هوش مصنوعی و یادگیری ماشین

مقدمه

فرایند اندیشه و تفکر از گذشته های بسیار دور مورد توجه فیلسوفان و دانشمندان جهان بوده است. در اوایل قرن هفدهم ریاضی دانان مهمی مانند دکارت، مشغول منطقی کردن این فرآیند با استفاده از علائم ریاضی بودند. آلن تورینگ یکی از تاثیرگذارترین افراد در حوزه هوش مصنوعی است و بسیاری مقاله ای که او درسال 1950 منتشر کرد را تولد هوش مصنوعی می دانند. او همچنین تست تورینگ را بعنوان معیاری برای تشخیص هوشمندی ماشین پیشنهاد داد. یکی از اولین پروژه های عملی هوش مصنوعی ایده گرفتن از مفهوم شبکه عصبی در سال 1950 توسط دو نفر از دانشجویان دانشگاه هاروارد بود. همچنین باخت کاسپاروف، قهرمان شطرنج، از سیستم deep blue در سال 1997 که توسط IBM طراحی شده بود باعث شد تا هوش مصنوعی در کانون توجه قرار گیرد.

اما فلسفه ی هوش مصنوعی چیست؟ هوش مصنوعی چیزی است که: منطقی فکر کند، منطقی رفتار کند، مانند انسان فکر کند، مانند انسان رفتار کند. البته در مورد تعریف تفکر یا کار منطقی، ابهاماتی وجود دارد. اینکه آیا کار منطقی همان کار درست است؟ واصلا کار درست چیست؟! از نظر نیچه کاری درست است که منجر به افزایش قدرت شود و افلاطون فضیلت را از دید اجتماع بررسی و تعریف می‌کند.

یادگیری ماشین زیر مجموعه ای از هوش مصنوعی است که یکی از مهم ترین ویژگی های آن، یادگیری با استفاده از داده و بدون استفاده از دستورات مستقیم است و کاربردهایی از قبیل تشخیص ایمیل های spam، ماشین های خودران، سیستم های پیشنهاد دهنده، صنعت معدن و... دارد.

موقعیت های شغلی یادگیری ماشین

تحلیلگر داده، دانشمند داده، مهندس داده، مهندس یادگیری ماشین

تعریف یادگیری ماشین

الگوریتم‌های یادگیری ماشین، مثل انسان با کمک تجربه یاد می‌گیرند. داده همان تجربه‌ای است که به عنوان ورودی به الگوریتم داده می‌شود. آقای تام میشل یادگیری ماشین را از دید مهندسی به این شکل تعریف کرده است: وقتی می‌توان گفت که یک برنامه ازروی تجربیاتE برای کاربردTو معیارکارآییP آموزشدیده است که کارآیی ‌آن ‌در‌کاربرد‌ T که‌ با‌ P مشخص‌شده،‌ با ‌استفاده ‌از‌تجربیات‌E بالا ‌برود.

انواع یادگیری ماشین

• یادگیری بانظارت: الگوریتم ما با استفاده از داده هایی که دارای برچسب مشخصی هستند الگو های لازم را پیدا می کند و شامل دو نوع دسته بندی و رگرسیون است.
• یادگیری بدون نظارت: تنها تفاوت این نوع با نوع قبلی در نبودن برچسب ها است و مدل به تنهایی باید الگوهای پنهان را پیدا کند. ازآن برای تحلیل اکتشافی داده ها و خوشه بندی استفاده می شود
• یادگیری تقویتی: باذهنیت آزمون و خطا کار می کند. عامل هوشمند طبق حالت جاری، حرکتی انجام می دهد و در ازای آن بازخوردی دریافت می کند که ممکن است مثبت یا منفی باشد و عامل بااین بازخورد، خط مشی خود را تغییر می دهد. این روش، نزدیک ترین حالت به یادگیری انسان است و وابسته به داده نیست، بلکه وابسته به تعامل با محیط می آموزد.

زبان ها و ابزارها

پایتون یک زبان برنامه نویسی سطح بالا و مبتنی بر مفسر است که جامعه ی کاربری بسیار بزرگی هم دارد. در همه ی حوزه های علم داده دارای کتابخانه های متعددی است و نوشتاری ساده و قابل فهم دارد. پرکاربردترین کتابخانه های پایتون برای یادگیری ماشین شامل: Numpy, Pandas, Matplotlib, scikit-learn, Tensorflow, هستند.

چالش ها و محدودیت ها

یادگیری‌ماشین به شرکت‌ها این امکان را می‌دهد که کارهایی که قبلاً تنها توسط انسان‌ها امکان‌پذیر بود را با سرعت بالاتر و دقت بیشتر انجام دهند، مانند پاسخگویی به تماسهای خدمات مشتری و حسابداری. داده، اساس یادگیری ماشین است و هیچ الگوریتم و مدلی با داده بد نمی تواند عملکرد خوبی داشته باشد. اگر تعداد داده های ما کافی نباشد قدرت تشخیص تفاوت آن با داده های دیگر برای ماشین پایین می آید. اگر داده بی کیفیت باشد، پر از مقادیر اشتباه و گم شده است. اگر ویژگی هایی که انتخاب می کنیم مناسب نباشد، مدل نمی تواند از آن ها درست بیاموزد و از دل آن ها الگوهایی برای پیش بینی آینده استخراج کند. این موارد، از چالش های مربوط به داده بودند، اما چالش هایی هم در مورد الگوریتم در این حوزه داریم، ازجمله:

• بیش برازش: یاد گرفتن زیاد از حد داده های آموزشی که باعث می شود در داده های جدید را درست پیش بینی نکند.
• کم برازش: وقتی بوجود می آید که مدل نتواند به خوبی از دادگان آموزشی یاد بگیرد. داده ی نامناسب(داده ای که به قدری بی کیفیت است که اطلاعات دقیق و جامعی به ما نمی دهد) یکی از دلایل این مشکل است.
• زمان: زمان از دو جهت اهمیت دارد، هم مدت زمانی که طول می کشد تا آموزش مدل تمام شود(زمان توسعه)، هم زمانی که مدل برای پیش بینی نمونه ها مصرف می کند(زمانی که کاربر نهایی درگیر می شود).

پیوست:

دراینجا سخنانی از اساتید و متخصصان این حوزه را خواهیم دید.

• دکتر فروغمند: فعالیت های حوزه هوش مصنوعی به دو بخش تقسیم می شود: 1. کاربرد ها و استفاده از علوم و الگوریتم های تولید شده تا کنون(تجربی) 2. اینکه چه کار کنیم هوش مصنوعی بهتر کار کند(تئوری).
• مهندس هادی ستوده: اگر وارد حوزه ی خاصی می خواهید بشوید، علاوه بر دانش یادگیری ماشین، دانش آن حوزه را هم فرا بگیرید.
• مهندس سینا رسولی: در مسئله ی جستجو، سه تا عنصر داریم: چه کاربری جستجو می کند، کلا چه محتواهایی داریم، زبان و جستاری که کاربر به ما منتقل می کند. در مورد کاربر، بازه ی سنی هم موثر است! برای ورود به بازار کار باید آمار و جبرخطی هم به خوبی بلد باشید.
• مهندس علی بهجتی: یکی از مسائل مطرح، پیش بینی این است که مشتری، خرید یک کالا را کنسل می کند یا نه. نیاز به آشنایی با معماری سیستم های توزیع شده دارید. هوش مصنوعی به نوعی باعث ازبین رفتن واسطه ها می شود.
  

منبع: https://quera.ir/college/land/college/8522/