ماشین لرنینگ (Machine Learning) چیست؟

1718
ماشین لرنینگ چیست؟ همه‌چیز درباره‌ی یادگیری ماشین

آیا تا به حال فکر کرده‌اید که چگونه قابلیت «People you may know» در فیس‌بوک همیشه فهرستی درست از افرادی که در زندگی واقعی می‌شناسید و در فیس‌بوک نیز می‌توانید با آن‌ها در ارتباط باشید را در اختیار شما قرار می‌دهد؟ چگونه فیس‌بوک از این موضوع مطلع می‌شود و چگونه این توصیه‌ها را به شما ارائه می‌دهد؟ ماشین لرنینگ (Machine Learning) یا یادگیری ماشین پاسخ این سؤال است. اما منظور از ماشین لرنینگ چیست؟

ماشین لرنینگ چیست؟

ماشین لرنینگ (Machine Learning) یا یادگیری ماشین که زیرمجموعه‌ای از هوش مصنوعی و حوزه‌ای از علوم محاسباتی است، بر تجزیه‌و‌تحلیل و تفسیر الگوها و ساختار داده‌ها تمرکز دارد. به زبان ساده، ماشین لرنینگ زمینه‌ای از علوم کامپیوتر است که این امکان را فراهم می‌کند تا ماشین بتواند به‌تنهایی و بدون اینکه صریحاً برنامه‌نویسی شده باشد، یاد بگیرد.

بنابراین اساساً آنچه اتفاق می‌افتد این است که به‌جای اینکه کد هر بار برای یک مسئله‌ی جدید نوشته شود، الگوریتم با داده‌ها تغذیه می‌‌شود. سپس الگوریتم داده‌ها را تجزیه‌و‌تحلیل کرده و توصیه‌ها و تصمیماتی را تنها بر اساس داده‌های ورودی و بدون دخالت انسان ارائه می‌کند.

نکته‌ای که باید در اینجا به آن توجه شود این است که الگوریتم‌های یادگیری ماشین درست مانند انسان‌ها می‌توانند از تجربیات گذشته خود یاد بگیرند! هنگامی که داده‌های جدید به آن‌ها داده می‌شود، این الگوریتم‌ها یاد می‌گیرند، تغییر می‌کنند و بدون نیاز به تغییر هر‌باره‌ی کد، رشد می‌کنند. ممکن است در ابتدا نتایج به‌دست‌آمده از دقت بالایی برخوردار نباشند، اما الگوریتم یادگیری ماشین می‌تواند از داده‌های خروجی خود برای بهبود نتایج در آینده استفاده کند.

تاریخچه مختصری از ماشین لرنینگ

ممکن است فکر کنید که ماشین لرنینگ (Machine Learning) یک موضوع نسبتاً جدید است، اما مفهوم ماشین لرنینگ در سال 1950 مطرح شد؛ هنگامی که آلن تورینگ (بله، شخصیت اصلی فیلم The Imitation Game) مقاله‌ای در پاسخ به این سؤال که «آیا ماشین‌ها می‌توانند فکر کنند؟» منتشر کرد.

در سال 1957، فرانک روزنبلات اولین شبکه عصبی را که امروزه به آن مدل پرسپترون می‌گویند، برای رایانه‌ها طراحی کرد.

در سال 1959، برنارد ویدرو و مارسیان هاف دو مدل شبکه عصبی به نام ADALINE ایجاد کردند که می‌توانستند الگوهای باینری و MADALINE را تشخیص دهند و انعکاس صدا در خطوط تلفن را از بین ببرند.

در سال 1967، الگوریتم Nearest Neighbor نوشته شد که به رایانه‌ها اجازه می‌داد از تشخیص الگوهای ابتدایی استفاده کنند.

در سال 1981، جرالد دی جونگ مفهوم یادگیری مبتنی بر توضیح (explanation-based learning) را مطرح کرد که در آن رایانه داده‌ها را تجزیه‌و‌تحلیل و یک قانون کلی برای کنار گذاشتن اطلاعات بی‌اهمیت ایجاد می‌کند.

در طول دهه 90 میلادی، کار بر روی یادگیری ماشین از رویکرد دانش‌محور به رویکرد بیشتر داده‌محور تغییر کرد. در این دوره، دانشمندان شروع به ایجاد برنامه‌هایی برای رایانه‌ها کردند تا حجم زیادی از داده‌ها را تجزیه‌و‌تحلیل کرده و نتیجه‌گیری کنند و از نتایج آن‌ها یاد بگیرند. سرانجام در طول زمان و پس از پیشرفت‌های متعدد، یادگیری ماشین به شکل امروزی آن ارائه شد.

ممکن است علاقه‌مند باشید: تاریخچه یادگیری ماشین

اهمیت ماشین لرنینگ چیست؟

تصور هرگونه فعالیت صنعتی بدون استفاده از یادگیری ماشین (Machine Learning) یا هوش مصنوعی (Artificial Intelligence) بسیار دشوار است. ماشین لرنینگ به دلیل طیف گسترده‌ای از کاربردها و توانایی باورنکردنی آن در تطبیق و ارائه راه‌حل‌های سریع، مؤثر و بهینه برای مشکلات پیچیده، اهمیت دارد.

ماشین لرنینگ تولید سریع و خودکار مدل‌هایی که بتوانند داده‌های بزرگتر و پیچیده‌تر را تجزیه‌و‌تحلیل کرده و نتایج سریع‌ و دقیق‌تری را حتی در مقیاس بسیار بزرگ ارائه دهند، امکان‌پذیر کرده است. با ایجاد مدل‌های دقیق، شانس بیش‌تری برای شناسایی فرصت‌های سودآور یا اجتناب از خطرات ناشناخته وجود دارد.

ممکن است علاقه‌مند باشید: بهترین زبان برنامه‌نویسی برای ماشین لرنینگ چیست؟

الگوریتم‌های ماشین لرنینگ چگونه کار می‌کنند؟

الگوریتم‌های ماشین لرنینگ (Machine Learning) از تکنیک‌های مختلفی برای مدیریت حجم زیادی از داده‌های پیچیده برای تصمیم‌گیری استفاده می‌کنند. این الگوریتم‌ها کار یادگیری از داده‌ها را با ورودی‌های خاصی که به دستگاه داده می‌شود، انجام می‌دهند. درک نحوه‌ی عملکرد این الگوریتم‌ها و سیستم‌های یادگیری ماشین برای دانستن نحوه‌ی استفاده از آن‌ها در آینده بسیار اهمیت دارد.

همه چیز با آموزش الگوریتم با استفاده از مجموعه داده‌های آموزشی برای ایجاد یک مدل شروع می‌شود. سپس الگوریتم برای داده‌های ورودی جدید یک پیش‌بینی ارائه می‌کند. پیش‌بینی‌ها و نتایج برای دقت ارزیابی می‌شوند. اگر پیش‌بینی مطابق انتظار نباشد، الگوریتم بارها و بارها آموزش داده می‌شود تا خروجی مورد‌نظر به دست آید. این کار الگوریتم یادگیری ماشین را قادر می‌سازد تا به‌تنهایی یاد بگیرد و یک پاسخ بهینه تولید کند که به‌تدریج و در طول زمان دقت آن افزایش می‌یابد. پس از دستیابی به سطح دلخواه از دقت، الگوریتم یادگیری ماشین به کار گرفته می‌شود.

اجازه دهید با یک مثال ساده نحوه کار ماشین لرنینگ را بررسی کنیم:

وقتی در گوگل «Lion images» را جستجو می‌کنید، گوگل نتایج مرتبطی را به شما ارائه می‌کند. اما گوگل چگونه این کار را انجام می‌دهد؟

  • گوگل ابتدا تعداد زیادی نمونه عکس (مجموعه داده) با برچسب «Lion» دریافت می‌کند.
  • سپس الگوریتم به دنبال الگوهای پیکسل و الگوهای رنگی است که به آن در پیش‌بینی اینکه آیا تصویر «Lion» است یا خیر، کمک می‌کند.
  • در ابتدا، رایانه‌های گوگل به طور تصادفی حدس می‌زنند که چه الگوهایی برای تشخیص تصویر «Lion» مناسب است.
  • اگر الگوریتم اشتباه کند، مجموعه‌ای از تغییرات انجام می‌شود تا بتواند درست تشخیص دهد.
  • در نهایت، یک سیستم کامپیوتری بزرگ که از مغز انسان الگوبرداری شده است، از این مجموعه الگوها یاد می‌گیرد. این سیستم پس از آموزش، می‌تواند به‌درستی تصاویر «Lion» را شناسایی کرده و نتایج دقیقی را ارائه دهد.

اگر شما مسئول ساخت یک الگوریتم یادگیری ماشین برای تشخیص تصویر بین تصاویر شیرها و ببرها باشید. چگونه این کار را انجام می‌دهید؟

اولین قدم همان طور که در بالا توضیح داده شد، این است که باید تعداد زیادی عکس با برچسب «Lion» برای شیرها و «Tiger» برای ببرها جمع‌آوری کرد. سپس باید کامپیوتر را آموزش داد تا به دنبال الگوهای تصاویر برای شناسایی تصاویر شیرها و ببرها باشد. هنگامی که مدل یادگیری ماشین آموزش داده شد، می‌توانیم تصاویر متفاوتی به آن بدهیم تا ببینیم که آیا می‌تواند به‌درستی تصاویر شیرها و ببرها را از همدیگر تشخیص دهد. یک مدل یادگیری ماشین آموزش‌دیده می‌تواند چنین درخواست‌هایی را به‌درستی تشخیص دهد.

اکنون که می‌دانیم الگوریتم ماشین لرنینگ چیست و چگونه کار می‌کند، بیایید کمی عمیق‌تر به این موضوع بپردازیم و انواع مختلف ماشین لرنینگ را بررسی کنیم.

مطلب مشابه: شبکه عصبی کانولوشن چیست؟

انواع ماشین لرنینگ

ماشین لرنینگ (Machine Learning) اغلب بر اساس نحوه‌ی یادگیری الگوریتم طبقه‌بندی می‌شود. چهار رویکرد اصلی وجود دارد: یادگیری نظارت‌شده (supervised learning)، یادگیری بدون نظارت (unsupervised learning)، یادگیری نیمه‌نظارتی (semi-supervised learning) و یادگیری تقویتی (reinforcement learning). هر یک از این روش‌ها طرز کار و هدف خاصی دارند. نوع الگوریتمی که دانشمندان داده انتخاب می‌کنند به نوع داده‌ای که می‌خواهند پیش‌بینی کنند، بستگی دارد.

یادگیری نظارت‌شده (supervised learning)

در یادگیری نظارت‌شده، دانشمندان داده الگوریتم را به کمک داده‌های برچسب‌دار و متغیرهایی که می‌خواهند الگوریتم ارتباط آن‌ها را ارزیابی کند، آموزش می‌دهند. هنگامی که مدل با مجموعه‌ای از داده‌های شناخته‌شده (برچسب‌دار) آموزش دید، داده‌های ناشناخته (بدون برچسب) برای دریافت پاسخ جدید به مدل ارائه می‌شوند.

یادگیری ماشین نظارت‌شده مستلزم این است که دانشمندان داده، الگوریتم را با هر دو ورودی برچسب‌دار و خروجی‌های مورد‌نظر آموزش دهند.

ماشین لرنینگ چیست | یادگیری نظارت‌شده (supervised learning)

الگوریتم‌های یادگیری نظارت‌شده برای کارهای زیر مناسب هستند:

  • طبقه‌بندی دودویی: تقسیم داده‌ها به دو دسته
  • طبقه‌بندی چند‌کلاسه: انتخاب بین بیش از دو دسته
  • مدل‌سازی رگرسیون: پیش‌بینی مقادیر پیوسته
  • کلاسه‌بندی جمعی: ترکیب پیش‌بینی‌های چند مدل یادگیری ماشین برای تولید یک پیش‌بینی دقیق

یادگیری بدون نظارت (unsupervised learning)

این نوع یادگیری ماشین شامل الگوریتم‌هایی است که با استفاده از داده‌های بدون برچسب یاد می‌گیرند. الگوریتم‌های یادگیری ماشین بدون نظارت داده‌های بدون برچسب را در جستجوی الگوهایی که می‌توانند برای گروه‌بندی نقاط داده در زیر‌مجموعه‌ها مورد استفاده قرار گیرند، بررسی می‌کنند.

نکته‌ای که باید به آن توجه شود این است که یادگیری بدون نظارت قادر به افزودن برچسب به داده‌ها نیست. به عنوان مثال، نمی‌تواند بگوید این گروهی از لیمو است یا توت‌فرنگی، اما همه لیموها را از توت‌فرنگی‌ها جدا می‌کند.

ماشین لرنینگ چیست | یادگیری بدون نظارت (unsupervised learning)

 الگوریتم‌های یادگیری بدون نظارت برای کارهای زیر مناسب هستند:

  • خوشه‌بندی: تقسیم مجموعه داده‌ها به گروه‌ها بر اساس شباهت
  • تشخیص ناهنجاری: شناسایی نقاط داده غیر‌معمول در یک مجموعه داده
  • کاوش وابستگی: شناسایی مجموعه‌ای از اقلام در یک مجموعه داده که اغلب با هم اتفاق می‌افتند.
  • کاهش ابعاد: کاهش تعداد متغیرها در یک مجموعه داده

یادگیری نیمه‌نظارتی (semi-supervised learning)

این رویکرد، ترکیبی از یادگیری نظارت‌شده (با داده‌های آموزشی برچسب‌دار) و یادگیری بدون نظارت (بدون داده‌های آموزشی برچسب‌دار) است. در یادگیری نیمه‌نظارتی فقط تعداد کمی از داده‌های ورودی برچسب‌‌گذاری شده‌اند. 

در یادگیری ماشین نیمه‌نظارتی مدل ابتدا با استفاده از داده‌های برچسب‌دار آموزش داده می‌شود. پس از آن داده‌های بدون برچسب به مدل ارائه می‌شوند. مدل داده‌های بدون برچسب را با دقت کمی برچسب‌گذاری می‌کند. به این داده‌ها، داده‌های شبه‌برچسب‌گذاری‌شده (Pseudo-labeled Data) گفته می‌شود. در نهایت از ترکیب داده‌های شبه‌برچسب‌گذاری‌شده و داده‌های برچسب‌دار اولیه برای بهبود دقت مدل استفاده می‌شود.

امروزه حجم عظیمی از داده‌ها در صنایع مختلف وجود دارد. بسیاری از شرکت‌های بزرگ تاکنون میلیون‌ها ترابایت داده جمع‌آوری کرده‌اند و هنوز در حال جمع‌آوری هستند. اما برچسب‌گذاری داده‌های جمع‌آوری‌شده به نیروی کار و منابع زیادی نیاز دارد و از این رو بسیار گران است. بنابراین بسیاری از پایگاه‌های داده واقعی در این دسته قرار می‌گیرند.

ماشین لرنینگ چیست | یادگیری نیمه‌نظارتی (semi-supervised learning)

برخی از زمینه‌هایی که در آن‌ها از یادگیری نیمه‌نظارتی استفاده می‌شود، عبارت‌اند از:

  • ترجمه ماشینی: آموزش الگوریتم‌های ترجمه زبان
  • تشخیص کلاهبرداری: شناسایی موارد کلاهبرداری هنگامی که فقط چند نمونه مثبت وجود دارد
  • برچسب زدن داده‌ها: الگوریتم‌های آموزش داده شده، به وسیله مجموعه داده‌های کوچک می‌توانند یاد بگیرند که برچسب داده‌ها را به صورت خودکار روی مجموعه‌های بزرگتر اعمال کنند.

یادگیری تقویتی (reinforcement learning)

دانشمندان داده معمولاً از یادگیری ماشین تقویتی برای انجام یک فرایند چند‌مرحله‌ای که قوانین مشخصی برای آن وجود دارد، استفاده می‌کنند. دانشمندان داده الگوریتم را برای انجام یک کار برنامه‌نویسی می‌کنند و در حالی که الگوریتم در تلاش برای انجام آن است، نشانه‌های مثبت یا منفی را به آن ارائه می‌دهند. وقتی مدل نتیجه‌ای را پیش‌بینی یا تولید می‌کند، در صورت اشتباه بودن پیش‌بینی جریمه می‌شود و در صورت صحت پیش‌بینی پاداش می‌گیرد و بر این اساس، مدل خود را آموزش می‌دهد.

reinforcement ML

برخی از زمینه‌هایی که در آن‌ها از یادگیری تقویتی استفاده می‌شود، عبارت‌اند از:

  • رباتیک: ربات‌ها می‌توانند با استفاده از این تکنیک، انجام وظایف دنیای واقعی را بیاموزند.
  • بازی‌های ویدئویی: از یادگیری تقویتی برای آموزش ربات‌ها برای بازی در تعدادی از بازی‌های ویدئویی استفاده شده است.
  • مدیریت منابع: با توجه به منابع محدود و هدف مشخص، یادگیری تقویتی می‌تواند به شرکت‌ها در برنامه‌ریزی نحوه تخصیص منابع کمک کند.

اهمیت قابل تفسیر بودن مدلِ ماشین لرنینگ چیست؟

توضیح نحوه‌ی عملکرد یک مدل ماشین لرنینگ پیچیده می‌تواند بسیار چالش‌برانگیز باشد. در برخی صنایع، دانشمندان داده باید از مدل‌های ساده استفاده کنند؛ زیرا توضیح چگونگی اتخاذ تصمیم‌ها برای آن کسب‌و‌کار اهمیت دارد. مدل‌های پیچیده می‌توانند پیش‌بینی‌های دقیقی را ارائه دهند، اما توضیح نحوه تعیین خروجی برای یک فرد غیر‌حرفه‌ای دشوار است.

کاربرد ماشین لرنینگ چیست؟

ماشین لرنینگ در همه‌جا وجود دارد. ممکن است در زندگی روزمره بارها به نحوی از آن استفاده کنید و حتی از آن اطلاع نداشته باشید. در ادامه مثال‌هایی از کاربرد ماشین لرنینگ که ممکن است هر روز با آن‌ها روبه‌رو شوید، آورده شده‌ است:

  • تشخیص تصویر: تشخیص تصویر یکی از رایج‌ترین کاربردهای ماشین لرنینگ است. این فناوری، رایانه‌ها و سیستم‌ها را قادر می‌سازد تا اطلاعات معنی‌داری را از ورودی‌های بصری بدست آورند.
  • تشخیص خودکار گفتار: تشخیص خودکار گفتار برای تبدیل گفتار به متن استفاده می‌شود. کاربردهای آن در احراز هویت کاربران بر اساس صدای آن‌ها و انجام وظایف بر اساس ورودی صدای انسان است.
  • موتورهای توصیه‌گر: ماشین لرنینگ به‌طور گسترده توسط شرکت‌های مختلف تجارت الکترونیک و سرگرمی برای توصیه محصول به کاربر استفاده می‌شود. الگوریتم‌های یادگیری ماشین با استفاده از داده‌های رفتار مصرف گذشته کاربر، علاقه کاربران را درک و مطابق با آن محصولاتی را به آن‌ها پیشنهاد می‌کنند.
  • مدیریت ارتباط با مشتری: نرم‌افزارهای مدیریت ارتباط با مشتری می‌توانند از مدل‌های یادگیری ماشین برای تجزیه‌و‌تحلیل ایمیل استفاده کرده و به اعضای تیم فروش توصیه کنند که ابتدا به مهم‌ترین پیام‌ها پاسخ دهند. سیستم‌های پیشرفته‌تر حتی می‌توانند پاسخ‌های مؤثر را توصیه کنند.
  • سیستم‌های اطلاعات منابع انسانی: سیستم‌های منابع انسانی می‌توانند از مدل‌های یادگیری ماشین برای فیلتر کردن درخواست‌های شغلی و شناسایی بهترین نامزدها برای یک موقعیت شغلی استفاده کنند.
  • تشخیص کلاهبرداری: الگوریتم‌های یادگیری ماشین با نظارت بر فعالیت‌های هر کاربر، در تشخیص کلاهبرداری و فعالیت‌های پول‌شویی بسیار عالی عمل می‌کنند و ارزیابی می‌کنند که آیا یک اقدام عملی معمولی برای آن کاربر است یا خیر.
  • فیلتر اسپم ایمیل: فیلتر هرزنامه ایمیل از یک مدل یادگیری ماشین نظارت‌شده برای فیلتر کردن ایمیل‌های اسپم از صندوق پستی استفاده می‌کند.
  • معاملات خودکار سهام: از آنجایی که در بازار سهام همیشه خطر بالا و پایین شدن سهام وجود دارد، از ماشین لرنینگ به‌طور گسترده‌ در معاملات بازار سهام و برای پیش‌بینی الگوهای بازار سهام استفاده می‌شود. ماشین لرنینگ سکوهای معاملاتی را قادر می‌سازد تا هزاران یا حتی میلیون‌ها معامله را در روز و بدون دخالت انسان انجام دهند.
  • تشخیص بیماری‌ها: ماشین لرنینگ به بخش مهمی از حوزه‌ی سلامت و درمان تبدیل شده است. از الگوریتم‌های یادگیری ماشین می‌توان برای تشخیص بیماری‌ها، تعیین بهترین دوره‌ی درمان، کمک به تشخیص دقیق‌تر و… استفاده کرد. ماشین لرنینگ همچنین قادر به ساخت مدل‌های سه‌بعدی به‌منظور تعیین دقیق موقعیت ضایعات در مغز است.

مطلب مرتبط: کاربرد ماشین لرنینگ چیست؟

مطلب مرتبط: یادگیری ماشین (Machine Learning) در امنیت سایبری

آینده ماشین لرنینگ چگونه است؟

راه‌حل‌های ماشین لرنینگ همچنان در فرایندهای اصلی کسب‌وکارها تغییرات مهمی را ایجاد می‌کنند و در زندگی روزمره ما رایج‌تر می‌شوند. در حال حاضر بسیاری از شرکت‌ها استفاده از ماشین لرنینگ را به دلیل پتانسیل بالای آن برای پیش‌بینی‌های دقیق‌تر و تصمیم‌گیری‌های تجاری آغاز کرده‌اند. پیش‌بینی می‌شود بازار جهانی ماشین لرنینگ از 8.43 میلیارد دلار در سال 2019 به 117.19 میلیارد دلار تا سال 2027 افزایش یابد.

با ادامه‌ی گسترش فناوری‌های جدید، می‌توان از الگوریتم‌های یادگیری ماشین بهره‌ورتری استفاده کرد. به‌عنوان مثال با پیشرفت پردازنده‌های گرافیکی در آینده، محاسبه داده‌های بزرگ‌تر با سرعت بیشتری امکان‌پذیر خواهد بود.

ماشین لرنینگ همچنین پتانسیل تحقیقاتی بالایی دارد. د حال حاضر یکی از موضوعات داغ در مقالات تحقیقاتی حوزه‌ی علوم کامپیوتر، یادگیری ماشین (Machine Learning) است و از آن در صنایع و زمینه‌های تحقیقاتی مختلفی استفاده می‌شود. با این سرعت و افزایش نفوذ در بازار، ماشین لرنینگ آینده درخشانی خواهد داشت.

نسرین نادری

ممکن است علاقه‌مند باشید
اشتراک در
اطلاع از
guest

0 دیدگاه‌
بازخورد (Feedback) های اینلاین
View all comments