آشنایی با یادگیری ماشین (Machine Learning) و کاربردهای آن به زبان ساده

یادگیری ماشین شاخه‌ای از هوش مصنوعی (AI) محسوب می‌شود که بر ساخت برنامه‌هایی متمرکز است که از داده‌ها می‌آموزند و به مرور زمان و بدون اینکه برنامه‌ریزی شوند، دقت آن‌ها بهبود می‌یابد؛ در علم داده، الگوریتم دنباله‌ای از مراحل پردازش آماری است؛ اما در یادگیری ماشینی، الگوریتم‌ها برای یافتن الگوها و ویژگی‌ها در حجم عظیمی از داده‌ها آموزش داده می‌شوند تا بتوانند براساس داده‌های جدید تصمیم گیری و پیش بینی کنند؛ هرچه الگوریتم بهتر باشد، با پردازش داده‌های بیشتر، تصمیمات و پیش بینی‌ها دقیق‌تر می‌شوند، در این آموزش از همیار آی‌تی با ما همراه باشید تا ببینیم یادگیری ماشین چیست و چه کاربردهایی در زندگی روزمره دارد.

کاربرد یادگیری ماشین در زندگی روزمره

امروزه، نمونه‌هایی از یادگیری ماشین در اطراف ماست که مطمئنا همه در حال استفاده از آن هستیم. دستیارهای دیجیتال مانند گوگل اسیستنت یا سیری اپل در پاسخ به دستورات صوتی ما در وب جستجو می‌کنند و موسیقی پخش می‌کنند، حتی طبق دستور ما با فردی تماس می‌گیرند. وبسایت‌ها محصولات، فیلم‌ها و آهنگ‌ها را براساس آنچه قبلا خریده‌ایم، تماشا کرده‌ایم یا به آن‌ها گوش داده‌ایم، به ما توصیه می‌کنند.

در حالی که ما وقت خود را صرف استراحت می‌کنیم، ربات‌ها کف اتاق را جارو می‌کنند. برنامه‌های مقابله با هرزنامه، از ورود ایمیل‌های ناخواسته به صندوق پستی ما جلوگیری می‌کنند. سیستم‌های تجزیه و تحلیل تصویر پزشکی به پزشکان کمک می‌کند تومورهایی که ممکن است ندیده باشند را تشخیص دهند. همچنین اولین اتومبیل‌های خودران در حال ورود به جاده‌ها و زندگی ما هستند.

اما این نهایت پیشرفت یادگیری ماشین نیست و می‌توان انتظار بیشتری داشت. هرچه این داده‌های بزرگ، بزرگتر می‌شوند و رایانه‌ها قدرتمندتر و ارزان‌تر می‌شوند و هرچه دانشمندان در زمینه توسعه الگوریتم‌های تواناتر پیشرفت می‌کنند، یادگیری ماشین کارایی بیشتری را در زندگی شخصی و کاری ما ایجاد می‌کند.

یادگیری ماشین چگونه کار می‌کند

چهار مرحله‌ی اساسی برای ساخت یک برنامه (یا مدل) یادگیری ماشین وجود دارد. این مراحل معمولا توسط دانشمندان داده انجام می‌شود که از نزدیک با متخصصان یک تجارت، که در حال توسعه‌ی مدل برای آن‌ها هستند همکاری می‌کنند. در ادامه مراحل را توضیح خواهیم داد و روش هرکدام را شرح می‌دهیم.

انتخاب و آماده‌سازی داده‌های آموزشی

داده‌های آموزشی، مجموعه‌ای از اطلاعات است که مدل یا برنامه یادگیری ماشین برای حل آن مسئله طراحی شده و برای یادگیری روش حل کردن از آن استفاده می‌کند. در بعضی موارد، داده‌های آموزشی با برچسب زدن مشخص و تقسیم‌بندی می‌شوند. تا در آینده بتوانند با جستجوی عنوان کلیدی مطلب به راحتی به آن داده آموزشی دسترسی پیدا کنند. سایر داده‌ها بدون برچسب هستند و مدل باید به تنهایی این ویژگی‌ها را استخراج کرده و طبقه‌بندی‌ها را انجام دهد.

در هر دو صورت، داده‌های آموزش باید به درستی آماده شوند، به طور تصادفی انتخاب شده باشند، از نظر امکان تقلب و اینکه تعادل دارد یا خیر بررسی شود. این موارد می‌تواند روی آموزش تأثیر بگذارد. همچنین باید به دو زیر مجموعه تقسیم شود: زیر مجموعه آموزش که برای آموزش برنامه استفاده می‌شود و زیر مجموعه ارزیابی که برای آزمایش و اصلاح از آن استفاده می‌شود.

انتخاب الگوریتم مناسب برای ماشین لرنینگ

نوع الگوریتم به نوع (دارای برچسب یا بدون برچسب) و مقدار داده در مجموعه داده‌های آموزش و نوع مسئله‌ای که باید حل شود بستگی دارد؛ انواع متداول الگوریتم‌های یادگیری ماشین برای استفاده با داده‌های دارای برچسب شامل الگوریتم‌های رگرسیون، درخت تصمیم و الگوریتم‌های مبتنی بر نمونه هستند؛ در سمت دیگر نیز الگوریتم‌ها برای داده‌های بدون برچسب عبارتند از الگوریتم‌های خوشه‌بندی، الگوریتم‌های تداعی و شبکه‌های عصبی.

آموزش الگوریتم برای ایجاد مدل

آموزش الگوریتم یک فرایند تکرار شونده است که شامل اجرای متغیرها از طریق الگوریتم، مقایسه خروجی با نتایج لازم، تنظیم وزن‌ها و بایاس در الگوریتم که ممکن است نتیجه‌ی دقیق تری داشته باشد و اجرای دوباره متغیرها تا الگوریتم در بیشتر مواقع نتیجه‌ی صحیح را داشته باشد. این الگوریتم آموزش دیده و دقیق که به دست آمده است، در اصل مدل یادگیری ماشین است.

استفاده و بهبود مدل یادگیری ماشین

مرحله آخر استفاده از مدل با داده‌های جدید و در بهترین حالت برای بهبود دقت و کارایی آن با گذشت زمان است. این که داده‌های جدید از کجا آمده باشد، به مسئله حل شده در قبل بستگی دارد. به عنوان مثال، یک مدل یادگیری ماشینی که برای شناسایی هرزنامه طراحی شده است پیام‌های مناسب برای ایمیل را درک کرده، در حالی که یک مدل یادگیری ماشینی که یک ربات جاروبرقی را هدایت می‌کند، داده‌های حاصل از برخورد فیزیکی در دنیای واقعی با اسباب و لوازم موجود در یک اتاق را فهمیده است.

انواع روش‌های یادگیری ماشین

روش‌های یادگیری ماشین (که سبک‌های یادگیری ماشین نیز نامیده می‌شوند) در سه دسته اصلی قرار می‌گیرند، یادگیری ماشین تحت نظارت، یادگیری ماشین بدون نظارت و نیمه نظارت شده که در ادامه هر یک را بررسی کرده و برای شما توضیح می‌دهیم.

یادگیری ماشین تحت نظارت

مدل یادگیری ماشین تحت نظارت، به خودش به وسیله یک مجموعه داده دارای برچسب آموزش می‌دهد. به این معنی که داده‌ها با اطلاعاتی که مدل یادگیری ماشین برای تشخیص آن‌ها ساخته شده، برچسب‌گذاری شده‌اند و حتی ممکن است به روشی که مدل قرار است داده‌ها را طبقه‌بندی کند، دسته‌بندی شده باشند. به عنوان مثال، یک مدل بینایی رایانه‌ای که برای شناسایی سگ‌های نژاد ژرمن شپرد طراحی شده است، ممکن است در یک مجموعه داده از تصاویر مختلف سگ‌های دارای برچسب با عنوان انواع نژادها آموزش ببیند.

یادگیری ماشین تحت نظارت به داده‌های آموزشی کمتری نسبت به سایر روش‌ها نیاز دارد و آموزش را آسان‌تر می‌کند. اما، تهیه اطلاعات با برچسب پرهزینه است و خطر گنجاندن اطلاعات اشتباه یا داده‌های آموزش نزدیک به موضوع اصلی وجود دارد، که باعث می‌شود داده‌های جدید به درستی کنترل نشود.

یادگیری ماشین بدون نظارت

یادگیری ماشین بدون نظارت، داده‌های بدون برچسب که مقدار زیادی هستند را درک می‌کند. سپس از الگوریتم‌ها برای استخراج ویژگی‌های معنی‌دار مورد نیاز برای برچسب‌گذاری، مرتب‌سازی و طبقه‌بندی داده‌ها در زمانی که از او خواسته شد، بدون دخالت انسان استفاده می‌کند؛ این روش بیشتر به شناسایی الگوها و روابط در داده‌هایی می‌پردازد که انسان ممکن است آن‌ها را نفهمد.

به عنوان مثال، تشخیص هرزنامه را در نظر بگیرید، افراد می‌توانند ایمیل‌هایی درست کنند که تا این لحظه در دسته‌بندی هیچ متخصصی نبوده، اما کامپیوتر می‌تواند از متن بفهمد که این ایمیل یک هرزنامه است. یک الگوریتم یادگیری بدون نظارت می‌تواند حجم عظیمی از ایمیل‌ها را تجزیه و تحلیل کرده و ویژگی‌ها و الگوهایی که نشان‌گر هرزنامه است را کشف کند؛ ضمن اینکه با گذشت زمان در نشانه‌گذاری هرزنامه بهتر خواهد شد.

یادگیری نیمه نظارت شده

یادگیری نیمه نظارت شده یک روش بین یادگیری نظارت شده و بدون نظارت است. در طول آموزش، از مجموعه داده‌های کوچکتر دارای برچسب برای راهنمایی طبقه بندی و استخراج ویژگی‌ها از یک مجموعه داده بزرگتر و بدون برچسب استفاده می‌شود. یادگیری نیمه نظارت شده می‌تواند مشکل نداشتن داده‌های دارای برچسب کافی (یا موضوعاتی که امکان تهیه برچسب کافی برای آن نیست) برای آموزش الگوریتم یادگیری نظارت شده را حل کند.

با گذشت زمان و پیشرفت علم، ربات‌ها جای بسیاری از مشاغل را خواهند گرفت. این ربات‌ها دقیقا از همین الگوریتم‌ها و یادگیری ماشین استفاده می‌کنند. این مورد نمی‌تواند بد باشد، زیرا در دنیا مشاغلی هستند که وجود انسان در نزدیکی آن‌ها می‌تواند خطرساز باشد. استفاده از این الگوریتم‌ها باعث آسایش بیشتر در زندگی انسان خواهد شد. یادگیری ماشین در حالت پیشرفته‌تر تبدیل به هوش مصنوعی خواهد شد و می‌تواند در خیلی از زمینه‌ها به کمک انسان بشتابد.

برای مثال در زمینه‌ی پزشکی شاید از یک انسان خطا سر بزند، اما یک الگوریتم خطا نمی‌کند و می‌تواند نجات‌بخش فردی باشد که ممکن بوده با اشتباه پزشکی از بین برود. یا اگر فردی اقدام به ترویج خشونت یا تهدید به بمب گذاری کرد، با اعلام خطر به مقامات مورد نظر می‌توان از بروز حادثه جلوگیری کرد، یا اگر فردی به دنبال روش‌های خودکشی بود، فورا اطلاعات تماس وی را به یک مسئول برای جلوگیری از او ارسال می‌کند.

شما چه نظری در مورد یادگیری ماشین و هوش مصنوعی دارید؟ به‌نظر شما در آینده چه اتفاقاتی در انتظار ماست؟ آیا ماشین‌های هوشمند، به‌طور کامل جای ما انسان‌ها را خواهند گرفت؟