یادگیری ماشین (Machine Learning) چیست؟ مثال ها و کاربرها

یادگیری ماشین چیست؟

یادگیری ماشین شاخه ای از علوم کامپیوتر و هوش مصنوعی است که در آن روشهایی مورد مطالعه قرار می گیرند تا بتوان ماشین ها (کامپیوتر) را قادر ساخت از اطلاعات و داده های موجود آموزش ببینند و یاد بگیرند. به زبان ساده تر کاری کنیم که کامپیوتر مانند انسان یاد بگیرد.

به طور کلی منظور از یادگیری کسب تجربه و یادآوری اتفاقات گذشته و بکارگیری آنها برای رویداد های پیش رو است این امر در انسان و ماشین تفاوتی ندارد. در یادگیری ماشین سعی میشود مکانیزم یادگیری مغز انسان در کامپیوتر ها شبیه سازی شود و این قابلیت به کامپیوتر ها داده شود که بدون اینکه به صورت صریح برنامه نویسی شوند یاد بگیرند که چگونه عمل کنند.

چه موقع باید از یادگیری ماشین استفاده کنیم؟

برای حل مسائلی که روش های مرسوم برای حل آنها مناسب نیستند یا نوشتن دستورالعمل ها به وسیله انسان فرآیندی بسیار پیچیده باشد

در جایی که تغییرات در داده های به صورت ممتد و تصادفی است یکی از بهترین جاهای است که میتوان برای تشخیص الگوها در داده ها از یادگیری ماشین استفاده کرد

انواع یادگیری ماشین؟

Types of ML

به طور کلی چهار نوع الگوریتم یادگیری ماشین وجود دارد

یادگیری تحت نظارت (Supervised Learning)

یادگیری بدون نظارت (Unsupervised Learning)

یادگیری نیمه نظارتی (Semi-supervised Learning)

یادگیری تقویتی (Reinforcement Learning)

Supervised Learning

در یادگیری ماشین نظارت شده، الگوریتم هوش مصنوعی با نظرات یک ناظر یا مربی آموزش داده می شود. منظور از مربی خروجی مورد انتظار الگوریتم است که از قبل مقدار آن مشخص می باشد این مقدار خروجی معمولا تارگت (target) یا برچسب (label) نامیده می شود. این مدل یادگیری ماشین به وسیله داده های وجود در فاز آموزش نحوه تشخیص الگوها (patterns) را فرا می گیرد پس از این مرحله خروجی‌های پیش‌بینی‌شده با مجموعه ای از خروجی‌های واقعی مقایسه شده و مدل یادگیری ماشین خود را برای دستیابی به دقت بیشتر ویرایش کرده در نتیجه عملکرد کلی سیستم بهبود می‌بخشد.

در زیر چند نمونه از تکنیک های محبوب یادگیری ماشین نظارت شده را بررسی می کنیم

Regression (رگرسیون)

هنگامی پیش بینی شود خروجی مدل یادگیری ماشین به شکل اعداد پیوسته باشد از این الگوریتم استفاده می شود. در این صورت لیبل به صورت اعداد به هم پیوسته خواهد بود مانند پیش بینی قیمت خانه، پیش بینی حقوق و دستمزد، پیش بینی قد یا سن افراد.

Classification (دسته بندی)

از این تکنیک زمانی استفاده می شود که بخواهیم مشخص کنیم که مقداری به کدام دسته تعلق دارد. ممکن است این دسته بندی شامل پاسخ به فرم بله یا خیر باشد مثل اینکه پیش بینی شود آیا بیماری سرطان دارد یا خیر که به آن دسته بندی دودویی (Binary Classification) نیز گفته می شود. نوع دیگری از این الگوریتم یادگیری ماشین دسته بندی چند کلاسی (Multiclass Classification) نامیده می شود که به عنوان مثال برای تشخیص نوع غذا بکار میرود

(پیش بینی) Forecasting

برای پیش بینی مقادیر بر اساس مقادیر حال حاضر و گذشته به کار برده میشود یکی از کاربرد های پیش بینی قیمت سهام به وسیله هوش مصنوعی است

برخی از الگوریتم های مورد استفاده در یادگیری ماشین نظارت شده به شرح زیر می باشند

Linear Regression

Logistic Regression

Support Vector Machine (SVM)

Naive Bayes

Decision Trees

Random Forest

k-Nearest Neighbor

Unsupervised Learning

یادگیری ماشین بدون نظارت روشی است که در آن داده ها برچسب گذاری نشده اند به معنی که مقادیر خروجی از قبل مشخص نیستند و به مدل یادگیری ماشین اجازه داده می شود تا الگوها را از میان داده ها استخراج کرده. این الگو ها می توانند به معنی دسته بندی داده ها یا تشخیصی ساختار خاصی در داده های ورودی به هوش مصنوعی باشند به عنوان مثال گروه بندی مشتریان به گروه های مختلف با احتمال خرید مجدد یا ساختن سیستم توصیه گر (Recommendation Systems) که به مشتریان بر اساس سوابق خرید خود یا دیگران کالاهایی را برای خرید پیشنهاد می دهد.

از الگوریتمهای رایج یادگیری ماشین بدون نظارت میتون موارد زیر را نام برد

Clustering

Anomaly Detection

Dimensionality Reduction

Association Rule Learning

Semi-supervised Learning

در یادگیری ماشین نیمه نظارتی برخی از داده ها برچسب گذاری شده اند اما قالب آنها بدون برچسب می باشند. از ترکیب الگوریتمهای یادگیری ماشین نظارت شده و بدون نظارت میتوان برای برچسب گذاری داده های بدون برچسب و پس از آن پیش بینی نتایج استفاده کرد نمونه اسافاده از این تکنیک در برچسب گذاری تصاویر درون تلفن همراه می باشد به گونه ای که شما با برچسب گذاری یک عکس از شخصی به تلفن همراه آموزش خواهید داد تا تصاویر دیگر آن شخص را برچسب گذاری کند

Reinforcement Learning

این نوع یادگیری ماشین در بر گیرنده سه عبارت مامور، کنش، پاداش یا جریمه است. مامور یا سیستم آموزش بیننده بر اساس داده های موجود عملی را انجام داده سپس سیستم پاداش یا تنبیه را نسبت به عمل انجام شده اعمال می کند بر اساس این پاداش ها سیستم یادگیری ماشین خود را به گونه ای برنامه ریزی کرده تا پاداش حداکثری را دریافت کند از کاربردهای این هوش مصنوعی می توانم به آموزش راه رفتن به ربات ها یا سیستم کنترل هواپیما نام برد که در آن سیستم بر اساس پاداش و تنبیه یاد میگرید که چگونه راه برود یا کنترل آن هواپیما را در دست بگیرد

یادگیری ماشین و انواع آن