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.
تحلیلگر داده، دانشمند داده، مهندس داده، مهندس 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.
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.
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:
دراینجا سخنانی از اساتید و متخصصان این حوزه را خواهیم دید.