یادگیری ماشین

یادگیری ماشین یک فناوری در حال رشد است که رایانه ها را قادر می سازد تا به طور خودکار از داده های گذشته یاد بگیرند. یادگیری ماشین از الگوریتم‌ های مختلفی برای ساخت مدل‌ های ریاضی و پیش‌بینی با استفاده از داده‌ ها یا اطلاعات تاریخی استفاده می‌ کند. در حال حاضر، از آن برای کارهای مختلفی مانند تشخیص تصویر، تشخیص گفتار، فیلتر ایمیل، برچسب گذاری خودکار فیس بوک، سیستم توصیه کننده و بسیاری موارد دیگر استفاده می شود.

این آموزش یادگیری ماشین به شما مقدمه ای از یادگیری ماشین به همراه طیف وسیعی از تکنیک های یادگیری ماشین مانند یادگیری تحت نظارت، بدون نظارت و تقویت آموزش می دهد. و در مورد مدل‌ های رگرسیون و طبقه‌بندی، روش‌ های خوشه‌بندی و مدل‌های متوالی مختلف خواهید آموخت.

یادگیری ماشین چیست؟

در دنیای واقعی، ما توسط انسان‌ هایی احاطه شده‌ایم که می‌ توانند همه چیز را از تجربیات خود با توانایی یادگیری خود بیاموزند، و ما رایانه‌ها یا ماشین‌هایی داریم که طبق دستورات ما کار می‌کنند. اما آیا یک ماشین نیز می تواند مانند یک انسان از تجربیات یا داده های گذشته یاد بگیرد؟ بنابراین در اینجا نقش یادگیری ماشین مطرح می شود.

یادگیری ماشین به عنوان زیرمجموعه‌ای از هوش مصنوعی گفته می‌شود که عمدتاً با توسعه الگوریتم‌هایی سروکار دارد که به رایانه اجازه می‌دهد به تنهایی از داده‌ها و تجربیات گذشته بیاموزد. اصطلاح یادگیری ماشین اولین بار توسط آرتور ساموئل در سال 1959 معرفی شد.

الگوریتم‌های یادگیری ماشین با کمک نمونه داده‌های تاریخی که به داده‌های آموزشی معروف هستند، یک مدل ریاضی می‌سازند که به پیش‌بینی یا تصمیم‌گیری بدون برنامه‌ریزی صریح کمک می‌کند. یادگیری ماشین علم کامپیوتر و آمار را برای ایجاد مدل‌های پیش‌بینی‌کننده گرد هم می‌آورد. یادگیری ماشین الگوریتم هایی را می سازد که از داده های تاریخی یاد می گیرند یا استفاده می کنند. هرچه اطلاعات بیشتری ارائه کنیم، عملکرد بالاتری خواهد داشت.

یادگیری ماشین چگونه کار می کند؟

یک سیستم یادگیری ماشین از داده‌های تاریخی یاد می‌گیرد، مدل‌های پیش‌بینی را می‌سازد، و هر زمان که داده‌های جدیدی دریافت می‌کند، خروجی آن را پیش‌بینی می‌کند. دقت خروجی پیش‌بینی‌شده به مقدار داده بستگی دارد، زیرا حجم عظیم داده به ساخت مدل بهتر کمک می‌کند که خروجی را با دقت بیشتری پیش‌بینی کند.

فرض کنید ما یک مشکل پیچیده داریم، جایی که باید پیش‌بینی‌هایی انجام دهیم، بنابراین به جای نوشتن کد برای آن، فقط باید داده‌ها را به الگوریتم‌های عمومی تغذیه کنیم و با کمک این الگوریتم‌ها، ماشین منطق را مطابق با آن می‌سازد. داده ها و پیش بینی خروجی یادگیری ماشین طرز تفکر ما را در مورد مشکل تغییر داده است.

 دیاگرام زیر کار الگوریتم یادگیری ماشین را توضیح می دهد:

ویژگی های یادگیری ماشین:

• یادگیری ماشین از داده ها برای شناسایی الگوهای مختلف در یک مجموعه داده استفاده می کند.
• می تواند از داده های گذشته درس بگیرد و به طور خودکار بهبود یابد.
• یک فناوری داده محور است.
• یادگیری ماشین بسیار شبیه به داده کاوی است زیرا با حجم عظیمی از داده ها نیز سروکار دارد.

نیاز به یادگیری ماشین

نیاز به یادگیری ماشین روز به روز در حال افزایش است. دلیل نیاز به یادگیری ماشین این است که قادر به انجام وظایفی است که برای یک فرد بسیار پیچیده است که نمی تواند مستقیماً اجرا شود. به عنوان یک انسان، ما محدودیت‌هایی داریم زیرا نمی‌توانیم به صورت دستی به حجم عظیمی از داده‌ها دسترسی پیدا کنیم، بنابراین برای این کار، به برخی از سیستم‌های کامپیوتری نیاز داریم و اینجاست که یادگیری ماشین می‌آید تا کارها را برای ما آسان کند.

ما می‌توانیم الگوریتم‌های یادگیری ماشین را با ارائه مقدار زیادی داده به آنها آموزش دهیم و به آنها اجازه دهیم داده‌ها را کاوش کنند، مدل‌ها را بسازند و خروجی مورد نیاز را به طور خودکار پیش‌بینی کنند. عملکرد الگوریتم یادگیری ماشین به مقدار داده بستگی دارد و می توان آن را با تابع هزینه تعیین کرد. با کمک یادگیری ماشین، می توانیم در زمان و هزینه صرفه جویی کنیم.

اهمیت یادگیری ماشین را می توان به راحتی با موارد استفاده آن درک کرد، در حال حاضر، یادگیری ماشین در خودروهای خودران، تشخیص کلاهبرداری سایبری، تشخیص چهره و پیشنهاد دوست توسط فیس بوک و غیره استفاده می شود. شرکت های برتر مختلف مانند نتفلیکس و آمازون از مدل‌های یادگیری ماشین که از حجم وسیعی از داده‌ها ساخته می شوند برای تجزیه و تحلیل علاقه کاربر استفاده می‌کنند و بر اساس آن محصول را توصیه می‌کنند.

در زیر چند نکته کلیدی وجود دارد که اهمیت یادگیری ماشینی را نشان می دهد:

• افزایش سریع در تولید داده ها
• حل مسائل پیچیده ای که برای انسان دشوار است
• تصمیم گیری در بخش های مختلف از جمله مالی
• یافتن الگوهای پنهان و استخراج اطلاعات مفید از داده ها​

طبقه بندی یادگیری ماشین

یادگیری ماشینی را می توان به سه نوع طبقه بندی کرد:

• یادگیری تحت نظارت
• یادگیری بدون نظارت
• یادگیری تقویتی

 یادگیری تحت نظارت

یادگیری نظارت شده نوعی روش یادگیری ماشین است که در آن نمونه داده‌های برچسب‌گذاری شده را در اختیار سیستم یادگیری ماشین قرار می‌دهیم تا آن را آموزش دهیم و بر این اساس، خروجی را پیش‌بینی می‌کند.

سیستم با استفاده از داده های برچسب گذاری شده مدلی را برای درک مجموعه داده ها و یادگیری در مورد هر داده ایجاد می کند، پس از انجام آموزش و پردازش، مدل را با ارائه یک داده نمونه آزمایش می کنیم تا بررسی کنیم که آیا خروجی دقیق را پیش بینی می کند یا خیر.

هدف از یادگیری نظارت شده ترسیم داده های ورودی با داده های خروجی است. یادگیری تحت نظارت مبتنی بر نظارت است و مانند زمانی است که دانش آموز زیر نظر معلم مطالبی را یاد می گیرد. 

یادگیری تحت نظارت را می توان بیشتر در دو دسته الگوریتم دسته بندی کرد:

• طبقه بندی
• انجمن­ ها

​یادگیری بدون نظارت

یادگیری بدون نظارت یک روش یادگیری است که در آن ماشین بدون هیچ نظارتی یاد می گیرد.

آموزش با مجموعه داده هایی که برچسب، طبقه بندی یا دسته بندی نشده اند به ماشین ارائه می شود و الگوریتم باید بدون هیچ نظارتی بر روی آن داده ها عمل کند. هدف از یادگیری بدون نظارت، بازسازی داده های ورودی به ویژگی های جدید یا گروهی از اشیاء با الگوهای مشابه است.

یادگیری تقویتی

یادگیری تقویتی یک روش یادگیری مبتنی بر بازخورد است که در آن یک عامل یادگیری برای هر عمل درست یک پاداش و برای هر عمل اشتباه یک جریمه دریافت می کند. عامل به طور خودکار با این بازخوردها یاد می گیرد و عملکرد خود را بهبود می بخشد. در یادگیری تقویتی، عامل با محیط تعامل می کند و آن را کاوش می کند. هدف یک نماینده کسب بیشترین پاداش است و از این رو، عملکرد خود را بهبود می بخشد.

تاریخچه یادگیری ماشین

در سال های گذشته (حدود 40 تا 50 سال)، یادگیری ماشین علمی تخیلی بود، اما امروزه بخشی از زندگی روزمره ما است. یادگیری ماشین زندگی روزمره ما را از ماشین های خودران گرفته تا دستیار مجازی آمازون "الکسا" آسان می کند. با این حال، ایده یادگیری ماشین بسیار قدیمی است و سابقه طولانی دارد. در زیر برخی از نقاط عطف ارائه شده است که در تاریخچه یادگیری ماشین رخ داده است:

• 1834: در سال 1834، چارلز بابیج، پدر کامپیوتر، دستگاهی را ابداع کرد که می‌توان آن را با کارت‌های پانچ برنامه‌ریزی کرد. با این حال، این دستگاه هرگز ساخته نشد، اما تمام کامپیوترهای مدرن بر ساختار منطقی آن تکیه دارند.
• 1936: در سال 1936، آلن تورینگ نظریه ای ارائه کرد که چگونه یک ماشین می تواند مجموعه ای از دستورالعمل ها را تعیین و اجرا کند.

• 1940: در سال 1940، اولین کامپیوتر دستی، اختراع شد که اولین کامپیوتر همه منظوره الکترونیکی بود. پس از آن کامپیوتر برنامه های ذخیره شده مانند EDSAC در سال 1949 و EDVAC در سال 1951 اختراع شدند.

• 1943: در سال 1943، یک شبکه عصبی انسانی با یک مدار الکتریکی مدل شد.
• در سال 1950، دانشمندان شروع به استفاده از ایده خود در کار کردند و چگونگی عملکرد نورون های انسانی را تجزیه و تحلیل کردند.​

​ماشین آلات کامپیوتری و هوشمند:

• 1950: در سال 1950، آلن تورینگ مقاله مهمی با عنوان "ماشین آلات کامپیوتری و هوش" در موضوع هوش مصنوعی منتشر کرد. او در مقاله خود پرسید: "آیا ماشین ها می توانند فکر کنند؟"

هوش ماشینی در بازی ها:

• 1952: آرتور ساموئل، که پیشگام یادگیری ماشین بود، برنامه ای را ایجاد کرد که به کامپیوتر IBM کمک می کرد تا یک بازی چکرز را انجام دهد. بیشتر اجرا کرد بهتر بود.
• 1959: در سال 1959، اصطلاح "یادگیری ماشین" برای اولین بار توسط آرتور ساموئل ابداع شد.

​:اولین هوش مصنوعی

• مدت زمان 1974 تا 1980 زمان سختی برای محققان هوش مصنوعی و ML بود و این مدت به عنوان زمستان هوش مصنوعی نامیده شد.

یادگیری ماشین از تئوری تا واقعیت:

• 1985: در سال 1985، تری سجنوفسکی و چارلز روزنبرگ یک شبکه عصبی NETtalk را اختراع کردند که توانست به خود بیاموزد چگونه 20000 کلمه را به درستی در یک هفته تلفظ کند.
• 1997: کامپیوتر هوشمند آبی عمیق آی‌بی‌ام در بازی شطرنج مقابل گری کاسپاروف متخصص شطرنج پیروز شد و اولین رایانه‌ای بود که یک متخصص شطرنج انسانی را شکست داد.

یادگیری ماشینی در قرن بیست و یکم:

• 2006: در سال 2006، جفری هینتون، دانشمند کامپیوتر، نام جدیدی به تحقیقات شبکه عصبی به عنوان "یادگیری عمیق" داد و امروزه به یکی از پرطرفدارترین فناوری ها تبدیل شده است.
• 2012: در سال 2012، گوگل یک شبکه عصبی عمیق ایجاد کرد که یاد گرفت تصویر انسان و گربه را در ویدیوهای یوتیوب تشخیص دهد.
• 2014: DeepFace یک شبکه عصبی عمیق بود که توسط فیس بوک ایجاد شد و آنها ادعا کردند که می تواند شخص را با همان دقتی که یک انسان می تواند تشخیص دهد.
• 2016:AlphaGo  بازیکن شماره دوم جهان Lee sedol را در بازی Go شکست داد. در سال 2017 بازیکن شماره یک این بازی Ke Jie را شکست داد.

یادگیری ماشین در حال حاضر

اکنون یادگیری ماشین پیشرفت بزرگی در تحقیقات خود داشته است و در همه جای اطراف ما وجود دارد، مانند اتومبیل های خودران، آمازون الکسا، Catboats، سیستم توصیه کننده و بسیاری موارد دیگر. این شامل یادگیری تحت نظارت، بدون نظارت و تقویتی با خوشه بندی، طبقه بندی، درخت تصمیم، الگوریتم های SVM و غیره است.

مدل‌های یادگیری ماشین مدرن را می‌توان برای پیش‌بینی‌های مختلف از جمله پیش‌بینی آب‌وهوا، پیش‌بینی بیماری، تحلیل بازار سهام و غیره استفاده کرد.

پیش نیازها

قبل از یادگیری ماشین، باید دانش اولیه زیر را داشته باشید تا بتوانید مفاهیم یادگیری ماشین را به راحتی درک کنید:

• دانش بنیادی احتمال و جبر خطی.
• امکان کدنویسی به هر زبان کامپیوتری، به خصوص در زبان پایتون.
• دانش حساب دیفرانسیل و انتگرال، به ویژه مشتقات توابع تک متغیره و چند متغیره.

منبع: https://www.javatpoint.com/