یادگیری ماشین چیست و چه کاربردهایی در زندگی ما دارد؟

یکی از جذاب ترین حوزه های علوم و مهندسی کامپیوتر، هوش مصنوعی است که در سال های اخیر در سراسر جهان به پیشرفت های چشمگیری دست پیدا کرده و خوشبختانه چند سالی است که برخی شرکت های داخل ایران نیز به این حوزه علاقه مند شده اند. یکی از مهم ترین و کاربردی ترین زیر مجموعه های هوش مصنوعی، یادگیری ماشین است که می تواند در زمینه های بسیار متنوعی به بهبود زندگی انسان ها کمک کند.

در ایران نیز شرکت های بزرگ و مشهوری مانند دیجی کالا و علی بابا برای بهبود سیستم های فروش خود از یادگیری ماشین استفاده می کنند. در ادامه با این علم و کاربردهای آن در زندگی انسان بیشتر آشنا خواهیم شد.

ماشین لرنینگ چیست؟

همانطور که اشاره کردیم، یادگیری ماشین یا Machine Learning یکی از زیر مجموعه های علم هوش مصنوعی است. در علم Machine Learning مجموعه ای از اطلاعات به یک ماشین (ماشین الزاما یک ربات نیست و می تواند یک برنامه کامپیوتری، یا حتی یک جعبه مکعبی شکل باشد که باید تصمیم گیری های خاصی انجام دهد.) داده شده و سیستم درست مانند یک کودک خردسال می آموزد که چگونه این اطلاعات را تحلیل کند و در مواجهه با موارد مشابه چه واکنشی نشان دهد.

کاربردهای ماشین لرنینگ

به طور کلی می توان گفت که ماشین لرنینگ در تمامی ابعاد زندگی انسان کاربرد دارد و نمی توان آن را محدود به حوزه خاصی کرد. برای مثال:

از Machine Learning در پزشکی برای تشخیص زود هنگام سرطان استفاده می شود.
در بانک داری می توان از این علم استفاده نمود.
برای پیشبینی وضعیت سهام در بورس می توان از ماشین لرنینگ استفاد کرد.
ماشین لرنینگ در سیستم های تغییر چهره برای باز کردن قفل موبایل و لپ تاپ یا سیستم های حضور و غیاب و امثال آن ها کاربرد دارد.
قسمت عظیمی از تولیدات گوگل با الگوریتم های یادگیری ماشین کار می کنند.
و…
انواع یادگیری ماشین

با توجه به الگوریتم هایی که استفاده می کنیم و داده هایی که به سیستم ارائه می دهیم، ماشین لرنینگ به سه گروه اصلی دسته بندی می شود.

یادگیری با نظارت
اولین گروه الگوریتم های ماشین لرنینگ را الگوریتم های یادگیری با نظارت یا Supervised Learning تشکیل می دهند و شامل روش های کلاس بندی یا Classification هستند. برای استفاده از چنین روش هایی، باید یک مجموعه داده شامل برچسب های اطلاعاتی، در اختیار الگوریتم قرار دهیم. سپس الگوریتم Machine Learning با استفاده از داده های ورودی و برچسب ها که شامل خروجی مورد نیاز ما هستند، تابعی پیچیدده برای دسته بندی داده ها ارائه خواهد داد.

پس از تشکیل تابع، می توان مجموعه داده های بدون اطلاعات جانبی را وارد الگوریتم کرده و بهترین خروجی را از سیستم تحویل گرفت. الگوریتم K-Nearest Neighbours یا K نزدیک ترین همسایگی، یکی از شناخته شده ترین و پرکاربردترین الگوریم های کلاس بندی است.

علی رقم دقت بالای این نوع یادگیری، هزینه و زمان بالای برچسب زدن داده های آموزشی باعث می شود متخصصان تمایل کمتری به استفاده از یادگیری با نظارت داشته باشند.

یادگیری بدون نظارت
در یاد گیری بدون نظارت که به آن Unsupervised Learning نیز گفته می شود، هیچ نوع اطلاعات جانبی یا برچسبی به همراه مجموعه داده ها به سیسم ارسال نمی شود یا در صورت وجود اطلاعات، الگوریتم ها قادر به استفاده از این اطلاعات اضافی نخواهند بود. روش های یادگیری بدون نظارت بسیار مهم هستند. چرا که در اغلب موارد، تمامی داده ها مانند روشهای با نظارت برچسب خورده نیستند و روش های Unsupervised Learning جلوی اتلاف وقت و صرف هزینه های اضافی را خواهند گرفت.

یادگیری با نظارت معمولا به کمک الگوریتم های خوشه بندی یا Clustering صورت می گیرد. یکی از معروف ترین الگوریتم های خوشه بندی K-means یا K میانگین نام دارد که براساس آن الگوریتم های پیچیده تری نیز طراحی شده است.

یادگیری نیمه نظارتی
می توان یادگیری نیمه نظارتی یا Semi-Supervised Learning را ترکیبی از دو گروه دیگر دانست. در این روش، دو نوع داده وارد سیستم می شود. دسته اول داده های درست مانند یادگیری با نظارت دارای برچسب هستند و دسته دوم نیز همانند یادگیری بدون نظارت، هیچ برچسب و اطلاعات جانبی به همراه ندارند. در نتیجه سیستم با اطلاعات اندک داده های لیبل دار، دقت یادگیری را افزایش می دهد. یکی از الگوریتم های یادگیری نیمه نظارتی معروف Cop-Kmeans نام دارد که براساس الگوریتم معروف K میانگین طراحی شده است.

یادگیری ماشین به روش نیمه نظارتی یکی از پرکاربرترین روش های Machine Learning است. زیرا در اغلب مجموعه داده ها، به اطلاعات جانبی و برچسب های برخی از داده ها (نه همه آن ها) دسترسی داریم.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *