آشنایی با مفهوم یادگیری ماشین و انواع آن

در سال 1959، آرتور ساموئل (Arthur Samuel) پیشرو در زمینه یادگیری ماشین (ML)، مفهوم یادگیری ماشین را اینگونه‌ تعریف می‌کند: «شاخه علمی که به رایانه‌ها بدون برنامه‌نویسی مستقیم توانایی یادگیری می‌دهد.» برای آشنایی با مفهوم یادگیری ماشین و انواع آن، با مجله فناوری‌های توان‌افزا و پوشیدنی همراه باشید.

آشنایی با مفهوم یادگیری ماشین و انواع آن

مفهوم یادگیری ماشین

یادگیری ماشین مجموعه‌ای از الگوریتم‌های رایانه است که با استفاده از تجربه خود باعث بهبود عملکرد یا انجام پیش‌بینی‌های دقیق می‌شوند. در اینجا منظور از تجربه الگوریتم، اطلاعات یا داده‌های پیشین دردسترس ما است که آن‌ها را برچسب‌گذاری یا طبقه‌بندی کرده‌ایم و در اختیار الگوریتم قرار می‌دهیم. در هر روش یادگیری ماشین، کیفیت و حجم داده تاثیر زیادی در دقت الگوریتم برای پیش‌بینی‌ها و خروجی دارد.

اگر از دیدگاه جدیدی به یادگیری ماشین نگاه کنیم، می‌توان آن را بیش از هرچیز مدل‌سازی آماری در نظر بگیریم. در مدل‌سازی آماری، ما در ابتدا به جمع‌آوری داده می‌پردازیم و داده‌های ناقص و غلط را حذف می‌کنیم تا به مجموعه داده کامل و اصلاح شده برسیم. از مجموعه داده‌ها برای آزمودن فرضیه و پیش‌بینی‌ها و تصمیم‌گیری‌ها استفاده می‌کنیم. ایده اصلی مدل‌سازی آماری ارائه مسائل پیچیده در قالبی تعمیم‌پذیر است به گونه‌ای که برای هر مسئله‌ای قابل تعمیم باشد.

ما الگوریتم را در راستای اجرای توابعی خاص مبتنی بر مجموعه‌داده موردنظر، برنامه‌نویسی می‌کنیم. می‌توان گفت الگوریتم ثابت است و به یک برنامه‌نویس نیاز است تا برای الگوریتم، خروجی را مشخص کند و به الگوریتم بگوید با دریافت داده‌های موردنظر به عنوان ورودی چه خروجی داشته باشد.

روند کار برای یادگیری ماشین، معکوس مدل‌سازی آماری است. در یادگیری ماشین، به جای مشخص کردن مدل و دادن مجموعه داده به عنوان ورودی آن، مجموعه داده مشخص می‌کند چه روش تحلیلی استفاده شود تا بهترین عملکرد مورد انتظار را داشته باشیم. به عبارت دیگر، رایانه مجموعه داده را دریافت می‌کند و داده، الگوریتم را تعیین می‌کند و به الگوریتم آموزش می‌دهد. بنابراین در یادگیری ماشین برخلاف مدل‌سازی آماری، ما با الگوریتم‌های ثابت روبرو نخواهیم بود. در واقع الگوریتم از داده می‌آموزد و از داده در دسترس، دانش حاصل می‌شود. یادگیری حاصل از این نوع آموزش از تکرار به دست می‌آید.

به یاد داشته باشید که الگوریتم چیزی بیش از مجموعه‌ای از دستوالعمل و توابع نیست. رایانه از الگوریتم برای تبدیل ورودی به خروجی مطلوب استفاده می‌کند. بنابراین در مرحله یادگیری ML، عملیات اجرایی الگوریتم بارها و بارها تکرار می‌شود تا نتیجه به مجموعه‌ای از شرایط موردنظر همگرا شود. برای ارزیابی الگوریتم یادگیری، مجموعه‌ داده جدید به عنوان ورودی به الگوریتم داده می‌شود تا بدون هیچگونه آموزشی روی مجموعه داده جدید، خروجی را پیش‌بینی کند.

بدون شک داده نقش کلیدی در الگوریتم‌های یادگیری ماشین بازی می‌کند. ساختار داده نیز مشخص می‌کند چه نوع فرآیند یادگیری باید اجرا شود. در اینجا ما سه نوع متفاوت از الگوریتم‌های یادگیری ماشین را معرفی می‌کنیم:

یادگیری با نظارت (supervised ML)

در روش یادگیری با نظارت، از داده‌های با برچسب‌گذاری برای آموزش الگوریتم استفاده می‌کنیم. داده‌های دارای برچسب به این معنی است که داده به همراه نتیجه و پاسخ موردنظر آن دردسترس است. برای نمونه اگر ما بخواهیم به رایانه آموزش دهیم که تصویر حیوان سگ را از گربه تشخیص دهد، ما داده‌ها را به صورت برچسب‌گذاری شده برای آموزش استفاده می‌کنیم. به الگوریتم آموزش داده می‌شود که چگونه تصویر سگ و گربه طبقه‌بندی کند. پس از آموزش، الگوریتم می‌تواند داده‌های جدید بدون برچسب را طبقه‌بندی کند تا مشخص کند تصویر جدید مربوط به سگ است یا گربه. یادگیری ماشین با نظارت برای مسائل پیچیده عملکرد بهتری خواهد داشت.

آشنایی با مفهوم یادگیری ماشین و انواع آن

یکی از کاربردهای یادگیری با نظارت، تشخیص تصاویر و حروف است. دست خط نوشتن حرف A یا عدد 1 برای هر فرد با دیگری متفاوت است. الگوریتم با آموزش یافتن توسط مجموعه داده‌های دارای برچسب از انواع دست خط حرف A و یا عدد 1، الگوهای حروف و اعداد را یاد می‌گیرد. امروزه رایانه‌ها در تشخیص الگوهای دست خط از انسان دقیق‌تر و قدتمندتر هستند. با افزایش مجموعه داده‌های مرحله آموزش، الگوریتم آموزش دیده با عملکردی بهتر خواهیم داشت. الگوریتم برای یک بار آموزش می‌بیند و پس از آن نتیجه و پاسخ داده‌های جدید را پیش‌بینی می‌کند.

آشنایی با مفهوم یادگیری ماشین و انواع آن

یادگیری بدون نظارت (Unsupervised ML)

در یادگیری بدون نظارت، ما مجموعه داده دارای برچسب برای آموزش الگوریتم نداریم. در واقع در این روش دیگر برای الگوریتم، نتیجه و پاسخ مورد انتظار مجموعه داده مشخص نیست. در این حالت فرآیند یادگیری به شناسایی الگوهای تکرار شده در مجموعه داده وابسته است. با ورود مجموعه داده تصاویر سگ و گربه، الگوریتم آن‌ها را بر اساس ویژگی‌های ذاتی موجود در تصاویر طبقه‌بندی می‌کند. در یادگیری بدون نظارت، الگوریتم‌ها از روش‌های تخمین مبتنی بر آمار استنباطی برای شناسایی الگوها و همبستگی و ارتباط میان داده‌های خام و بدون برچسب استفاده می‌کند.

هنگامی‌که الگوها شناسایی شوند الگوریتم از آمار برای شناسایی مرز درون مجموعه داده‌ها بهره می‌گیرد. داده‌های با الگوهای مشابه در یک گروه طبقه‌بندی می‌شوند. با ادامه یافتن فرآیند طبقه‌بندی داده‌ها، الگوریتم الگوی مجموعه داده را درک می‌کند و برای داده‌های جدید پیش‌بینی انجام می‌دهد. این نوع خوشه‌بندی داده‌ها می‌تواند فرآیند تصمیم‌گیری درباره داده را خودکار کند. در واقع روند یادگیری بدون نظارت پیچیده‌تر از یادگیری با نظارت است.

یادگیری تقویتی (Reinforcement ML)

یادگیری تقویتی مشابه یادگیری بدون نظارت است. داده‌های مرحله آموزش این نوع یادگیری بدون برچسب است. با این تفاوت که به الگوریتم نمونه‌هایی از داده با نمره مثبت یا منفی (پداش و تنبیه) داده می‌شود. نمره مثبت و منفی برای الگوریتم حلقه بازخورد ایجاد می‌کند و به الگوریتم اجازه می‌دهد که تعیین کند که نتیجه به دست‌آمده توسط آن، مسئله را حل می‌کند یا نه.

می‌توان گفت یادگیری تقویتی مانند یادگیری مبتنی بر آزمون و خطای انسان است. یادگیری تقویتی برای ایجاد استراتژی‌ها کاربرد دارد. کاربرد یادگیری تقویتی در آموزش بازی‌ها به رایانه‌ها است. برای نمونه می‌توان شرکت DeepMind را نام برد که در سال 2014 توسط گوگل خریداری شد. این شرکت تلاش می‌کند تا به الگوریتم خود، بازی قدیمی و معروف آتاری (Atari) را آموزش دهد. آلفاگو (AlphaGo) سامانه هوش مصنوعی که توسط گروه DeepMind گوگل برای انجام بازی Go طراحی شده توانست قهرمان جهانی این بازی را شکست دهد.

کاربردهای یادگیری ماشین در کسب و کار

خودروهای خودران شرکت گوگل با کمک یادگیری ماشین توسعه می‌یابند. امروزه لب‌خوانی ماشین‌ها از انسان سریع‌تر است. شاخه ML در امور مالی نیز وارد شده است. در تجارت الکترونیکی و تجزیه و تحلیل سری‌های زمانی و خدمات مشتری و تحلیل اخبار علم یادگیری ماشین به صورت گسترده وارد شده است. اما مهم‌تر از آن تاثیر قدرتمند یادگیری ماشین در شبکه‌های عصبی است.


در زمینه مفهوم یادگیری ماشین و کاربردهای آن بیشتر بخوانید:
>>چرا یادگیری عمیق با یادگیری ماشینی متفاوت است؟
>>ده ویدئو از ناکامی رباتها و پیام آن‌ها در حوزۀ یادگیری ماشینی
>>فناوری یادگیری ماشینی: راه نوین کمک به افراد ناتوان جسمی و ذهنی


منبع: robohub

استفاده و بازنشر مطالب تنها با ذکر لینک منبع و نام (مجله فناوری‌های توان‌افزا و پوشیدنی) مجاز است.

دیدگاهتان را بنویسید

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

ExosNews on Telegram

ما را در تلگرام دنبال کنید!

مجله فناوریهای توان افزا و پوشیدنی

عضویت در کانال تلگرام
بستن