ریزی و برنامه‌نویسی و صرفا بر اساس تجربیات خود از داده‌های ورودی عمل کنند، مثل ما کار کنند، مثل ما احساس داشته باشند و همه این کار‌ها را نیز درست شبیه به ما انجام دهند چه؟ خیلی جالب است، نه؟ پس به خاطر داشته باشید که این، هنوز آغاز عصر جدیدی است که قرار است اتفاق بیافتد.

نحوه عملکرد یادگیری ماشین

الگوریتم‌های یادگیری ماشین، با استفاده از مجموعه داده‌هایی با عنوان داده‌های آموزشی (training data set) یادگیری کرده و مدل‌های موردنیاز را ایجاد می‌کنند. زمانی که داده‌های جدیدی به الگوریتم یادگیری ماشین معرفی می‌شوند، سیستم می‌تواند بر اساس مدل ایجاد شده، فرایند پیش‌بینی را انجام دهد.

پیش‌بینی صورت گرفته به دقت ارزیابی شده و در صورت تایید دقت‌پذیری، الگوریتم یادگیری ماشین مذکور استقرار می‌یابد. در صورت عدم تایید دقت‌پذیری پیش‌بینی نیز، الگوریتم یادگیری ماشین با استفاده از داده‌های آموزشی کامل‌تری بار‌ها و بار‌ها آموزش داده می‌شود تا بتواند نتیجه مطلوب را ارائه دهد.

این، صرفا یک مثال اید‌ه‌آل است و در عمل، فاکتور‌ها و مراحل بسیاری در فرایند یادگیری ماشین دخیل هستند.

انواع یادگیری ماشین

زیرمجموعه‌ها و انواع سیستم‌های یادگیری ماشین به سه دسته تقسیم می‌شوند:

• یادگیری با نظارت (Supervised Learning) – آموزشم بده!
• یادگیری بدون نظارت (Unsupervised Learning) – خودم می‌توانم یاد بگیرم
• یادگیری تقویتی (Reinforcement Learning) – قوانین من زندگی من هستند!

یادگیری با نظارت چیست؟

یادگیری تحت نظارت را می‌توان به آموزش دانش‌آموزان تحت نظر و هدایت یک معلم تشبیه کرد. در این‌جا، مجموعه‌ای از داده‌ها را داریم که درست مثل یک معلم عمل می‌کنند و وظیفه تعلیم ماشین یا مدل را بر عهده دارند. زمانی که مدل مربوطه یادگیری کرد، قادر خواهد بود تا پیش‌بینی‌ها و تصمیمات دقیق لازم در مورد داده‌های جدید ورودی به سیستم را ارائه دهد.

یادگیری بدون نظارت چیست؟

در این حالت، مدل از طریق مشاهدات یادگیری کرده و دستورالعمل‌ها و ساختار‌های موجود در مجموعه‌ی داده‌ها را کشف می‌کند. زمانی که مجموعه داد‌ه‌ای به مدل معرفی می‌شود. مدل با استفاده از خوشه‌بندی داده‌ها، ارتباطات و الگو‌های موجود در آن‌ها را به‌صورت اتوماتیک کشف می‌کند. تنها کاری که چنین سیستمی‌ نمی‌تواند انجام دهد، برچسب‌زنی روی دسته‌های مختلف است. برای مثال، با وجود این‌که یک سیستم یادگیری ماشین بدون نظارت قادر است دو نوع میوه سیب و انبه را به راحتی از یکدیگر سوا کند، اما نمی‌تواند نام آن‌ها را به‌صورت جداگانه روی هر دسته مشخص کند.

فرض کنید مجموعه‌ای از میوه‌های سیب، موز و انبه را به‌عنوان داده‌های ورودی به سیستم یادگیری ماشین بدون نظارت داد‌ه‌ایم. چیزی که اتفاق می‌افتد، خوشه‌بندی این ورودی‌ها در سه دسته جداگانه بر اساس ارتباطات و الگو‌هایی است که ماشین کشف کرده است. اکنون اگر داده جدیدی را به سیستم معرفی کنیم، در یکی از این سه دسته جای خواهد گرفت.

یادگیری تقویتی چیست؟

یادگیری تقویتی نیز به توانایی ارتباط یک عامل با محیط خارجی به منظور دست‌یابی به بهترین نتیجه اطلاق می‌شود. مفهومی‌ که از آن، با عنوان مدل سعی و خطا نیز یاد می‌شود. این عامل، بر اساس نتایج صحیح یا اشتباهی که به دست می‌آورد، امتیاز مثبت کسب کرده یا جریمه می‌شود و در نهایت، مدل قابلیت بهبود از طریق امتیازات مثبت و نتایج مطلوب کسب‌شده را به دست می‌آورد. این یادگیری و بهبود ادامه پیدا می‌کند تا زمانی که سیستم بتواند پیش‌بینی‌ها و تصمیمات دقیق مورد نیاز در مورد داده‌های جدید ورودی را ارائه دهد.

کاربرد‌های عینی و عملی یادگیری ماشین

سیستم‌های تشخیص چهره، کورتانا (Cortana)، نتفلیکس (Netflix) و بسیاری از سیستم‌هایی که همه روزه از آن‌ها استفاده می‌کنیم، مثال‌هایی از کاربرد‌های یادگیری ماشین هستند.

منبع: Edureka