رابطه بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق

در این مطلب به بررسی واژه های هوش مصنوعی، یادگیری ماشین، یادگیری عمیق می پردازیم و سعی میکنیم به ساده ترین روش ممکن شباهت ها و تفاوت های آنها را بررسی کنیم و رابطه ای که این مفاهیم با یکدیگر دارند را موشکافی کنیم

همانطور که در نمودار بالا ملاحظه می فرمایید هوش مصنوعی یک واژه کلی است که به یک مفهوم عمومی و وسیع اشاره میکند. یک مجموعه مادر است که یادگیری ماشین و یادگیری عمیق زیر مجموعه های آن هستند و همانطور که طبق شکل زیر ملاحظه میکنید هوش مصنوعی دارای شاخه های متنوع و وسیعی می باشد 

واقعا منظور هوش مصنوعی چیست

اگر بخواهیم مفهوم هوش مصنوعی را برای یک انسان عادی توضیح دهیم باید بگوییم که این عبارت از دو کلمه "هوش" و "مصنوعی" تشکیل شده است که به خودی خود تعریف خوبی از این مفهوم ارائه میدهد. به واسطه واژه هوش مصنوعی سعی میکنیم تقلیدی ساختگی و مصنوعی از هوشمندی مغز انسان داشته باشیم تا بتوانیم کارهای روزمره و طاقت فرسا را به آن محول کنیم (مانند تشخیص خوش خیم یا بدخیم بودن سلول ها یا انجام امور ارتباط با مشتریان و مثالهای متنوع دیگر) 

در ادامه به بررسی شاخه های هوش مصنوعی می پردازیم

یادگیری ماشین

یادگیری ماشین زیر شاخه ای از هوش مصنوعی است که بدون اینکه صراحتا برنامه نویسی شده باشد قابلیت پیش بینی نتایج را دارا باشد. با استفاده از داده های موجود آموزش میبیند سپس می تواند خروجی ها را نسبت به داده های که تا به حال ندیده تولید کند

در حالت کلی سه نوع یادگیری ماشین وجود دارد

یادگیری ماشین نظارت شده

در این روش داده ها برچسب گذاری یا نام گذاری شده اند سپس کل دادها به دو مجموعه داده های آموزشی (training set) و داده های تست (testing set) تقسیم بندی شده به طور عمومی این تقسیم بندی به صورت 80 به 20 صورت میگیرد که 80 درصد داده ها برای فاز آموزش سیستم و 20 درصد برای فاز تست مورد استفاده قرار می گیرند این نسبت تقسیم بندی میتواند به صورت 75 به 25 یا اعداد دیگر هم اعمال گردد اما همیشه سعی می شود نسبت بزرگتر به دسته آموزشی داده شود اجازه دهد توضیحات بیشتر را در قالب مثال زیر ارائه دهیم.

فرض کنید مجموعه داده ها (dataset) به صورت تصویر زیر باشد

با استفاده از سه ردیف اول الگوریتم را آموزش داده پس از آن با استفاده از ردیف چهارم نتایج خروجی الگوریتم برای شرایط ردیف چهارم را راستی آزماییی میکنیم همانطور که در تصویر مشخص است جمع 2 عدد ورودی هر سطر مساوی است با خروجی آن ولی این یک مثال بسیار ساده است اما در واقعیت مسائل بسیار پیچیده ای وجود دارد که کشف رابطه بین ورودی ها و خروجی نیاز به محاسبات بسیار پیچیده و سنگینی دارد و به همین خاطر است که با استفاده از داده های سعی می کنیم تا الگوریتم را آموزش دهیم. محصولی که پس از یادگیری ماشین بدست میاوریم مدل هوش مصنوعی یا یادگیری ماشین نامیده (ML model) می شود. هنگامی که داده های ورودی به مدل خورانده می شوند، مدل شروع به تنظیم وزن ها کرده تا به نتیجه مورد انتظار برسد پس از آن مدل مدل به وضعیت محاسباتی رسیده است که میتواند با استفاده از داده های جدید خروجی صحیح تولید نماید

یادگیری ماشین غیر نظارتی

در این روش یادگیری ماشین از داده های نام گذاری نشده یا بدون برچسب استفاده میشود به این صورت که الگوریتم هوش مصنوعی داده ها را بررسی کرده و آنها را خوشه بندی کرده و الگوهای پنهان موجود در داده های را شناسایی می کند. همانطور که در شکل زیر میبینید داده ها به وسیله سه رنگ آبی، نارنجی و سبز از یکدیگر تمیز داده شده اند. الگوریتمهای خوشه بندی زیادی در بحث یادگیری ماشین غیر نظارتی وجود دارند که یکی از محبوب ترین آنها الگوریتم خوشه‌بندی کی-میانگین (K-means clustering) نامیده میشود. پیش بینی صورت پذیرفته در این الگوریتم به این صورت است مشخص شود هر داده به کدام خوشه تعلق دارد. روش های خوشه بندی دیگری هم وجود دارد که بر مبنای اختصاص قوانین و کاهش ابعاد (این دو مربوط از تکنیک های پیشرفته آمار و یادگیری ماشین هستند) استوار هستند 

یادگیری تقویتی 

در این نوع از یادگیری عمیق عنصر تقویتی از تجربیات گذشته درس می گیرد به این صورت که عملی را انجام داده و نتیجه آن را بررسی کرده اگر نتیجه خروجی خوب بود یک فیدبک مثبت (پاداش) دریافت می کند  و اگر نتیجه خروجی خوب نبود فیدبک بد یا پنالتی (تنبیه) دریافت خواهد کرد در نتیجه الگوریتم یادگیری ماشین به واسطه این فیدبک ها یاد میگیرد. از این نوع یادگیری ماشین در مسائلی که نیاز به تصمیم گیری دنباله دار مانند شطرنج دارد استفاده می شود برای مثال AlphaGo با استفاده از یادگیری ماشین تقویتی به اولین کامپیوتری تبدیل شد که توانست بهترین بازیکنان بازی گو را شکست دهد و به این ترتیب تبدیل به قویترین بازیکن گو تبدیل شود

یادگیری عمیق 

یادگیر عمیق زیر مجموعه از  یادگیری ماشین است که با الهام از نورونها یا اعصاب داخل مغز انسان شکل گرفته است. یادگیری عمیق از شبکه ای از لایه های به هم پیوسته از گره ها (node) تشکیل شده است. تعداد این لابه های به هم پیوسته عمق شبکه را مشخص میکنند و به طور کلی برای اینکه شبکه ای در دسته یادگیری عمیق قرار بگیرد نیاز به حداقل سه لایه از نود ها وجود دارد در شکل زیر یک نمونه از یادگیری عمیق را مشاهده میکنید

یادگیری عمیق به طور وسیعی در تشخیص تصویر، ترجمه، تبدیل متن به گفتار و غیره مورد استفاده قرار میگیرد

Powered by Froala Editor