یادگیری ماشین چیست؟

کامپیوترها در حال برداشتن نیستند، اما هر روز دقت بیشتری دارند

در ساده ترین حالت، یادگیری ماشین (ML) برنامه ریزی ماشین ها (کامپیوتر ها) است تا بتواند با استفاده و تجزیه و تحلیل داده ها (اطلاعات) را برای انجام آن کار مستقل بدون هیچ گونه خاصی از یک توسعه دهنده انسان انجام دهد.

ماشین آموزش 101

اصطلاح "یادگیری ماشین" در سال 1959 توسط آرتور ساموئل، یکی از پیشگامان هوش مصنوعی (AI) و بازی کامپیوتری، در آزمایشگاههای آیبیام ساخته شد. یادگیری ماشین به عنوان یک نتیجه شاخه ای از هوش مصنوعی است. فرضیه ساموئل این بود که مدل محاسباتی زمان را به عقب برگرداند و متوقف کردن چیزهای کامپیوتری برای یادگیری.

در عوض، او می خواست کامپیوترها را به خود مشغول کند تا بدون اینکه انسان حتی نیاز به اطلاعات کوچکتری داشته باشد، چیزهایی را به خود اختصاص دهد. سپس، فکر کرد، کامپیوترها فقط انجام وظایف را انجام نمی دهند، اما در نهایت تصمیم می گیرند که چه کارهایی انجام شود و چه زمانی. چرا؟ به طوری که رایانه ها می توانند میزان کار انسان را که نیاز به انجام در هر منطقه خاص دارد، کاهش دهد.

چگونه ماشین یادگیری کار می کند

یادگیری ماشین با استفاده از الگوریتم ها و داده ها کار می کند. یک الگوریتم مجموعه ای از دستورالعمل ها یا دستورالعمل هایی است که به یک کامپیوتر یا برنامه می گوید که چگونه یک کار را انجام می دهد. الگوریتم های مورد استفاده در ML جمع آوری داده ها، تشخیص الگوهای و استفاده از تجزیه و تحلیل از آن داده ها برای تطبیق برنامه های خود و توابع برای تکمیل وظایف.

الگوریتم های ML از مجموعه قوانینی، درخت های تصمیم گیری، مدل های گرافیکی، پردازش زبان طبیعی و شبکه های عصبی استفاده می کنند (به نام چند) برای خودکار پردازش اطلاعات برای تصمیم گیری و انجام وظایف. در حالی که ML می تواند یک موضوع پیچیده باشد، Google Teachable Machine نشان می دهد که چگونه ML کار می کند.

قدرتمند ترین شکل یادگیری ماشین که امروزه استفاده می شود، یادگیری عمیق است ، یک ساختار پیچیده ریاضی به نام شبکه های عصبی ایجاد می کند که براساس مقادیر وسیعی از داده ها است. شبکه های عصبی مجموعه ای از الگوریتم های در ML و AI مدل شده پس از راه سلول های عصبی در مغز انسان و اطلاعات سیستم پردازش عصبی.

هوش مصنوعی در مقابل یادگیری ماشین در مقابل داده کاوی

برای درک بهتر رابطه بین AI، ML، و داده کاوی، برای تعیین مجموعه چترهای گوناگون، مفید است. AI بزرگترین چتر است. چتر ML یک اندازه کوچکتر است و زیر چتر AI متناسب است. چتر Data mining کوچکترین و زیر چتر ML است.

• AI شاخه ای از علوم رایانه ای است که هدف آن برنامه های کامپیوتری را برای انجام وظایف در راه های هوشمندانه تر و "بشری" تر، با استفاده از استدلال و تکنیک های تصمیم گیری که پس از هوش انسانی طراحی شده است، برنامه ریزی می کند.
• ML یک دسته از محاسبات درون AI متمرکز بر ماشین های برنامه نویسی (رایانه) است که برای یادگیری (جمع آوری اطلاعات و نمونه های لازم) برای تصمیم گیری هوشمندانه با یک روش خودکار تر، تصمیم گیری هوشمندانه ای دارند.
• داده کاوی با استفاده از آمار، ML، AI، و پایگاه های اطلاعاتی عظیم اطلاعات برای پیدا کردن الگوهای، ارائه بینش، ایجاد طبقه بندی، شناسایی مشکلات، و ارائه تجزیه و تحلیل داده های دقیق.

چه ماشین آموزش می تواند انجام دهد (و در حال حاضر)

ظرفیت رایانه برای تجزیه و تحلیل اطلاعات وسیع در بخش های یک ثانیه، باعث می شود ML در تعدادی از صنایع مورد استفاده قرار گیرد که زمان و دقت آنها ضروری است.

• پزشکی: تکنولوژی ML در طیف وسیعی از راه حل های پزشکی کاربرد دارد، از جمله کمک به پزشکان بخش اورژانس با تشخیص سریعتر بیماران مبتلا به علائم غیر معمول. پزشکان می توانند لیست علائم بیمار را در برنامه و با استفاده از ML وارد کنند، این برنامه می تواند تریلیون ترابایت اطلاعات را از ادبیات پزشکی و اینترنت برای بازگرداندن لیستی از تشخیص های بالقوه و تست توصیه شده یا درمان در زمان رکوردی، را از بین ببرد.
• آموزش و پرورش: ML برای ایجاد ابزار آموزشی است که خود را به نیازهای آموزشی دانش آموز، مانند دستیارهای یادگیری مجازی و کتاب های الکترونیکی متصل می کند که بیشتر تعاملی هستند. این ابزارها از ML برای کشف مفاهیم و مهارت هایی که دانش آموز با استفاده از آزمون های کوتاه و تمرین تمرین می آموزد، استفاده می کند. ابزارها سپس ویدیوهای کوتاه، نمونه های اضافی و مواد پس زمینه را برای کمک به دانش آموزان مهارت ها و مفاهیم مورد نیاز را فراهم می کنند.
• خودرو: ML نیز یکی از مولفه های اصلی در زمینه در حال ظهور اتومبیل های خود رانندگی است (همچنین به نام اتومبیل های راننده یا اتومبیل های خودمختار). نرم افزاری که ماشین های خود رانندگی را به کار می گیرد در طول تست های جاده ای واقعی و شبیه سازی برای تشخیص شرایط جاده (مانند جاده های یخی) و یا شناسایی موانع در مسیر جاده ها از ML استفاده می کند و کارهای رانندگی مناسب را برای ایمن بودن در چنین شرایطی هدایت می کند.

شما احتمالا در مواجهه با ML بارها و بارها متوجه آن شده اید. برخی از کاربردهای رایج تر تکنولوژی ML عبارتند از: تشخیص گفتار عملی ( Bixby سامسونگ ، سیری اپل و بسیاری از برنامه های صحبت با متن که در حال حاضر بر روی رایانه های شخصی استاندارد هستند)، فیلتر کردن هرزنامه برای ایمیل شما، ساختن خبرخوان ها، تشخیص تقلب، شخصی سازی توصیه های خرید و ارائه نتایج جستجو موثر وب سایت.

ML حتی در فیس بوک شما درگیر است. هنگامی که دوست دارید یا بر روی پست های یک دوست متداول می شوید، الگوریتم ها و ML پشت صحنه "یاد می گیرند" از اعمال شما در طول زمان برای اولویت دادن به دوستان یا صفحات خاصی در Newsfeed شما هستند.

چه ماشین آموزش می تواند انجام دهد

با این حال، محدودیت هایی وجود دارد که ML می تواند انجام دهد. برای مثال، استفاده از تکنولوژی ML در صنایع مختلف نیازمند مقدار قابل توجهی از توسعه و برنامه نویسی توسط انسان ها است تا یک برنامه یا سیستم را برای انواع وظایف مورد نیاز آن صنعت اختصاص دهد. به عنوان مثال، در مثال پزشکی ما بالا، برنامه ML مورد استفاده در بخش اورژانس به طور خاص برای پزشکی انسانی طراحی شده است. در حال حاضر این برنامه دقیق را نمی توان و مستقیما آن را در یک مرکز اضطراری دامپزشکی اجرا کرد. چنین گذار نیاز به تخصص و توسعه گسترده توسط برنامه نویسان انسانی برای ایجاد یک نسخه قادر به انجام این کار برای پزشکی دامپزشکی و یا حیوانات است.

همچنین به اطلاعات و نمونه های باور نکردنی زیادی نیاز دارد تا اطلاعات مورد نیاز برای تصمیم گیری و انجام وظایف را یاد بگیرند. برنامه های ML نیز در تفسیر داده ها و مبارزه با نمادگرایی و نیز برخی از انواع ارتباطات در نتایج داده ها، از قبیل علت و معلول، بسیار متناقض است.

با این حال، پیشرفت های مداوم، باعث می شود ML بیشتر از یک تکنولوژی هسته ای ایجاد کند که هر روز کامپیوترهای هوشمندتر را طراحی کند.