یادگیری ماشین (machine learning ) چیست؟ ماشین لرنینگ

احتمالا تا حالا زیاد به این سوال برخورد کردید که یادگیری ماشین چیست؟ یا اصلا چرا باید از یادگیری ماشین استفاده کنیم؟
یادگیری ماشین، یکی از زیرمجموعه های هوش مصنوعی است.با توجه به رشد و پیشرفت چشمگیری که در سرتاسر دنیا داشته، حالا در ایران هم یکی از تکنولوژی های مورد علاقه ی کسب و کارهاست.شرکت هایی مانند دیجی کالا در جهت بهبود سیستم های فروششان از ماشین لرنینگ استفاده میکنند.
در یک تعریف ساده ، هدف این است که به ماشین ها آموزش دهیم و برای آنها یک برنامه ای را پیاده کنیم که در آینده ، بدونه نیاز به دخالت انسان، توانایی بررسی، تحلیل و پیش بینی را داشته باشد.

یادگیری ماشین چیست؟

ماشین لرنینگ از زیرمجموعه های هوش مصنوعی است که برای ماشین ها امکانی را فراهم میکند تا خودکار، یادبگیرند و پیشرفت کنند.در واقع ما به ماشین ها به صورت مستقیم یاد نمیدهیم که باید چکار کنند.زمانی که این ماشین ها با حجم زیادی از داده ها روبرو میشوند، به شکل خودکار، الگوهای تکرار شونده را بدون دخالت انسان یاد میگیرند.دقیقا مانند شیوه یادگیری انسان ها عمل میکنند و هرچه تجربه این ماشین ها بیشتر شود به مرور زمان، دقتش نیز بالاتر میرود.
در علم یادگیری ماشین ، همه چیز برنامه نویسی نمیشود.بلکه در تلاشیم تا با استفاده از الگوریتم ها یک ماشین را به شکلی طراحی کنیم، که بدونه آنکه برنامه ریزی خاصی داشته باشد و یا همه ی اعمال به آن گوش‌زد شود، توانایی یادگیری و عمل داشته باشد.یعنی این الگوریتم است، که بر اساس داده هایی که در اختیارش قرار دارد، منطقی برای خودش میسازد.

انواع یادگیری ماشین 

یادگیری ماشین دارای انواع مختلفی است.که در اینجا در یک نگاه کلی، الگوریتم های یادگیری ماشین را به سه دسته تقسیم میکنیم:

یادگیری نظارت شده

در این نوع از یادگیری، دیتاساینتیست ها به عنوان ناظر، داده ها را در اختیار ماشین قرار میدهند و انواع داده‌ها را با برچسب گذاری مشخص میکنند.سپس الگوریتم یادگیری ماشین با استفاده از داده های ورودی و برچسب ها که خروجی ما را نشان میدهند، به ما تابعی را ارائه میدهد که برای دسته بندی داده ها از آن استفاده میکنیم.
مثلا ما به ماشین، تصویری از عدد 5 و همچنین یک تصویر سیاه و سفید نشان میدهیم.و به ماشین آموزش میدهیم که این، عدد 5 است و این تصویر هم دو رنگ دارد که یکی سیاه و دیگری سفید است.پس از اینکه آموزش تمام شد، حالا یک سری داده های جدید به ماشین میدهیم.حال ماشین، با استفاده از تجربیاتی که کسب کرده میتواند تشخیص دهد که در این داده ها از عدد 5 استفاده شده است یا نه، یا رنگ سیاه و سفید را تشخیص میدهد.

یادگیری بدون نظارت

در یادگیری بدونه نظارت، خبری از برچسب های اطلاعاتی یا وجود یک ناظر یا مربی نیست.در این روش ،ماشین باید خودش به دنبال ساختارهای موجود در داده ها باشد.به نوع دیگر، در این روش، فقط ورودی موجود است و هیچ خروجی (برچسب) موجود نیست.
به شکل کلی ، خروجی درستی را این سیستم به ما نشون نمیده ، اما ارتباط بین داده ها را میتواند کشف کند.مثلا اگر به این ماشین، چندین عکس بدهیم که شامل مکان های مختلف، حیوانات مختلف و … است، میتواند ساختارهای مخفی و ارتباطات بین این عکس ها را کشف کند.
یکی از الگوریتم های مورد استفاده در یادگیری نظارت نشده، الگوریتم های خوشه بندی یا CLUSTERING است.که یکی از الگوریتم های مورد استفاده آن ، K-MEANS است.زمانی از الگوریتم های خوشه بندی استفاده میشود، که میخواهیم داده هایی که ذاتا در یک گروه خاص هستند را کشف کنیم.

یادگیری تقویتی

در این روش،همانند یادگیری نظارت نشده، خبری از برچسب گذاری نیست.در واقع ، ماشین، با توجه به بازخوردهایی که از اعمالش میگیرد( تشویق یا تنبیه ) به درک و تفسیر مسائل مختلف میپردازد.
مثلا به بازی های رایانه ای توجه کنید، چگونه بعضی از ماشین ها در میتوانند بر انسان پیروز باشند؟
همه چیز به لطف همین الگوریتم یادگیری تقویتی است.وقتی ماشین، در این بازی ها در تقابل با انسان میبرد، تشویق میشود و جایزه میگیرد و از این قوت برای بازهای آینده نیز استفاده میکند.در طرف مقابل، زمانی که به انسان میبازد، خطاهایی که باعث باختش میشود را پیدا میکند و با استفاده از این الگوها به تدریج به مراحل بالاتر میرود.

یادگیری ماشین نظارت شده چگونه کار می‌کند؟

یادگیری ماشین نظارت شده نیازمند حضور یک دانشمند داده است که الگوریتم را با ورودی‌های برچسب‌دار و خروجی‌های دلخواه آموزش دهد. الگوریتم‌های یادگیری نظارت شده مناسب کارهای زیر هستند:
• طبقه‌بندی باینری: تقسیم داده‌ها به دو دسته
• طبقه‌بندی چندکلاسه: انتخاب بین بیش از دو نوع پاسخ
• مدل‌سازی رگرسیون: پیش بینی مقادیر پیوسته
• Ensembling: ترکیب پیش‌بینی‌های چندین مدل یادگیری ماشین برای تولید یک پیش‌بینی دقیق.

یادگیری ماشین بدون نظارت چگونه کار می‌کند؟

الگوریتم‌های یادگیری ماشینی بدون نظارت نیازی به برچسب‌گذاری داده‌ها ندارند. این الگوریتم‌ها داده‌های بدون برچسب را غربال می‌کنند تا  الگوهایی که مناسب گروه بندی نقاط داده در زیر مجموعه‌ها هستند را پیدا کنند. بیشتر انواع یادگیری عمیق، از جمله شبکه‌های عصبی از الگوریتم‌های بدون نظارت استفاده می‌کنند. الگوریتم‌های یادگیری بدون نظارت مناسب کارهای زیر هستند:

• خوشه‌بندی: تقسیم مجموعه داده‌ها به گروه‌ها بر اساس شباهت
• تشخیص ناهنجاری: شناسایی نقاط داده غیرعادی در یک مجموعه داده
• ارتباط کاوی: شناسایی مجموعه‌ای از آیتم‌ها در یک مجموعه داده که اغلب با هم اتفاق می‌افتد
• کاهش ابعاد: کاهش تعداد متغیرها در یک مجموعه داده

کاربردهای یادگیری ماشین

یادگیری ماشین، امروزه کاربردهای فراوانی دارد.در زیر به چند مورد از کاربردهای مهم ماشین لرنینگ در دنیای امروز اشاره میکنیم.

تشخیص گفتار

یکی از رایج ترین کاربردهای ماشین لرنینگ است.مثلا زمانی که شما در هنگام استفاده از گوگل ، از قسمت جستجوی صوتی استفاده میکنید و یک موضوع را بیان میکنید، این دستورالعمل های صوتی از فناوری تشخیص گفتار برای تبدیل به متن شدن استفاده میکنند.

تشخیص تصویر

راه های زیادی هست که به وسیله آن میشود یک سری ویژگی هایی تعیین کرد، که ماشین، یک تصویر را از تصاویر دیگر جدا کند.مثلا تصویر یک فرد که ماسک زده در کنار یک فرد بدونه ماسک ، یا نمونه های دیگر را میتواند با الگوی قرار گرفتن پیکسل ها در کنار هم تشخیص دهد.

هشدارها و پیش بینی ترافیک

اگر از GOOGLE MAP استفاده کرده باشید ، میدانید که با این برنامه میتوانید در کوتاه ترین زمان ممکن به مسیر دلخواه خود برسید.تا حالا به این فکر کردید که گوگل مپ، چگونه میتواند مسیرهای با ترافیک کمتر را به ما نشان دهد؟

از طریق مکان واقعی خودرو که از نقشه گوگل و سنسنورها آمده است
از طریق میانگین زمانی که در روزهای گذشته طی شده تا یک ماشین در این مسیر به مقصد برسد

همه ی افرادی که از این برنامه استفاده میکنند، میتوانند به بهبود این برنامه کمک کنند.یعنی اطلاعات را از شما میگیرد و به پایگاه داده میفرستد.

توصیه های محصول

وقتی در اینترنت یک محصول را سرچ میکنید، در مرورگر ، تبلیغ هایی در مورد همان محصول میبینید.گوگل با استفاده از الگوریتم های ماشین لرنینگ، علاقه کاربران را درک میکند و در انتها، محصول را بر حسب علاقه مندی کاربر پیشنهاد میدهد.

علم پزشکی

از ماشین لرنینگ در علم پزشکی برای تشخیص بیماری های مختلف استفاده میشود.مثلا تومورهای مغزی را جدیدا به کمک فناوری هایی که با یادگیری ماشین به وجود آمده اند را بهتر تشخیص میدهند.و همچنین محل دقیق ضایعات را در مغز بهتر میتوانند پیدا کنند.

به نظر، تا الان به اهمیت یادگیری ماشین لرنینگ پی بردید و میدانید که چرا باید یادگیری ماشین را یاد بگیرید.این ها فقط بخش کوچکی از کاربردهای امروزه ماشین لرنینگ بودند.

اهمیت ماشین لرنینگ در چیست؟

چون یادگیری ماشین با توجه به الگوریتم هایی که دارد ، امکان پیش بینی را برای کسب و کارها تا حد بسیار زیادی فراهم کرده است.و این فقط یک جمله نیست ، همین پیش بینی باعث میشود که کسب و کارها بدانند مشتریان خود ، بیشتر به دلیل وجود کدام محصولات در کنار آن ها ماندند.این یعنی دیگر محصولاتی که سود ندارند تقویت نمیشوند.و این به خودی خود موجب میشود که از ضررهای بسیار زیاد شرکت ها جلوگیری کرد.ماشین لرنینگ، امروزه به یک مزیت رقابتی تبدیل شده.کما اینکه بسیاری از شرکت های بزرگ امروز ، یادگیری ماشین را هسته ی اصلیه فعالیت های خود میدانند مانند شرکت گوگل ، فیس بوک و …

مزایا و معایب یادگیری ماشین چیست؟

ماشین لرنینگ کاربردهای زیادی دارد؛ از پیش‌بینی رفتار مشتریان گرفته تا مدیریت سیستم‌عامل‌های خودروهای اتوماتیک.از مهم‌ترین مزایای ماشین لرنینگ می‌توان به درک مشتریان شرکت‌ها در سطوح عمیق و گسترده اشاره کرد. ماشین لرنینگ می‌تواند با جمع‌آوری داده‌های مشتریان و برقراری ارتباط طبق آن داده‌ها، رفتارهای تکرارشونده مشتریان را بیاموزد. ماشین لرنینگ الگوهای توسعه محصول و بازاریابی را مطابق با تقاضای مشتریان تنظیم می‌کند.برخی از شرکت‌ها از یادگیری ماشین به عنوان عامل اصلی در مدل‌های تجاری خود استفاده می‌کنند. برای مثال، اوبر از الگوریتم‌هایی خاص برای تطبیق رانندگان با سواران استفاده می‌کند.
اما ماشین لرنینگ با معایبی نیز همراه است. اول از همه اینکه یادگیری ماشین ممکن است گران باشد. پروژه‌های یادگیری ماشین معمولاً توسط دانشمندان داده هدایت و اجرا می‌شوند که حقوق بالایی دارند. این پروژه‌ها همچنین به زیرساخت‌های نرم افزاری گران‌قیمت نیاز دارند.
علاوه بر این، یادگیری ماشین ممکن است دچار خطا و بایاس شود. الگوریتم‌های آموزش داده شده بر روی مجموعه‌های داده‌ای که جمعیت‌های خاصی را حذف می‌کنند یا خطا دارند، ممکن است به مدل‌های نادرست از جهان منجر شوند که در بهترین حالت، شکست می‌خورند و در بدترین حالت دچار سوگیری اشتباه می‌شوند. اگر شرکتی فرآیندهای اصلی کسب‌وکار خود را بر اساس مدل‌های مغرضانه قرار دهد، ممکن است دچار آسیب‌های قانونی و اعتباری شود.

جمع بندی

امروزه ، ماشین لرنینگ ، یک مهارت ویژه است که شما با یادگیری آن، قادر خواهید بود که به کسب و کارهای زیادی در کشور کمک کنید.هم میتوانید به صورت رسمی در شرکت ها استخدام شوید، هم میتوانید به صورت فریلنسری پروژه بگیرید.
با توجه به کاربردهای فراوانی که یادگیری ماشین دارد، احتمالا هیچ کسب و کار بزرگ و هدفمندی از این مهارت چشم پوشی نخواهد کرد و قطعا یک متخصص یادگیری ماشین به کارشان می آید.

یکی از دوره های آنلاینی که با موضوع ماشین لرنینگ برگزار شده، بر روی وبسایت پروپژ منتشر شده است و شما میتوانید در این دوره با مسائلی مانند یادگیری نظارت شده، یادگیری بدون ناظر و … شرکت کنید.

در پایان، لطفا نظر خودتون رو در مورد یادگیری ماشین و همچنین محتوای این مقاله بنویسید.امیدواریم که این مقاله به شما در زمینه ی ماشین لرنینگ کمک کرده باشد.