یادگیری ماشینی (ML) نوعی هوش مصنوعی ( AI ) است که به برنامه‌های نرم‌افزاری اجازه می‌دهد تا در پیش‌بینی نتایج دقیق‌تر شوند، بدون اینکه به صراحت برای این کار برنامه‌ریزی شده باشند. الگوریتم های یادگیری ماشین از داده های تاریخی به عنوان ورودی برای پیش بینی مقادیر خروجی جدید استفاده می کنند.
موتورهای توصیه یک مورد رایج برای یادگیری ماشین هستند. سایر کاربردهای محبوب عبارتند از: تشخیص تقلب، فیلتر کردن هرزنامه، شناسایی تهدید بدافزار، اتوماسیون فرآیند کسب و کار (BPA) و نگهداری پیش بینی.
یادگیری ماشینی مهم است زیرا به شرکت ها دیدی از روند رفتار مشتری و الگوهای عملیاتی تجاری می دهد و همچنین از توسعه محصولات جدید پشتیبانی می کند. بسیاری از شرکت‌های پیشرو امروزی، مانند فیسبوک، گوگل و اوبر، یادگیری ماشینی را به بخش مرکزی عملیات خود تبدیل می‌کنند. یادگیری ماشین برای بسیاری از شرکت ها به یک تمایز رقابتی مهم تبدیل شده است.
یادگیری ماشینی کلاسیک اغلب بر اساس نحوه یادگیری الگوریتم در پیش‌بینی دقیق‌تر طبقه‌بندی می‌شود. چهار رویکرد اساسی وجود دارد: یادگیری تحت نظارت ، یادگیری بدون نظارت ، یادگیری نیمه نظارتی و یادگیری تقویتی. نوع الگوریتمی که دانشمندان داده‌های الگوریتمی برای استفاده انتخاب می‌کنند بستگی به نوع داده‌هایی دارد که می‌خواهند پیش‌بینی کنند.
یادگیری نظارت شده: در این نوع یادگیری ماشینی، دانشمندان داده الگوریتم‌هایی را با داده‌های آموزشی برچسب‌گذاری شده ارائه می‌کنند و متغیرهایی را که می‌خواهند الگوریتم برای همبستگی ارزیابی کند، تعریف می‌کنند. هم ورودی و هم خروجی الگوریتم مشخص شده است.
یادگیری بدون نظارت: این نوع یادگیری ماشینی شامل الگوریتم هایی است که روی داده های بدون برچسب آموزش می بینند. الگوریتم از طریق مجموعه داده ها به دنبال هر گونه ارتباط معنی دار اسکن می کند. داده‌هایی که الگوریتم‌ها روی آنها آموزش می‌دهند و همچنین پیش‌بینی‌ها یا توصیه‌هایی که آنها تولید می‌کنند، از پیش تعیین شده‌اند.
یادگیری نیمه نظارت شده: این رویکرد برای یادگیری ماشینی شامل ترکیبی از دو نوع قبلی است. دانشمندان داده ممکن است الگوریتمی را با برچسب داده های آموزشی تغذیه کنند ، اما این مدل آزاد است که داده ها را به تنهایی کشف کند و درک خود را از مجموعه داده توسعه دهد.
یادگیری تقویتی: دانشمندان داده معمولاً از یادگیری تقویتی برای آموزش به ماشین برای تکمیل یک فرآیند چند مرحله ای استفاده می کنند که قوانین مشخصی برای آن وجود دارد. دانشمندان داده الگوریتمی را برای تکمیل یک کار برنامه‌ریزی می‌کنند و به آن نشانه‌های مثبت یا منفی می‌دهند که چگونه کار را کامل کند. اما در بیشتر موارد، الگوریتم به تنهایی تصمیم می گیرد که چه مراحلی را در طول مسیر بردارد.
یادگیری ماشینی نظارت شده به دانشمند داده نیاز دارد که الگوریتم را با ورودی های برچسب دار و خروجی های دلخواه آموزش دهد. الگوریتم های یادگیری نظارت شده برای کارهای زیر خوب هستند:
طبقه بندی باینری: تقسیم داده ها به دو دسته.
طبقه بندی چند کلاسه: انتخاب بین بیش از دو نوع پاسخ.
مدل سازی رگرسیون: پیش بینی مقادیر پیوسته.
روش Ensembling: ترکیب پیش‌بینی‌های چندین مدل یادگیری ماشین برای تولید یک پیش‌بینی دقیق.
الگوریتم های یادگیری ماشینی بدون نظارت نیازی به برچسب گذاری داده ها ندارند. آنها داده های بدون برچسب را غربال می کنند تا به دنبال الگوهایی باشند که می توانند برای گروه بندی نقاط داده در زیر مجموعه ها استفاده شوند. اکثر انواع یادگیری عمیق، از جمله شبکه های عصبی ، الگوریتم های بدون نظارت هستند. الگوریتم های یادگیری بدون نظارت برای کارهای زیر خوب هستند:
خوشه بندی: تقسیم مجموعه داده ها به گروه ها بر اساس شباهت.
تشخیص ناهنجاری: شناسایی نقاط داده غیرعادی در یک مجموعه داده.
ارتباط کاوی: شناسایی مجموعه ای از آیتم ها در یک مجموعه داده که اغلب با هم اتفاق می افتد.
کاهش ابعاد: کاهش تعداد متغیرها در یک مجموعه داده.
یادگیری نیمه نظارت شده توسط دانشمندان داده کار می کند که مقدار کمی از داده های آموزشی برچسب گذاری شده را به یک الگوریتم تغذیه می کنند. از این طریق، الگوریتم ابعاد مجموعه داده‌ها را می‌آموزد که سپس می‌تواند آنها را روی داده‌های جدید و بدون برچسب اعمال کند. عملکرد الگوریتم‌ها معمولاً زمانی بهبود می‌یابد که روی مجموعه داده‌های برچسب‌گذاری شده آموزش ببینند. اما برچسب زدن داده ها می تواند زمان بر و پرهزینه باشد. یادگیری نیمه نظارتی بین عملکرد یادگیری تحت نظارت و کارایی یادگیری بدون نظارت فاصله می گیرد. برخی از زمینه هایی که در آن از یادگیری نیمه نظارتی استفاده می شود عبارتند از:
ترجمه ماشینی: آموزش الگوریتم ها برای ترجمه زبان بر اساس کمتر از یک فرهنگ لغت کامل از کلمات.
تشخیص تقلب: شناسایی موارد تقلب زمانی که فقط چند نمونه مثبت داشته باشید.
برچسب‌گذاری داده‌ها: الگوریتم‌هایی که روی مجموعه‌های داده کوچک آموزش داده شده‌اند، می‌توانند یاد بگیرند که برچسب‌های داده را به طور خودکار به مجموعه‌های بزرگ‌تر اعمال کنند.
یادگیری تقویتی با برنامه ریزی یک الگوریتم با یک هدف مشخص و مجموعه ای از قوانین تجویز شده برای دستیابی به آن هدف کار می کند. دانشمندان داده همچنین الگوریتم را طوری برنامه‌ریزی می‌کنند که به دنبال پاداش‌های مثبت باشد - که وقتی عملی را دریافت می‌کند که برای رسیدن به هدف نهایی مفید است - و از مجازات‌ها اجتناب می‌کند - که وقتی عملی را انجام می‌دهد که آن را از هدف نهایی دورتر می‌کند دریافت می‌کند. هدف. یادگیری تقویتی اغلب در زمینه هایی مانند:
رباتیک: ربات ها می توانند با استفاده از این تکنیک انجام وظایف دنیای فیزیکی را بیاموزند.
گیم پلی ویدیویی: از یادگیری تقویتی برای آموزش ربات ها برای انجام تعدادی بازی ویدیویی استفاده شده است.
مدیریت منابع: با توجه به منابع محدود و یک هدف تعریف شده، یادگیری تقویتی می تواند به شرکت ها در برنامه ریزی نحوه تخصیص منابع کمک کند.
امروزه یادگیری ماشین در طیف وسیعی از کاربردها استفاده می شود. شاید یکی از معروف‌ترین نمونه‌های یادگیری ماشینی در عمل، موتور توصیه‌ای باشد که فید خبری فیسبوک را تامین می‌کند.
فیس بوک از یادگیری ماشینی برای شخصی سازی نحوه ارائه فید هر عضو استفاده می کند. اگر عضوی مکرراً برای خواندن پست‌های یک گروه خاص توقف کند، موتور توصیه شروع به نمایش بیشتر فعالیت آن گروه در فید می‌کند.
در پشت صحنه، موتور در حال تلاش برای تقویت الگوهای شناخته شده در رفتار آنلاین اعضا است. اگر عضو الگوهای خود را تغییر دهد و نتواند پست‌های آن گروه را در هفته‌های آینده بخواند، فید اخبار مطابق با آن تنظیم می‌شود.
علاوه بر موتورهای توصیه، کاربردهای دیگری برای یادگیری ماشینی شامل موارد زیر است:
مدیریت ارتباط با مشتری. نرم‌افزار CRM می‌تواند از مدل‌های یادگیری ماشین برای تجزیه و تحلیل ایمیل استفاده کند و اعضای تیم فروش را ترغیب کند که ابتدا به مهم‌ترین پیام‌ها پاسخ دهند. سیستم های پیشرفته تر حتی می توانند پاسخ های بالقوه موثر را توصیه کنند.
هوش تجاری. فروشندگان BI و تجزیه و تحلیل از یادگیری ماشین در نرم افزار خود برای شناسایی نقاط داده بالقوه مهم، الگوهای نقاط داده و ناهنجاری ها استفاده می کنند.
سیستم های اطلاعات منابع انسانی سیستم‌های HRIS می‌توانند از مدل‌های یادگیری ماشین برای فیلتر کردن برنامه‌ها و شناسایی بهترین نامزدها برای یک موقعیت باز استفاده کنند.
ماشین های خودران. الگوریتم‌های یادگیری ماشینی حتی می‌توانند این امکان را برای یک خودروی نیمه‌خودران فراهم کنند که یک شی نیمه قابل مشاهده را تشخیص دهد و به راننده هشدار دهد.
دستیاران مجازی دستیارهای هوشمند معمولاً مدل‌های یادگیری ماشینی تحت نظارت و بدون نظارت را برای تفسیر گفتار طبیعی و زمینه عرضه ترکیب می‌کنند.
یادگیری ماشینی موارد استفاده از پیش بینی رفتار مشتری تا تشکیل سیستم عامل برای خودروهای خودران را مشاهده کرده است.
وقتی صحبت از مزایا می شود، یادگیری ماشینی می تواند به شرکت ها کمک کند تا مشتریان خود را در سطح عمیق تری درک کنند. با جمع‌آوری داده‌های مشتری و ارتباط آن با رفتارها در طول زمان، الگوریتم‌های یادگیری ماشینی می‌توانند تداعی‌ها را بیاموزند و به تیم‌ها کمک کنند تا ابتکارات توسعه محصول و بازاریابی را مطابق با تقاضای مشتری تنظیم کنند.
برخی از شرکت ها از یادگیری ماشینی به عنوان محرک اصلی در مدل های تجاری خود استفاده می کنند. برای مثال، اوبر از الگوریتم‌هایی برای تطبیق رانندگان با سواران استفاده می‌کند. گوگل از یادگیری ماشینی برای نمایش تبلیغات سواری در جستجوها استفاده می کند.
اما یادگیری ماشین با معایبی همراه است. اول از همه، ممکن است گران باشد. پروژه های یادگیری ماشینی معمولاً توسط دانشمندان داده هدایت می شوند که حقوق بالایی دارند. این پروژه ها همچنین به زیرساخت نرم افزاری نیاز دارند که می تواند گران باشد.
همچنین مشکل سوگیری یادگیری ماشینی وجود دارد. الگوریتم‌های آموزش داده شده بر روی مجموعه‌های داده‌ای که جمعیت‌های خاصی را حذف می‌کنند یا حاوی خطا هستند، می‌توانند به مدل‌های نادرستی از جهان منجر شوند که در بهترین حالت، شکست می‌خورند و در بدترین حالت، تبعیض‌آمیز هستند. هنگامی که یک شرکت فرآیندهای اصلی کسب و کار را بر اساس مدل‌های مغرضانه قرار می‌دهد، ممکن است با آسیب‌های قانونی و اعتباری مواجه شود.
فرآیند انتخاب مدل یادگیری ماشینی مناسب برای حل یک مشکل، اگر به صورت استراتژیک مورد توجه قرار نگیرد، می تواند زمان بر باشد.
مرحله 1: مشکل را با ورودی های داده بالقوه ای که باید برای راه حل در نظر گرفته شوند، تراز کنید. این مرحله به کمک دانشمندان داده و کارشناسانی نیاز دارد که درک عمیقی از مشکل دارند.
مرحله 2: داده ها را جمع آوری کنید، قالب بندی کنید و در صورت لزوم داده ها را برچسب گذاری کنید. این مرحله معمولاً توسط دانشمندان داده و با کمک مخاصمه دهندگان داده هدایت می شود.
مرحله 3: الگوریتم(های) مورد استفاده را انتخاب کنید و آزمایش کنید تا ببینید چقدر خوب عمل می کنند. این مرحله معمولاً توسط دانشمندان داده انجام می شود.
مرحله 4: به تنظیم دقیق خروجی ها تا رسیدن به سطح قابل قبولی از دقت ادامه دهید. این مرحله معمولاً توسط دانشمندان داده با بازخورد کارشناسانی که درک عمیقی از مشکل دارند انجام می شود.
توضیح اینکه چگونه یک مدل ML خاص کار می کند، زمانی که مدل پیچیده است، می تواند چالش برانگیز باشد. برخی از صنایع عمودی وجود دارد که دانشمندان داده باید از مدل‌های یادگیری ماشینی ساده استفاده کنند، زیرا برای کسب‌وکار مهم است که توضیح دهد هر تصمیمی چگونه گرفته شده است. این امر به‌ویژه در صنایعی که بار انطباق سنگینی دارند مانند بانکداری و بیمه صادق است.
مدل‌های پیچیده می‌توانند پیش‌بینی‌های دقیقی ایجاد کنند، اما توضیح دادن به یک فرد غیرمتخصص چگونه یک خروجی را تعیین می‌کند می‌تواند دشوار باشد.
در حالی که الگوریتم‌های یادگیری ماشین برای دهه‌ها وجود داشته‌اند، اما با توجه به رشد هوش مصنوعی به محبوبیت جدیدی دست یافته‌اند. به ویژه مدل های یادگیری عمیق، پیشرفته ترین برنامه های کاربردی هوش مصنوعی امروزی را تقویت می کنند.
پلتفرم‌های یادگیری ماشینی از رقابت‌پذیرترین حوزه‌های فناوری سازمانی هستند، با اکثر فروشندگان عمده، از جمله آمازون، گوگل، مایکروسافت، IBM و دیگران، برای ثبت نام مشتریان برای خدمات پلتفرمی که طیفی از فعالیت‌های یادگیری ماشین را پوشش می‌دهند، از جمله جمع‌آوری داده‌ها، آماده‌سازی داده‌ها رقابت می‌کنند. ، طبقه بندی داده ها، ساخت مدل، آموزش و استقرار برنامه.
با افزایش اهمیت یادگیری ماشینی برای عملیات تجاری و کاربردی تر شدن هوش مصنوعی در تنظیمات سازمانی، جنگ پلت فرم یادگیری ماشین تشدید می شود.
تحقیقات مداوم در زمینه یادگیری عمیق و هوش مصنوعی به طور فزاینده ای بر توسعه برنامه های کاربردی عمومی تر متمرکز شده است. مدل‌های هوش مصنوعی امروزی به آموزش گسترده نیاز دارند تا الگوریتمی تولید کنند که برای انجام یک کار بسیار بهینه شده باشد. اما برخی از محققان در حال بررسی راه‌هایی برای انعطاف‌پذیرتر کردن مدل‌ها هستند و به دنبال تکنیک‌هایی هستند که به ماشین اجازه می‌دهد تا زمینه‌های آموخته‌شده از یک کار را به وظایف مختلف آینده اعمال کند.
لینک حمایت مالی برای ادامه راه : اینجا کلیک کنید.
آدرس لینکدین من و جواب به سوالات شما : اینجا کلیک کنید.
آدرس توییتر من برای مشارکت در گفت و گو ها : اینجا کلیک کنید.
انجام پروژه های ماشین لرنینگ و یادگیری عمیق در تلگرام : Mashayekhi_Ai@
منبع : https://www.techtarget.com/searchenterpriseai/definition/machine-learning-ML
