تاریخچه
به دلیل ظهور فناوری‌های جدید محاسباتی، امروزه یادگیری ماشین مانند گذشته نیست. علم یادگیری ماشین از شناخت الگو و تئوری خاصی متولد شده است. این تئوری بیان می‌کند که کامپیوترها از توانایی یادگیری برخوردارند! محققان علاقمند به هوش مصنوعی تحقیقاتی برای پاسخ به این سوال انجام داده‌اند: آیا کامپیوترها می‌توانند از طریق دادههایی که در اختیار آن‌ها قرار می‌گیرند یاد بگیرند یا خیر.
ماشین‌های مختلف ممکن است در موقعیت‌های مختلف داده‌های جدیدی دریافت کنند؛ بنابراین باید قادر به سازگاری با هر داده‌ی جدیدی باشند. آن‌ها از محاسبات قبلی یاد می‌گیرند تا تصمیمات و نتایج قابل اعتماد و قابل تکرار تولید کنند. جنبه تکراری یادگیری ماشین از این نظر حائز اهمیت است. این علم چندان جدید نیست؛ اما علمی است که اخیرا جنبش‌های تازه‌ای پیدا کرده است.
بسیاری از الگوریتم‌های machine Learning از مدت‌ها پیش وجود داشته‌اند. اما توانایی اعمال محاسباتی پیچیده ریاضی در داده‌های بزرگ و با سرعت زیاد از پیشرفت‌های اخیر محسوب می‌شود. در این مقاله به این سوال می‌پردازیم که machine Learning چیست؟
machine Learning شاخه‌ای از هوش مصنوعی (AI) است که به سیستم توانایی یادگیری خودکار و بهبود، بدون برنامه ریزی صریح را می‌دهد و بر توسعه برنامه‌های رایانه‌ای متمرکز است. این برنامه‌ها می‌توانند به داده‌ها دسترسی داشته باشند و از آن‌ها برای اهداف مختلف استفاده کنند.
فرآیند یادگیری با مشاهدات و با استفاده از برخی داده‌ها مانند مثال‌ها، تجربه مستقیم یا دستورالعمل‌ها آغاز می‌شود. هدف این است که بر اساس دادههایی که اکنون به ماشین‌ها می‌دهیم، بتوانیم الگوهای موجود در آن‌ها را پیدا کنیم. در نهایت نیز به کمک این الگوها برای آینده تصمیمات بهتری بگیریم.
به عبارت دیگر هدف اصلی این است که به کامپیوترها اجازه دهیم بدون دخالت و کمک انسان به طور خودکار یاد بگیرند و اقدامات خود را بر اساس آن تنظیم کنند.
مزیت‌ها و معایب
یادگیری ماشین تجزیه و تحلیل مقادیر عظیم داده را امکان پذیر می‌کند. اگرچه این علم به طور کلی نتایج سریعتر و دقیق‌تری را برای شناسایی فرصت‌های سودآور یا خطرات ارائه می‌دهد؛ اما ممکن است برای افزایش دقت و صحت آن به زمان و منابع بیش‌تری نیاز باشد. تلفیق یادگیری ماشین با هوش مصنوعی و فناوری‌های شناختی می‌تواند ماشین‌ها را برای پردازش حجم زیادی از اطلاعات آماده کند. در نظریه‌ی یادگیری ماشین علومی چون ریاضیات، آمار و علم رایانه به کار رفته است.
معایب machine Learning
این علم می‌تواند تأثیر بسزایی در پیشرفت پردازش اطلاعات داشته باشد، اما خالی از ایراد نیست.
- ماشین‌ها قرار است با توجه به الگوها و داده‌ها آموزش ببینند. بنابراین در صورتی که در داده‌های آینده یا الگوها تغییرات کلی وجود داشته باشد، احتمال بروز خطا بسیار زیاد است.
- استفاده از این علم و جایگزین کردن کامپیوترها برای کارهای مختلف نیازمند زمان و هزینه زیادی است.
- ارائه داده‌ها به ماشین و انتخاب الگوریتم مناسب چالش دیگری است که پیش روی فعالان این حوزه وجود دارد.
دسته بندی روش‌های machine Learning
علم یادگیری ماشین دسته‌بندی‌های گوناگونی دارد. این دسته‌بندی‌ها در مورد روش پیاده‌سازی آن و یادگیری ماشین‌های مختلف صحبت می‌کند. در ادامه توضیحاتی در مورد روش‌های مختلفی که مورد استفاده قرار می‌گیرد، ارائه داده‌ایم.
یادگیری ماشین با ناظر (supervised)
الگوریتم‌های یادگیری ماشین با ناظر یا تحت نظارت، می‌توانند آنچه را که در گذشته آموخته شده است را به آینده تعمیم دهند و از آن‌ها برای پیش بینی استفاده کنند. در روش‌های با ناظر، ماشین با شروع از تجزیه و تحلیل مجموعه داده‌های شناخته شده برای آموزش، یک الگوریتم یادگیری و تابع استنباط‌شده را برای پیش‌بینی مقادیر خروجی تولید می‌کند. این سیستم پس از آموزش کافی قادر است الگوریتم ایجاد شده را برای هر ورودی جدید فراهم کند. الگوریتم یادگیری همچنین می‌تواند خروجی خود را با خروجی صحیح در نظر گرفته شده مقایسه کرده و خطاهایی را پیدا کند تا مدل را متناسب با آن اصلاح کند. به طور خلاصه، در یادگیری با ناظر، ما یک سری ویژگی داریم و یک لیبل؛ مثلا در یک دیتاست قیمت خانه، یک سری ویژگی (تعداد اتاق‌ها، متراژ، فاصله از مرکز شهر و …) داریم و یک لیبل (قیمت خانه). با داشتن این دیتاست و با استفاده از روش‌های یادگیری با ناظر، می‌توان مدلی ساخت که قیمت یک خانه را با گرفتن ویژگی‌های آن پیش‌بینی کند.
الگوریتم machine Learning بدون ناظر (unsupervised)
الگوریتم‌های بدون نظارت در مقابل الگوهای با ناظر قرار دارند. آن‌ها هنگامی به کار می‌روند که اطلاعات مورد استفاده برای آموزش نه طبقه‌بندی و نه برچسب‌گذاری شده باشند. در یادگیری بدون ناظر، سیستم‌ها می‌توانند تابعی را برای توصیف ساختار پنهان از داده‌های بدون برچسب استنباط کنند. روش‌های یادگیری ماشین بدون ناظر خروجی صحیح را تشخیص نمی‌دهند، اما داده‌ها را کاوش می‌کنند و می‌توانند از مجموعه داده‌ها ساختارهای پنهان آن‌ها را استنباط کنند.
الگوریتم‌های نیمه نظارتی
الگوریتم های یادگیری ماشین نیمه نظارت شده، ویژگی‌هایی در بین روش یادگیری با ناظر و بدون ناظر قرار می‌گیرند. زیرا در این روش، بخشی از داده‌های ارائه شده برای آموزش دارای برچسب هستند و برخی بدون برچسب و دسته بندی. به طور معمول در روش یادگیری نیمه نظارت شده مقدار کمی از داده‌های دارای برچسب و مقدار زیادی از داده ها بدون برچسب هستند. سیستم‌هایی که از این روش استفاده می‌کنند، می‌توانند به میزان قابل توجهی دقت یادگیری را افزایش دهند. در این روش‌ها به کامپیوتر تنها یک سیگنال آموزشی ناقص داده می‌شود. منظور از سیگنال آموزشی ناقص، دادههایی است که بسیاری از خروجی‌های آن از دسترس خارج هستند.
یادگیری تقویتی (Reinforcement Learning)
در روش‌های یادگیری ماشین تقویت شده، ماشین برای رسیدن به هدفی خاص، مثلا برنده شدن در یک مسابقه کامپیوتری تلاش می‌کند. ماشین در این روش یادگیری از آزمون و خطا برای تقویت و بهبود عملکرد خود استفاده می‌کند. دلیل اینکه این روش را با نام یادگیری تقویت شده می‌شناسیم، این است که ماشین با استفاده از بازخوردهای مثبت و منفی که دریافت می‌کند، می‌تواند عملکرد خود را ارتقا دهد. بنابراین در نهایت تجربه کافی به دست می‌آورد و می‌تواند به هدف مشخص شده برسد.
اهمیت یادگیری ماشین چیست؟
علاقه زیاد به یادگیری ماشین در میان محققان به دلیل همان عواملی است که باعث محبوبیت بیشتر علم داده کاوی و تجزیه و تحلیل داده‌ها نسبت به زمان‌های گذشته شده است. مهم‌ترین عوامل افزایش توجه و تحقیقات در مورد یادگیری ماشین عبارت است از؛
- افزایش حجم و نوع داده‌های موجود
- نیاز به پردازش محاسباتی ارزان‌تر و قدرتمندتر
- نیاز به ذخیره سازی مقرون به صرفه
همه این موارد به معنای امکان تولید سریع و خودکار مدل‌هایی است که بتوانند داده‌های بزرگتر و پیچیده‌تری را تجزیه و تحلیل کنند. این مدل‌ها در عین حال باید بتوانند نتایج سریعتر و دقیق‌تری را ارائه دهند؛ حتی در مقیاس‌های بسیار بزرگ. نتیجه مهم و مزیت روش‌های یادگیری ماشین، ساختن مدل‌های دقیق برای یک سازمان است. در نتیجه ایجاد این مدل‌ها شانس آن سازمان برای شناسایی فرصت‌های سودآور یا جلوگیری از خطرات ناشناخته تا حد زیادی افزایش پیدا می‌کند.
ارتباط با هوش مصنوعی چگونه است؟
هوش مصنوعی (AI) دانش گسترده‌ای در تقلید از توانایی‌های انسان است. یادگیری ماشین زیرمجموعه خاصی از هوش مصنوعی به شمار می‌رود که به یک ماشین آموزش می‌دهد که چگونه یاد بگیرد.
به طور کلی می‌توان گفت مبحث یادگیری ماشین یک روش برای دستیابی به هوش مصنوعی است. البته در بسیاری از شاخه‌ها یادگیری ماشین بسیار پیشرفته و کارآمد است و بدون نیاز به مباحث هوش مصنوعی مورد استفاده قرار می‌گیرد.
هوش مصنوعی یعنی دستگاهی بتواند وظیفه‌ای را انجام دهد که برای آن به هوش انسان نیاز است. این علم برای اولین بار در سال ۱۹۵۰ مطرح شد. سیستم‌های هوش مصنوعی به طور کلی حداقل برخی از ویژگی‌ها و صفات زیر را از خود نشان می دهند:
- برنامه ریزی
- یادگیری
- استدلال
- حل مسئله
- دانش و درک
- و تا حدی هوش اجتماعی و خلاقیت.
برخی از این ویژگی‌ها برای اینکه یک ماشین قابلیت یادگیری داشته باشد، ضروری است.
کاربردهای یادگیری ماشین
از جمله برخی از معروف‌ترین مثال‌های علم یادگیری ماشین می‌توان به موارد زیر اشاره کرد.
- پیش بینی آب و هوا: با استفاده از علم یادگیری ماشین و تجزیه تحلیل داده‌ها می‌توان عمل پیش بینی آب و هوا برای یک بازه‌ی زمانی مشخص را انجام داد.
- تشخیص پزشکی: یکی از مهم‌ترین استفاده‌ها و کاربردهای علم هوش مصنوعی و یادگیری ماشین توانایی تشخیص پزشکی است. به این ترتیب کامپیوتر یا ماشین می‌تواند بیمار بودن یا نبودن یک فرد را از روی داده‌ها و علائم وی تشخیص دهد.
- تجزیه و تحلیل داده‌ها در حجم زیاد: در حال حاضر حجم داده‌های موجود در جهان در تصور انسان نمی‌گنجد. انسان‌ها بدون کمک کامپیوترها نمی‌توانند از بهره‌ای از این داده‌ها ببرند. بنابراین یادگیری ماشین می‌تواند در زمینه انجام پردازش‌های مختلف روی آن‌ها کارآمد باشد.
کاربرد یادگیری ماشین در زندگی روزمره
شاید به این فکر کنید که آموزش دادن به ماشین‌ها تنها برای انجام کارهای بسیار تخصصی کاربرد دارد. اما در آینده‌ای نه چندان دور موتورهای جستجوی مختلف مانند گوگل و یوتیوب به این سیستم مجهز خواهند شد. همچنین در سیستم بانکداری نیز می‌توان به صورت گسترده از یادگیری ماشین استفاده کرد. شرکت‌هایی که خدمات مختلف ارائه می‌دهند نیز هر کدام می‌توانند به نحوی از این علم بهره ببرند. از این کاربردهای مختلف می‌توان نتیجه گرفت که علم یادگیری ماشین در زندگی آینده بشر تأثیر مستقیم خواهد داشت.
جمع‌بندی
یادگیری ماشین یک زیرمجموعه از علم هوش مصنوعی است که در سال‌های اخیر مورد توجه فراوانی واقع شده است. هدف ازاین علم دادن توانایی آموزش رویکردهای مختلف به ماشین‌هاست. از این علم در حالت پیشرفته آن برای پیش بینی بسیاری از مسائل می‌توان استفاده کرد. این علم به ما کمک می‌کند بخشی از وظایف را به ماشین‌ها محول کنیم. حتی ممکن است در آینده بسیاری از نیازهای انسان به کمک هوش مصنوعی و قدرت یادگیری توسط ماشین‌ها برطرف شود. سرعت پیشرفت تکنولوژی زیاد است. بنابراین نیازی نیست مدت زیادی برای اینکه ببینیم کدام یک از پیشبینی‌ها در این باره به وقوع می‌پیوندد، منتظر بمانیم.
منبع – فاطمه مهراسبی – فنولوژی
