شما اینجا هستید: خانهمقالهیادگیری ماشینی به همراه هوش

یادگیری ماشینی به همراه هوش

سه شنبه, 16 مرداد 1397 ساعت 10:17 شناسه خبر: 3760 برای نظر دادن اولین باش!
این مورد را ارزیابی کنید
(0 رای‌ها)
seymare seymare

 یادگیری ماشینی چیست؟
یادگیری ماشینی به همراه هوش‌مصنوعی می‌روند که آینده‌ی دنیای ما را تغییر دهند. این چیزی است که حتماً بارها شنیده‌اید. اکنون برنامه‌های کامپیوتری مجهز به قابلیت یادگیری ماشینی به جایی رسیده‌اند که می‌توانند در بازی‌های پیچیده‌ای مثل Go بر حریف انسانی پیروز شوند. آن‌ها درست مثل انسان می‌توانند از آزمون و خطاها تجربه کسب کنند و اشتباهات گذشته را انجام ندهند. یادگیری ماشینی آینده‌ی کامپیوترها را می‌سازد. ما در عصری زندگی می‌کنیم که ماشین‌ها می‌توانند بدون دخالت انسان خودآموزی کنند. خودآموزی دائم می‌تواند باعث شود که ماشین‌ها در تصمیم‌گیری‌های صحیح و سازنده‌های حوزه‌های مختلف از پزشکی تا تولیدات و سفرهای فضایی و دریایی کمک حال ما انسان‌ها باشند.



یادگیری ماشینی دقیقاً چیست و چگونه کار می‌کند؟
یادگیری ماشینی با سیستم‌ها و الگوریتم‌هایی سروکار دارد که می‌تواند از داده‌ای گوناگون بیاموزند و پیش‌بینی‌هایی انجام دهند. برای نمونه: پیش‌بینی الگوهای ترافیک شهری در تقاطع‌های شلوغ را در نظر بگیرید. یک برنامه کامپیوتری می‌تواند الگوریتم یادگیری ماشینی راه‌اندازی کند که از داده‌های مختلف درباره‌ی الگوریتم پیشین ترافیک پر شده است. سپس باتوجه به چیزهایی که از داده‌های قبلی یاد گرفته، پیش‌بینی‌های بهتری درباره‌ی الگوهای آینده‌ی ترافیک انجام دهد. و به کمک رفع مشکلات و معضلات ترافیکی بیاید. هدف اصلی یک یادگیرنده کلیت بخشی است و ماشین‌های یادگیرنده‌ای که این کار را می‌کنند، می‌توانند خیلی دقیق وظایف جدید یا پیش‌بینی نشده را انجام ‌دهند. هدف ماشین یادگیرنده، تقلید توانایی شناخت انسان با خلق یک مدل تعمیم داده شده برای انجام پیش‌بینی‌های دقیق و کافی است.

تاریخچه‌:
یادگیری ماشینی از دل هوش مصنوعی درآمد و به شناخت الگو و یادگیری محاسباتی می‌پردازد. یادگیری ماشینی، زیرمجموعه‌ای از علم کامپیوتر است. در روزهای ابتدایی پیدایش هوش مصنوعی، پژوهش‌گران به ماشین‌هایی که می‌توانستند از داده‌ها بیاموزند، علاقه‌ی خیلی زیادی نشان می‌دادند. ولی تمرکز یادگیری ماشین بیش‌تر به رویکرد منطقی و وابسته به دانش معطوف شد و نتیجه‌ی یادگیری ماشینی در سال 1980 از هوش مصنوعی جدا شد. پژوهش آمار پایه، استدلال احتمالی، تشخیص الگو و بازریابی اطلاعات به یادگیری ماشینی اضافه شد. در دهه‌ی 1990 یادگیری ماشینی کاملاً به یک رشته‌ی جداگانه تبدیل شد و با تغییر هدف از کسب هوش مصنوعی به دست و پنچه نرم کردن با مسائل کاربردی، شروع به شکوفه شدن کرد.

وظایف یادگیری ماشینی در چند دسته‌اند:

1- یادگیری ماشینی تحت نظارت: به داده‌هایی اتکا دارد که با برچسب صحیح مشخص شده‌اند. برای مثال؛ آموزش به کامپیوتر برای تمایز قائل شدن بین تصویر یک گربه و یک سگ. با زدن برچسب سگ یا گربه به هرکدام از عکس‌ها به کامپیوتر نشان می‌دهیم که کدام عکس متعلق به سگ و کدام متعلق به گربه است. عمل برچسب زدن به عکس‌ها معمولاً توسط انسان و با هدف مطمئن شدن از کیفیت بالای اطلاعات انجام می‌شود. الگوریتم یادگیری ماشینی که حالا تفاوت‌ها را فهمیده می‌تواند، داده‌های جدید را تشخیص دهد و خود برچسب سگ یا گربه را روی عکس‌هایی که تا به حال ندیده بچسباند.


2- یادگیری ماشینی بدون نظارت: این نوع یادگیری ماشینی از برچسب‌هایی که در یادگیری تحت نظارت استفاد شده بودند، الگوریتم‌های استخراج می‌کند. معمولاً نیازمند تهیه حجم عظیمی از داده‌ها درباره‌ی همه‌ی جنبه‌های یک مسئله است. برای نمونه؛ ماشین در معرض عکس گربه و سگ‌هایی قرار می‌گیرد که برچسب زده نشده‌اند، یادگیری ماشینی می‌تواند بدون نظارت عکس‌ها را با توجه به ویژگی‌‌های ذاتی به دو گروه تقسیم کند.



3-یادگیری تقویتی: یادگیری شطرنج، یادگیری ماشینی اطلاعاتی درباره‌ی برد و باخت در انجام یک بازی دریافت می‌کند. برنامه فاقد اطلاعات میزان تاثیری‌گذاری حرکت هر مهره در برد یا باخت بازی است. ولی نتیجه‌ی کلی بازی را می‌داند. سپس یادگیری ماشینی می‌تواند چند دست بازی کند و در هرکدام از این بازی‌ها به حرکت‌هایی که در مجموع باعث برد یا باخت می‌شوند، اهمیت دهد.
انوع رویکرد در یادگیری ماشینی:
1- یادگیری درخت تصمیم: مدلی پیش‌بینی کننده که به نقشه‌برداری یک آیتم می‌پردازد تا درباره‌ی ارزش‌های هدف آن نتایجی ترسیم کند.
2- شبکه‌ی عصب مصنوعی یک الگوریتم یادگیرنده که از نورون‌های زیستی الهام گرفته شده است و از ابزارهای مدل‌سازی داده‌های آماری برای یافتن الگو در داده‌ها استفاده می‌کند.
3- یادگیری ژرف: از لایه‌های مختلف مخفی در یک شبکه‌ی عصبی مصنوعی برای مدل‌سازی از روشی که مغز انسان نور و صدا را برای وجود آوردن حس دیدن و شنیدن پردازش می‌کند، تشکیل شده، نرم‌افزارهای جدید تشخیص گفتار و تصویر محصول یادگیری ژرف هستند.


4- شبکه بیزی: یک مدل گرافیکی احتمالاتی که نشان‌گر گروهی از متغیرها تصادفی و استقلال مشروط آن‌هاست. برای مثال، روابط احتمالاتی بین امراض و علائم آن‌ها.

کاربردها:
اهمیت یادگیری ماشینی در این است که به دلیل وابستگی به داده، می‌تواند برای ساخت مدل‌های ارزشمند پیش‌گویانه تعلیم داده شوند. مدل‌هایی که می‌توانند به تصمیم‌های صحیح و اقدامات هوشمند منجر شوند. با حجم و گوناگونی داده‌های موجود امروز، پردازش‌های قدرتمندتر و ارزان‌تر محاسباتی و هم‌چنین ذخیره‌ی ارزان‌تر داده اماکن ساخت مدل‌هایی که می‌توانند داده‌های بزرگ و پیچیده را آنالیز کنند و سریع‌تر و دقیق‌تر به نتیجه برسند، وجود دارد. مانند: نرم‌افزار تشخیص گفتار، موتورهای جست‌وجو، تشخیص‌های پزشکی، کشف کلاه‌برداری، اقتصاد، تکنولوژی، دسته‌‌بندی‌های توالی ژنتیکی و......

*کارشناس ارشد نرم‌افزار

*چاپ شده در سیمره 460(10 اَمرداد97)


نظر دادن

از پر شدن تمامی موارد الزامی ستاره‌دار (*) اطمینان حاصل کنید. کد HTML مجاز نیست.

سایت‌های مفید

سیمره در شبکه های اجتماعی

گستره‌ی توزیع

غرب و جنوب کشور

ایلام، کرمانشاه، کردستان، لرستان، خوزستان و همدان. همواره‌ی روزگار با سیمره جاری باشید!

سامانه‏‏‏‏‏‏ ی پیام کوتاه سیمره, منتظر پیشنهادها و انتقادات شما هستیم.
30009900998293

درباره سیمره

هفته‌نامه‌ی فرهنگی، اجتماعی، ورزشی

سال چهارهم

نشانی: لرستان، خرم‌آباد، خیابان شریعتی، روبه‌روی راهنمایی و رانندگی، اول زیرگذر شقایق

تلفکس: 06633407004