الگوریتم‌ها آهسته و پیوسته در حال بهبود زندگی ما هستند. «پدرو دومینگوس» از دانشگاه واشینگتون در این باره گفته است: «الگوریتم‌ها می‌توانند کتاب‌ها، فیلم‌ها، کارها، قرارهای ملاقات و مدیریت سرمایه‌گذاری‌ها را پیدا و مواد دارویی جدید را کشف کنند.» با پیشرفت‌های سریعی که در حوزه یادگیری ماشینی به وجود آمده است، بخش عمده‌ای از این الگوریتم‌ها وابستگی خود به برنامه‌های غیرهوشمند را محدود کرده‌اند. درست همانند شخصی که با نگاه کردن به ردپای دیگری قادر است در مسیر او حرکت کند، الگوریتم‌ها نیز به‌خوبی می‌توانند با نگاه کردن به ردپای دیجیتالی شما، علایق و نیازهایتان را یاد بگیرند و در ادامه، بر مبنای سلایق شما خدمت‌رسانی کنند.
پیشرفت‌های صورت‌گرفته در حوزه یادگیری ماشینی این ظرفیت را به وجود آورده است تا این فناوری قادر به کشف روش‌های علمی باشد. روش‌هایی که به کمک آن‌ها روبات‌های هوشمند و برنامه‌های کامپیوتری می‌توانند خود را برنامه‌ریزی کنند. اما سؤال این است که این الگوریتم‌ها چگونه توانسته‌اند زندگی روزمره ما را دستخوش تغییر کنند و بهبود بخشند؟ ما در این مقاله 9 مورد از روش‌هایی را که یادگیری ماشینی منجر به بهبود کیفیت زندگی ما شده است، بررسی کرده‌ایم. جالب آنکه روش‌هایی که در ادامه خواهید خواند، بیش از آنچه تصور میکنید به شما نزدیک هستند.
روزگاری را تصور کنید که در ازدحام ترافیک گرفتار می‌شدید و هیچ راه چاره‌ای پیش روی‌تان قرار نداشت. اما در مقطع فعلی آیفون می‌تواند روز و زمانی را که از شلوغی و ازدحام ترافیک دچار سردرد می‌شوید، حدس بزند. در این حالت مسیری را پیشنهاد خواهد کرد تا در مدت زمان پنج دقیقه به مقصد برسید. دومینگوس در این خصوص گفته است: «یادگیری ماشینی زیرساخت جدیدی برای هر آن چیزی است که تصور میکنید.» جالب آنکه امروزه بسیاری از صنایع و کسب‌وکارها به لطف یادگیری ماشینی دستخوش تحولاتی اساسی شده‌اند.
1.یادگیری ماشینی برای پیدا کردن درمان‌های مناسب، در حال مدل‌سازی سرطان است
اگر به دستاوردهای دنیای پزشکی در طول دو دهه اخیر نگاهی بیندازیم، مشاهده می‌کنیم که این علم موفق شده است راه درمان بسیاری از بیماری‌های صعب‌العلاج را کشف کند. اما زمانی که این علم با فناوری درهم آمیزد، دستاوردها خارج از تصور ما خواهد بود. بدون شک، یادگیری ماشینی با مدل‌سازی انواع مختلفی از سرطان‌ها می‌توانند روش‌های درمانی مناسبی ابداع کند. در همین خصوص، دکتر «کواید ماریس»، از دانشگاه تورنتو گفته است: «من از یادگیری ماشینی برای پیدا کردن روش‌های مؤثر درمانی در زمینه سرطان استفاده می‌کنم.» او در صفحه اصلی سایت خود نوشته است: «ما از یادگیری ماشینی برای درک بهتر پدیده‌های زیستی استفاده می‌کنیم.» با استفاده از مدل‌های بیزین (BNs)، شبکه‌های عصبی مصنوعی (ANNs)، ماشین‌های بردار پشتیبان (SVMs) و درخت‌های تصمیم‌گیری (DTS)، دکتر ماریس موفق به مدل‌سازی تجمیعی سلول‌های منفرد و اندازه‌گیری آن‌ها شده است. این مدل‌ها به وی کمک کرده‌اند تا نتایج تحقیقات او دقیق‌تر و جالب توجه‌تر شوند. نتیجه تحقیقات او در ژورنال «Computational and Structural Biotechnology» به چاپ رسیده است. او همچنین همراه با «پل پرتوس» به برگزاری رقابتی جمع‌سپاری (Crowdsourcing) با هدف پیدا کردن ابزارهای جدید در حوزه تحقیقات سرطانی اقدام کرده است.
روزگاری را تصور کنید که در ازدحام ترافیک گرفتار می‌شدید و هیچ راه چاره‌ای پیش روی‌تان قرار نداشت. اما در مقطع فعلی آیفون می‌تواند روز و زمانی را که از شلوغی و ازدحام ترافیک دچار سردرد می‌شوید، حدس بزند.
شرکت‌کنندگان در این رقابت حجم گسترده‌ای از داده‌های متوالی DNA را بررسی و تحلیل کرده‌اند. این کار به منظور شناسایی گروه‌های متمایزی از سلول‌ها که درون تومورها قرار دارند، انجام می‌شود. سلول‌هایی که اغلب زمینه‌ساز شکست روش‌های درمانی می‌شوند. در رویکرد دیگری، ضرورت توجه به طبقه‌بندی بیماران مبتلا به سرطان در گروه‌های در معرض خطر و کمتر در معرض خطر، باعث شده است گروه‌هایی تحقیقاتی در حوزه‌های زیست‌پزشکی و زیست‌انفورماتیک گردهم آیند تا با استفاده از روش‌های یادگیری ماشینی به مطالعه در این زمینه بپردازند. در همین راستا، گروهی از دانشگاه لوآنیا یونان گردهم آمده‌اند تا با استفاده از یادگیری ماشینی، بیماران سرطانی در گروه‌های پرخطر و کم‌خطر را همراه با مدل‌های درمانی و نتایج به‌دست‌آمده از درمان‌ها طبقه‌بندی کنند. آن‌ها در نظر دارند با استفاده از یادگیری ماشینی مدلی پیشرفته در ارتباط با درمان بیماری سرطان ابداع کنند.
2. ماشین‌ها همراه با گروه‌های انسانی لباس‌های مدنظر شما را انتخاب می‌کنند
«Stitch Fix» شرکتی است که در زمینه طراحی لباس‌ها فعالیت دارد. این شرکت برای آنکه در کار خود موفق شود از محاسبات انسان‌محور در فعالیت‌های تجاری خود استفاده می‌کند. «اریک کولسون»، محقق ارشد الگوریتم‌ها در شرکت Stitch Fix در این باره گفته است: «مدل کسب‌وکار ما کاملاً متفاوت با دیگر شرکت‌ها است. ما روی الگوریتم‌ها سرمایه‌گذاری عظیمی کرده‌ایم و یک گروه اختصاصی برای محاسبات انسان‌محور تشکیل داده‌ایم. این گروه نزدیک به 2000 مورد از سبک‌های مورد علاقه مردم در زمینه طراحی مد را بررسی کرده است. این گروه وظیفه مشخصی بر عهده داشت که انجام آن تنها از عهده انسان‌ها برمی‌آمد و ماشین‌ها در انجام این مهم با شکست روبه‌رو می‌شدند. نتیجه بررسی‌ها و تحلیل‌های این گروه، به عنوان بینش انسانی آماده می‌شدند. در ادامه، این بینش انسانی با یادگیری ماشینی ترکیب شد و حاصل کار، آن شد که اکنون شرکت ما می‌تواند به مردم در پیدا کردن اقلام شخصی و اتاق‌های آن‌ها کمک کند.» سیستم طراحی‌شده توسط Stitch Fix با ترکیب دو عنصر تجربه‌گرایی و قضاوت، تجلی زیبایی از تلفیق علم و هنر را پدیدار ساخته است.
3. شناسایی مخاطرات پیرامون شبکه‌ها
«امیل ایفــرم»، مدیـــرعامـــل و بنیـــان‌گـــذار«Neo Technology» درباره الگوریتم‌های یادگیری ماشینی گفته است: «بسیاری از ابزارهای محبوب در خصوص مرتب‌سازی، مدیریت، مجازی‌سازی و تجزیه و تحلیل نمودارهای بزرگ بر مبنای گراف‌های حجیم کار می‌کنند. این چنین برنامه‌هایی نه تنها توانایی شناسایی عملیات فریبکارانه را دارند؛ بلکه می‌توانند توصیه‌های امنیتی نیز ارائه کنند.» روپش کومار، مدیرعامل «Lepide Software» می‌گوید: «برنامه‌های امنیتی سنتی بر مبنای قواعد، امضا‌ها و الگوریتم‌های ثابت طراحی می‌شدند. امروزه برنامه‌های امنیتی سنتی کارایی قبلی خود را ندارند. به دلیل اینکه اگر هکری تغییر کوچکی در نرم‌افزار مخرب پیاده‌سازی کند، برنامه امنیتی قادر به شناسایی آن نخواهد بود؛ چراکه برنامه‌های سنتی تنها بر مبنای دانشی که به آن‌ها داده شده بود عمل می‌کردند. اما برنامه‌های یادگیری ماشینی، الگوریتم‌های یادگیرنده هستند. الگوریتم‌هایی که به‌طور مرتب توانایی بررسی مجموعه‌ای از داده‌های روبه‌رشد را دارند.» اصل اساسی و زیربنایی در یادگیری ماشینی بر مبنای تشخیص الگوهایی قرار دارد که با استفاده از تجربیات گذشته به دست آمده‌اند.
مدل کسب‌وکار ما کاملاً متفاوت با دیگر شرکت‌ها است. ما روی الگوریتم‌ها سرمایه‌گذاری عظیمی کرده‌ایم و یک گروه اختصاصی برای محاسبات انسان‌محور تشکیل داده‌ایم.
در این حالت یادگیری ماشینی با بینش قبلی توانایی پیش‌بینی رخدادهای احتمالی را خواهد داشت. به این معنا که الگوریتم آموزش‌دیده در مواجه با تهدیدی نهان و جدید، بر اساس دانشی که از قبل به دست آورده است واکنش نشان می‌دهد. تجربیات گذشته می‌توانند در قالب مجموعه مثال‌ها یا داده‌های آموزشی ازپیش‌تعریف‌شده در اختیار برنامه قرار داده شوند. برنامه با استفاده از این پیش تعاریف یاد می‌گیرد چگونه توانایی‌های خود را در برخورد با داده‌های ناشناخته توسعه دهد. امروزه شبکه‌های یک سازمان در معرض تهدیدات مختلفی قرار دارند. شایع‌ترین و جدی‌ترین تهدیدات امنیتی که یک سازمان را در معرض خطر قرار می‌دهند، حملات brute-force، نفوذها و حملات DDoS هستند. اما امروزه یادگیری ماشینی تا حد بسیار زیادی موفق شده است این چنین حملاتی را دفع کند. تحقیق BBN Technologies اعلام می‌کند که فرایند دفع حملات سازمانی در سه مرحله انجام می‌شود: در مرحله نخست جریان ترافیک شبکه که ممکن است باعث به وجود آمدن زیرساخت‌های کنترل و فرمان بات‌نت شوند، شناسایی می‌شوند. در مرحله دوم جریان ترافیک بات‌نت‌های یکسان و مرتبط با یکدیگر گروه‌بندی می‌شوند. در مرحله آخر مرکز کنترل و فرمان که میزبانی حمله را بر عهده دارد شناسایی می‌شود. فناوری‌های یادگیری ماشینی می‌تواند هر سه مرحله را به‌خوبی مدیریت کند.
4. سیستم‌های هوشمندی که توانایی شناسایی چهره دارند
در یک سال گذشته پیشرفته‌های جالب توجهی در حوزه تشخیص تصاویر و چهره انجام گرفته است. آیا فیسبوک توانایی شناسایی چهره شما یا فرزندتان را دارد؟ تعجب نکنید، به دلیل اینکه فیسبوک از الگوریتمی استفاده می‌کند که توانایی محاسبه ویژگی‌‌های چهره انسان را دارد. برای این منظور فیسبوک از رگرسیون خطی استفاده می‌کند. در چند سال اخیر فناوری تشخیص چهره به‌طرز عجیبی محبوب و به فضای سرگرم‌کننده‌ای تبدیل شده است. این فناوری وعده داده است تا عملکرد و پردازش دقیق‌تری برای حجم بسیار بالایی از داده‌ها که درون یک تصویر قرار دارند، ارائه کند. به نظر می‌رسد یادگیری عمیق در حوزه تصاویر سریع‌تر از حوزه‌های دیگر پیش می‌رود و تمرکز اصلی بیشتر شرکت‌ها بر یادگیری عمیق در ارتباط با پردازش تصاویر قرار دارد. در این راستا به فیسبوک بیش از سایر شرکت‌ها توجه شده است. این شرکت با استفاده از الگوریتم‌های آموزش‌دیده خود موفق شده است چهره افراد را بر مبنای چهره اولیه‌ای از آن‌ها شناسایی کند. در همین خصوص «لوکاس بیوالد»، مدیرعامل «CrowdFlower»، گفته است: «الگوریتم‌های یادگیری عمیق فیسبوک در زمینه تشخیص چهره در مقایسه با گذشته بهبود یافته‌اند.» در نمونه مشابه دیگری پروژه PlaNet گوگل این قابلیت را پیدا کرده است تا تصاویر را بر مبنای موقعیت مکانی آن‌ها شناسایی کند. الگوریتم یادگیری ماشینی گوگل نیز همانند فیسبوک عمل می‌کند؛ به این صورت که با نگاه کردن به یک تصویر، جست‌وجویی در میلیون‌ها تصویر انجام داده و با مقایسه آن‌ها با یکدیگر حدس می‌زند تصویر مدنظر مربوط به چه مکانی است. این برنامه بر مبنای جزئیاتی که در تصاویر قرار دارد و تطابق آن‌ها با برچسب‌های جغرافیایی که از اینترنت به دست می‌آورد، سعی می‌کند مکان تصویر را حدس بزند.
5. الگوریتم‌های یادگیری عمیق می‌توانند مشکلات را پیش‌بینی کنند
«سریساتیش آمباتی»، مدیرعامل «H2O.ai» در این باره گفته است: «یادگیری عمیق یک فناوری به‌سرعت در حال رشد است که به عنوان مجموعه‌ای از شبکه‌های پیچیده چندلایه در مدل‌های سطح بالا و الگوهای داده‌ای استفاده می‌شود.» در کنار این روند روبه‌گسترش سریع، یادگیری ماشینی در خصوص حل مشکلات تکراری همچون تشخیص گفتار، تشخیص تصاویر، تشخیص اشیا سه‌بعدی و پردازش زبان طبیعی می‌تواند مشکلات احتمالی را پیش‌بینی کند. برای مثال، یادگیری عمیق می‌تواند به معاملاتی که در یک سیستم پرداخت مالی انجام می‌شود و همچنین به ارائه‌دهندگان خدمات مالی، مشکوک شود. با توجه به گسترش روزافزون مراکز داده‌ای (Data Centers) تهدیدات بالقوه‌ای پیرامون این مراکز و شبکه‌های کامپیوتری وجود دارد. یادگیری عمیق با استفاده از الگوهای ازپیش‌آموزش‌دیده، به‌راحتی توانایی پیش‌بینی و شناسایی ترافیک‌های مشکوک را دارد. در صنعت حمل‌ونقل که وسایل نقلیه مرتباً استفاده می‌شود، یادگیری ماشینی با استفاده از داده‌های استخراج‌شده از حسگرها می‌تواند پیش‌بینی کند کدام‌یک از قطعات وسایل نقلیه ممکن است بر اثر فرسودگی شکسته شوند. در نمونه مشابهی، شرکت «Maersk» از سیستم ردیاب حمل‌ونقل خاص خود موسوم به (TRECs) برای ردیابی مکان کانتیرهای فریزر و کنترل درجه حرارت آن‌ها استفاده می‌کند. در نمونه دیگری سیستم‌های تهویه خانه‌ها می‌توانند فیلتر هوای خانه را بررسی و پیش‌بینی کنند فیلتر چه زمانی نیاز به بازرسی و تعویض دارد. با توجه به اینکه نرم‌افزارهای یادگیری عمیق بیش از پیش در دسترس قرار دارند و همچنین مهارت‌های لازم برای استفاده مؤثر از آن‌ها به وجود آمده است، جای تعجب نخواهد بود که در چند سال آینده شاهد حضور فهرستی از برنامه‌های تجاری در این حوزه باشیم.
6. ماشین‌های هوشمند به پرسش‌های بانکی پاسخ می‌دهند
آیا تا به حال به این مشکل برخورد کرده‌اید که برنامه‌های مالی از کنترلتان خارج شوند؟ یادگیری ماشینی می‌تواند علاوه بر برنامه‌ریزی عمومی، بانکداری و برنامه‌ریزی برای سرمایه‌گذاری (در ارتباط با بورس)، برنامه‌های جدید سطح بالایی را برای سرویس‌‌دهی به مشتریان ارائه کند. یادگیری ماشینی حتی می‌تواند سرویس‌های شخصی سطح بالایی همچون اتاق‌های گفت‌وگو را ایجاد کند که در آن یادگیری ماشینی به پرس‌وجوهای واردشده در این اتاق‌ها پاسخ دهد. در همین خصوص پروژه‌هایی دردست‌اقدام است که از آن جمله می‌توان به پروژه تحقیقاتی «کویچی های»، دانشمند آزمایشگاه تحقیقاتی آی‌بی‌ام در ژاپن اشاره کرد. او برای حل مشکل پاسخ‌گویی به 300 سؤال بیمه عمر، در نظر دارد از قابلیت‌های یادگیری ماشینی استفاده کند.
یادگیری عمیق با استفاده از الگوهای ازپیش‌آموزش‌دیده، به‌راحتی توانایی پیش‌بینی و شناسایی ترافیک‌های مشکوک را دارد.
او به همراه چهار نفر از همکارانش موفق به ابداع راهکاری علوم‌شناختی در این زمینه شده است؛ راهکاری که به روند دست‌وپاگیر پاسخ‌گویی به سؤالات بیمه عمر کمک می‌کند. در پرسش‌نامه‌های بیمه عمر از افراد خواسته می‌شود به سؤالات رایجی همچون نام، سن، میزان سواد، وضعیت تأهل، سطح دستمزدی که انتظار دارند در دوران بازنشستگی دریافت کنند، هزینه‌های آموزشی فرزندان خود و مانند این‌ها پاسخ دهند. کویچی های بر این باور است که سؤالات این پرسش‌نامه بیش از اندازه زیاد است و حتی پاسخ‌گویی به 100 سؤال، آن هم با کمک گرفتن از مشاوران مالی، به درک بالایی نیاز دارد. مشکل دوم مربوط به مشاوران مالی است. آن‌ها چگونه می‌توانند نیازهای بالقوه مشتریان خود را پیش‌بینی کنند؟ او با کمک گرفتن از تخصص همکاران خود در حوزه‌های یادگیری ماشینی، تجزیه و تحلیل کسب‌وکارها، پردازش زبان طبیعی و بهره‌مندی از برنامه Dynamic Life Plan Navigator که به‌طور گسترده در سازمان‌های ژاپنی استفاده می‌شود، موفق به طراحی پلتفرم مدیریت اطلاعات چرخه عمر شده است؛ پلتفرمی که برای پاسخ‌گویی به سؤالات مهم استفاده می‌شود.
7. ماشین‌های هوشمند در تعامل با خطوط هوایی، شرکت‌ها و مشتریان را راضی نگه می‌دارند
در میان صنایع مختلف حمل‌ونقل، شاهد هستیم که خطوط هواپیمایی سراسر جهان هر سال بیشترین میزان تلفات را به خود اختصاص داده‌اند. به جز چند سرویس‌دهنده محدود خدمات هواپیمایی، بیشتر شرکت‌ها در تلاش هستند تا موازنه‌ای میان سود و زیان خود به وجود آورند. با افزایش قیمت سوخت و ارائه تخفیف به مشتریان، اوضاع برای این سرویس‌دهندگان به‌مراتب سخت‌تر می‌شود. برای حل این مشکل، این سرویس‌دهندگان به سراغ علم داده‌ها و یادگیری ماشینی رفته‌اند. علم داده‌ها دانشی میان‌رشته‌ای است که برای استخراج دانش و آگاهی از مجموعه‌ای از داده‌ها استفاده می‌شود. در حالی که مدت‌زمان زیادی از به‌کارگیری این روش از سوی شرکت‌ها نمی‌گذرد، اما در همین مدت کوتاه توانسته‌اند برنامه‌ریزی‌های استراتژیک جالبی را پیاده‌سازی کنند و باعث افزایش سوددهی شوند. در حال حاضر شرکت‌ها با استفاده از این راهکار موفق شده‌اند به موضوعات دیگری نیز بپردازند؛ از جمله: پیش‌بینی زمان تأخیر پروازها، تصمیم‌گیری درباره تعیین نوع کلاس پرواز قبل از خرید، تصمیم‌گیری درباره پرواز مستقیم به مقصد یا توقف بین‌راهی و اطلاع‌رسانی مؤثر به مشتریان وفادار خود. «مانیش ساراوات»، تحلیلگر «Vidhya» می‌گوید: «در مقطع فعلی خطوط هوایی جنوب غربی و خطوط هوایی آلاسکا جزو برترین شرکت‌هایی هستند که از یادگیری ماشینی و علم داده‌ها به بهترین شکل استفاده کرده‌اند.»
8. سیستم‌های تدارکاتی هوشمند
شرکت‌های لجیستکی همچون DHL، FedEx و UPS از داده‌های علمی برای بهبود بهره‌وری عملیاتی خود استفاده می‌کنند. این شرکت‌ها با استفاده از داده‌های علمی کشف کرده‌اند بهترین مسیر کشتی‌رانی، مناسب‌ترین زمان تحویل کالاها و بهترین حالت حمل‌ونقل کالاها به ترتیب چه مسیرها و زمان‌هایی هستند. همه این فرایندها با استفاده از تحلیل داده‌ها به دست آمده است. یادگیری ماشینی در این حوزه نه تنها باعث شده است هزینه‌ها به میزان محسوسی کاهش پیدا کنند، بلکه بسیاری دیگر از مسائل جانبی را نیز حل کرده است. داده‌های این شرکت‌ها با استفاده از سیستم موقعیت‌یاب جهانی (GPS) که روی وسایل نصب شده است، تولید می‌شوند. جالب آنکه راهکار استفاده‌شده در این شرکت‌ها توانسته است فرصت‌های قابل توجه جدیدی را به وجود بیاورد. تمامی این فرصت‌ها از طریق بررسی و کشف داده‌های علمی به دست آمده است.
9. ماشین‌ها قهرمان بازی Go را مغلوب کردند
آیا احساس میکنید که بدون رقیب هستید؟ در بازی Go صفحه‌ای شطرنجی‌شکل در اختیار دارید که در آن 19×19 خانه وجود دارد. بازی Go به‌مراتب سخت‌تر از بازی شطرنج است. اما سؤال این است: آیا تاکنون هیچ برنامه کامپیوتری موفق شده است انسان را در این زمین بازی شکست دهد؟ در پاسخ باید بگوییم الگوریتم هوشمند ارائه‌شده از سوی Google DeepMind این کار را انجام داده است. این برنامه برای اولین بار موفق شد قهرمان بازی Go جهان را شکست دهد. چندی پیش این برنامه هوشمند موسوم به AlphaGo موفق شد، قهرمان افسانه‌ای بازی Go، لی سدول را بعد از گذشت یک دهه شکست دهد. اما نکته‌ای که درباره این پروژه وجود دارد به قدرتمند بودن گوگل اشاره ندارد، بلکه به این واقعیت مهم اشاره دارد که یادگیری ماشینی این توانایی را پیدا کرده است که از تکنیک‌های جست‌وجوی فوق‌پیشرفته استفاده کند. یادگیری ماشینی یا به عبارت دقیق‌تر هوش مصنوعی در حوزه مسائل رام‌نشدنی، در‌های تازه‌ای را گشوده است. این تکنیک‌های جست‌وجو در آینده به کسب‌وکارها کمک خواهد کرد تا مسائل رؤیت‌نشدنی را به‌راحتی مشاهده کنند.
در نهایت
اگر در نظر داشته باشیم حوزه‌های دیگر را بررسی کنیم، مقاله ما پایانی نخواهد داشت. یادگیری ماشینی آهسته در حال تغییر شکل بهداشت، درمان و بیمه، جست‌وجو و تبلیغات، خرید و مقایسه قیمت‌ها و در کل هر بخشی است که در آن داده‌ای تولید می‌شود. این حرف به چه معنا است؟ پیشرفت‌های اخیر نشان می‌دهد که مربیان باید با برنامه‌های کاربردی یادگیری ماشینی و مفاهیم مرتبط با آن آشنا باشند. جوانان باید حداقل دانش اولیه درباره برنامه‌های کاربردی یادگیری ماشینی و علم داده‌ها را به دست آورند و بدانند چگونه برنامه‌های کاربردی را توسعه دهند، داده‌ها را ضبط کرده و آن‌ها را مدیریت کنند.
ثبت نظر