یادگیری ماشین چیست و چه کاربردی دارد؟

یادگیری ماشین.jpg

ماشین لرنینگ (Machine Learning) یکی از زیرمجموعه‌های هوش مصنوعی است که به لطف آن، می‌توانیم سیستم‌هایی داشته باشیم که به صورت خودکار و بدون برنامه ریزی صریح، یاد بگیرند و پیشرفت کنند.

ممکن است این سوال پیش بیاید که آیا کامپیوترها می‌توانند از طریق داده‌هایی که در اختیارشان قرار می‌گیرد، یاد بگیرند؟ باید بگوییم بله. کامپیوترها می‌توانند در موقعیت‌های جدید، داده‌های جدیدی دریافت کرده و خودشان را با این داده‌ها سازگار کنند، از محاسبات قبلی یاد بگیرند و تصمیمات و قابل تکراری بگیرند. در ادامه قصد داریم کمی بیشتر درباره‌ی یادگیری ماشین یا همان ماشین لرنینگ صحبت کنیم. با فیسیت همراه باشید.

یادگیری ماشین چیست؟

ماشین لرنینگ (Machine Learning) یکی از زیرمجموعه‌های هوش مصنوعی است که به لطف آن، می‌توانیم سیستم‌هایی داشته باشیم که به صورت خودکار و بدون برنامه ریزی صریح، یاد بگیرند و پیشرفت کنند. در اصل یادگیری ماشین بر توسعه‌ی برنامه‌های کامپیوتری تمرکز دارد که می‌تواند به داده‌ها دسترسی یافته و با استفاده از آن‌ها، به خودی خود یاد بگیرد.

فرآیند یادگیری با مشاهدات و یا داده‌هایی مانند مثال‌ها، تجریبات مستقیم، ساختارها و... آغاز می‌شود و در این داده‌ها به دنبال یافتن الگو‌هایی هستیم که به گرفتن تصمیمات بهتر در آینده کمکمان کند. هدف اصلی یادگیری ماشین هم این است که به کامپیوترها اجازه بدهیم که بدون مداخله‌ یا کمک انسان بتوانند به صورت اتوماتیک یاد بگیرند و اقداماتی را تنظیم کنند.

دسته بندی روش‌های یادگیری ماشین

ماشین لرنینگ با ناظر (supervised)

در این دسته، سیستم می‌تواند چیزهایی را که پیشتر یاد گرفته را به آینده تعمیم دهد و با برچسب گذاری داده‌ها و نمونه‌ها، وقایع آینده را پیشبینی کند. درواقع سیستم در این حالت کار خود را با آنالیز داده‌های شناخته شده آغاز می‌کند و نهایتاً یک الگوریتم یادگیری و تابع استنباط شده را برای پیشبینی مقادیر خروجی تولید می‌کند. حتی این الگوریتم می‌تواند برای اطلاع از میزان دقت عملش، خروجی‌هایش را با خروجی‌های صحیح مقایسه کند و میزان خطایش را بدست بیاورد.

ماشین لرنینگ بدون ناظر (unsupervised)

در این روش، داده‌های ما دسته بندی و برچسب گذاری نشده‌اند. یادگیری ماشین بدون ناظر، روی این مسئله مطالعه می‌کند که چطور سیستم می‌تواند تابعی را استنباط کند که به کمک آن بتواند ساختارهای مخفی را از دل داده‌های برچسب گذاری نشده، پیدا کند. با این حال این الگوریتم‌ها نمی‌توانند خروجی صحیحی را تشخیص بدهند.

ماشین لرنینگ نیمه نظارتی (Semi-supervised)

این الگوریتم‌های یادگیری ماشین، چیزی مابین حالت با ناظر و بدون ناظر هستند که از هر دو نوع داده‌ی برچسب گذاری شده و بدون برچسب برای یادگیری بهره می‌برند. معمولاً در این روش، مقدار اندکی از داده‌ها دارای برچسب و حجم زیادی از آن‌ها بدون برچسب هستند. سیستم‌هایی که از این روش استفاده می‌کنند، می‌توانند به طور قابل توجهی، دقت را در یادگیری افزایش دهند. معمولاً از این روش در شرایطی استفاده می‌شود که بدست آوردن داده‌های برچسب گذاری شده نیاز به مهارت و منابع مرتبط داشته باشد.

ماشین لرنینگ تقویت شده (Reinforcement machine learning)

این روش یک متد یادگیری ماشین است که از آزمون و خطا برای تقویت و بهبود عملکرد خود بهره می‌برد. درواقع در این روش سیستم با محیط ارتباط برقرار کرده و با استفاده از بازخوردهایی که دریافت می‌کند، خودش را ارتقا می‌دهد. در این روش، ماشین یا نرم افزار به صورت خودکار رفتار ایده‌آل را در می‌یابد تا عملکردش را حداکثر کند. درواقع همین بازخوردها، سیگنال‌های تقویت هستند.

کاربردهای یادگیری ماشین

ماشین لرنینگ در زمینه‌های مختلف مانند پیشبینی آب و هوا، تشخیص پزشکی، آنالیز داده‌های حجیم، نظارت بر ویدئوهای دوربین‌های مداربسته و تحت شبکه، استفاده در شبکه‌های اجتماعی (برای شخصی سازی فید اخبار، تبلیغات هدفمند و...)، فیلتر کردن بدافزارها و... کاربرد دارد.

در مقالات بعدی تصمیم داریم تا درباره‌ی تکنیک‌های یادگیری ماشین صحبت کنیم. با فیسیت همراه باشید.

اگر به اخبار دنیای تکنولوژی علاقه مند هستید، ما را در شبکه‌های اجتماعی مختلف تلگرام، روبیکا، توییتر، اینستاگرام و آپارات همراهی کنید.

منبع خبر: فیسیت

IMG_20210301_202437.jpg

خدیجه زارعپور

فارغ التحصیل کارشناسی فناوری اطلاعات هستم. از اردیبهشت‌ماه 96 شروع به نوشتن معرفی محصول، اخبار و آموزش در حوزه تکنولوژی در فیسیت کردم. بیش‌تر از هر چیزی به شبکه‌های کامپیوتری، مجازی سازی، سیسکو و... علاقه‌مند هستم و بیشتر از اون علاقه‌مند به به‌اشتراک‌گذاری اطلاعات با بقیه...

در صورت داشتن هر گونه پیشنهاد و انتقاد نسبت به اخبار و مقالات، می‌تونید به این آدرس ایمیل بفرستید: khadijezarepour@gmail.com


0 نظر درباره‌ی این پست نوشته شده است.

ثبت نظر