در ابن مقاله به تعریف یادگیری ماشین و انواع آن پرداخته‌ایم. همچنین کاربردها، مزایا و معایب آن را به اختصار مرور خواهیم کرد.

پس از معرفی رایانش ابری به شکل امروزی‌اش، توسط جف بزوس، فناوری‌های مختلفی از قبیل هوش مصنوعی، متاورس، بلاک‌چین و… شکل تازه‌ای به خود گرفته‌اند.

در این مطلب به معرفی یادگیری ماشین، که زیرمجموعه‌ای از هوش مصنوعی است، خواهیم پرداخت.

یادگیری ماشین چیست؟

یادگیری ماشین (ML) زیرمجموعه‌ای از هوش مصنوعی است. ML به ماشین‌ها اجازه می‌دهد تا به طور خودکار یاد بگیرند و ارتقا یابند.

در واقع این فناوری قادر است تا با تجزیه و تحلیل و درک داده‌ها، بدون دخالت انسان، بیاموزد، استدلال کند، تصمیم بگیرد و انجام دهد.

می‌توان تعریف یادگیری ماشین را مجموعه‌ای از داده‌ها، الگوریتم‌ها، مقیاس‌پذیری و اتوماسیون دانست.

این الگوریتم‌های ریاضی، سالیان سال، در علوم تئوری وجود داشته‌اند. اما تا قبل از ظهور یادگیری ماشین، هرگز تا به این حد کاربردی نبوده‌اند.

اولین بار ایده هوش مصنوعی در سال ۱۹۵۶ توسط جان مک کارتی ارائه شد.

اما تا سال ۲۰۰۷ میلادی که رایانش ابری پا به عرصه ظهور گذاشت، پیشرفت چشم‌گیری به خود ندید.

هوش مصنوعی به‌منظور ذخیره‌سازی داده‌ها و اجرای الگوریتم‌هایشان نیاز به فضای ذخیره‌سازی وسیع، قدرت پردازشی بالا و استفاده از چندین سرور به طور همزمان دارند.

می‌توان ادعا کرد که تمام این امکانات را رایانش ابری به هوش مصنوعی عطا نمود. در ادامه با یادگیری ماشین، الگوریتم‌های آن و یادگیری عمیق بیشتر آشنا خواهیم شد.

انواع روش‌های یادگیری ماشین

سبک یادگیری در این فرآیند می‌تواند شامل یکی از موارد یادگیری نظارت‌شده، یادگیری بدون نظارت، یادگیری نیمه نظارتی و یادگیری تقویتی باشد.

این تقسیم‌بندی با توجه به نوع یادگیری، نوع الگوریتم‌ها و میزان دخالت انسان در روند آموزش است. در ادامه آن‌ها را مرور خواهیم کرد:

۱- یادگیری ماشینی تحت نظارت:

این سبک از یادگیری به نظارت مستقیم انسان نیاز دارد. در واقع این دانشمندان هستند که داده‌ها را برچسب‌گذاری می‌کنند و متغیرها، ورودی‌ها و خروجی‌های دلخواه را به الگوریتم‌ها آموزش می‌دهند.

به عنوان مثال در صورت مواجه شدن با X، پاسخ مساوی با Y است.

مسائل یادگیری ماشین نظارت شده به دو دسته «دسته‌بندی- مثل سیاه یا سفید/ مجرد یا تاهل» و «رگرسیون- مثل قد/ وزن» تقسیم می‌شوند.

کاربردها:

• طبقه‌بندی باینری یا تقسیم داده‌ها به دو دسته.
• طبقه‌بندی چند کلاسه یا انتخاب بین بیش از دو نوع پاسخ.
• مدلسازی رگرسیون به معنای پیش‌بینی مقادیر پیوسته.
• Ensembling به معنای ترکیب پیش‌بینی‌های چندین مدل یادگیری ماشین، به منظور تولید یک پیش‌بینی دقیق.

۲- یادگیری ماشینی بدون نظارت:

در یادگیری ماشین بدون نظارت، از الگوریتم‌ها به‌منظور تجزیه و تحلیل و خوشه‌بندی مجموعه داده‌های بدون برچسب استفاده می‌شود.

این بدان معناست که انسان در روند آموزش ماشین دخالتی نمی‌کند و ماشین از داده‌های بدون برچسب برای یادگیری استفاده می‌کند.

این الگوریتم‌ها به دنبال هرگونه ارتباطات معناداری، تمام داده‌ها را اسکن و گروه‌بندی می‌کند.

روش یادگیری بدون نظارت، به شدت برای مواردی از قبیل تجزیه و تحلیل داده‌های اکتشافی، استراتژی های فروش متقابل، تقسیم بندی مشتریان و… مفید است.

از جمله الگوریتم‌های محبوب در این روش می‌توان به مواردی مانند شبکه‌های عصبی، خوشه‌بندی k-means، خوشه‌بندی احتمالی، Naïve Bayes و غیره اشاره کرد.

کاربردها:

• تقسیم مجموعه داده‌ها به انواع گروه‌ها بر اساس شباهت.
• تشخیص ناهنجاری و شناسایی داده‌های غیرعادی در یک مجموعه داده.
• شناسایی ارتباط میان مجموعه‌ای از آیتم‌ها، در یک مجموعه داده، که اغلب با یکدیگر بروز می‌کنند.
• کاهش ابعاد و کاهش تعداد متغیرها در یک مجموعه از داده‌ها.

۳- یادگیری ماشین نیمه نظارتی:

یادگیری نیمه‌نظارت شده را می‌توان ترکیبی از دو روش یادگیری نظارت شده و یادگیری بدون نظارت دانست.

در این روش دانشمندان مقدار کمی از داده‌های برچسب‌گذاری شده را به یک الگوریتم تغذیه می‌کنند. چراکه برچسب گذاری تمام داده‌ها می‌تواند زمان‌بر و گران باشد.

این‌گونه الگوریتم ابعاد مجموعه داده‌ها را می‌آموزد. سپس می‌تواند آن‌ها را روی داده‌های جدید و بدون برچسب اعمال کند.

الگوریتم‌های به‌کار رفته در این فرآیند می‌توانند با الگوریتم‌های یادگیری نظارت شده و بدون نظارت یکسان باشند.

کاربردها:

• ترجمه ماشینی و آموزش الگوریتم‌ها برای ترجمه زبان.
• شناسایی تقلب.
• برچسب‌گذاری داده‌ها در ابعاد بزرگ‌تر.

۴- یادگیری ماشین تقویتی:

این سبک از آموزش، همانند یادگیری نظارت شده، به انسان نیازمند است. با این تفاوت که الگوریتم‌ها نه با داده‌ها، بلکه با آزمون و خطا می‌آموزند.

در این روش که معمولا برای تکمیل یک فرآیند چندمرحله‌ای استفاده می‌شود، قوانین و اهداف مشخص و از پیش تعیین شده‌ای وجود دارد.

اگر این الگوریتم‌ها به سمت هدف مشخص‌شده پیش بروند، پاداش مثبت، و اگر از آن دور شوند، پاسخ منفی دریافت می‌کنند.

کاربردها:

• ربات‌ها می‌توانند با استفاده از این تکنیک، انجام وظایف دنیای فیزیکی را بیاموزند.
• یادگیری بازی ویدیویی توسط ربات‌ها.
• مدیریت منابع به این معنا که با توجه به منابع محدود و یک هدف تعریف شده، یادگیری تقویتی می‌تواند به شرکت‌ها در برنامه ریزی نحوه تخصیص منابع کمک کند.

یادگیری عمیق (Deep Learning) چیست؟

اگر بخواهیم به ترتیب نام ببریم؛ شبکه‌های عصبی، یادگیری عمیق، یادگیری ماشین و هوش مصنوعی زیرمجموعه‌های یکدیگر هستند.

یادگیری عمیق بخشی از یادگیری ماشین است که نیاز کمتری به دخالت انسان‌ها دارد و از طرفی می‌تواند داده‌های عظیم‌تری را تجریه و تحلیل نماید.

اگرچه یادگیری عمیق می‌تواند از داده‌های برچسب گذاری شده نیز استفاده کند، اما لزوما نیاز به استفاده از آن‌ها نیست.

زیرا می‌تواند داده‌های بدون ساختار را به شکل خام (مثلاً متن، تصاویر) تشخیص دهد و به‌طور خودکار مجموعه‌ای از ویژگی‌هایی را تعیین و داده‌ها را دسته‌بندی کند.

درحال حاضر این فناوری پیشرفت شایانی را زمینه شناسایی اشیا در تصاویر و شناخت کلمات در صداها داشته است.

یادگیری عمیق و شبکه‌های عصبی در درجه اول باعث تسریع پیشرفت در زمینه‌هایی مانند بینایی رایانه، پردازش زبان طبیعی و تشخیص گفتار می‌شوند.

 

کاربردهای یادگیری ماشین

یکی از مشهودترین کاربردهای یادگیری ماشین در فضای مجازی است. به عنوان مثال زمانی که در فیس‌بوک و اینستاگرام تصاویر خشن فیلتر می‌شوند.

همچنین اینکه صفحه سرچ افراد، معمولا چیزهایی را نمایش می‌دهد که فرد علاقه بیشتری به آن‌ها نشان داده است، از این قبیل کاربردها هستند.

در دنیای کار و تجارت نیز این فناوری می‌تواند رفتار مشتریان را با الگوهای عملیاتی کسب و کار مطابقت بخشد تا منجر به سود بیشتر و رضایت طرفین گردد.

از مهم‌ترین کاربردهای یادگیری ماشین می‌توان به تشخیص گفتار، خدمات مشتریان، چت بات‌ها، بینایی ماشین، موتورهای توصیه و معاملات خودکار سهام اشاره کرد.

البته این‌ها تنها بخشی کوچکی از میزان عظمت این فناوری را نشان می‌دهند.

پیش از این در مقالات مختلفی در مورد کاربردهای هوش مصنوعی در کشاورزی، تشخیص سرطان، اتومبیل‌های خودران، ارتش، ساختمان‌سازی، بانکداری، بازی‌سازی، بیمه و IT صحبت کرده‌ایم.

یادگیری ماشین به خدمات مالی، دولتی، بهداشتی، خرده‌فروشی، نفت وگاز، حمل و نقل و… نیز سرعت و دقت بی سابقه‌ای بخشیده است.

به عنوان مثال در خرده‌فروشی موجب شخصی‌سازی تجربه خریدهای آنلاین برای هر مشتری می‌شود.

از طرفی نیز در یافتن منابع تجدیدناپذیر و خرابی سنسورهای پالایشگاه‌ها به همان اندازه درخشان عمل می‌کند.

به‌طور کلی مواردی از قبیل تشخیص ناهنجاری، تشخیص تقلب، پیش‌بینی ریزش مشتری، شخصی‌سازی و… از کاربردهای یادگیری ماشین هستند.

همچنین انجام اموراتی مانند طبقه‌بندی تصویر و ویدئو، تشخیص گفتار، درک زبان طبیعی،  موتورهای پیشنهادی و… نیز از عهده یادگیری عمیق بر‌می‌آیند.