امیرحسین روشن ضمیر
امیرحسین روشن ضمیر
خواندن ۲ دقیقه·۴ سال پیش

یادگیری ماشین بخش اول - توانایی یادگیری کامپیوتر از تجارب گذشته

امروزه مزیت اصلی سیستم های کامپیوتری در توانایی آنها در خودکار کردن وظایف و کارهای روزانه می باشد بطوریکه این خودکار سازی درنهایت موجب صرفه جویی در زمان، هزینه و نیروی انسانی می شود. در واقع هر قدر این وظایف و کارها بیشتر خودکار شوند، هزینه ی استفاده کاهش یافته و افراد بیشتری در زندگی روزمره می توانند از آنها استفاده کنند. اما در هنگام خودکار کردن فعالیتها متوجه می شویم که قابلیت و میزان خودکارسازی در توانایی و ظرفیت ابزار مورد نیاز و بخصوص برنامه های نرم افزاری و همنیطور توان برنامه نویسان محدود خواهد شد. دلیل اول این است که در نظر گرفتن تمامی شرایط و ورودیهای موجود، کار توصیف و طراحی مساله را بسیار پیچیده می کند و دلیل دوم آن است که طراحی و توسعه ی برنامه ها و الگوریتم های تحلیل داده ها وسیستم های تصمیم گیری هوشمند، زمان، هزینه و تجربه ی زیادی را طلب می کند. از طرف دیگر بسیاری از کارهای روزمره مانند تشخیص صدا و تشخیص چهره و دست خط و ترجمه جملات به زبان دیگر که بسادگی توسط انسان قابل انجام می باشد برای کامپیوترها دشوار به نظر میرسد. در این جاست که مبحث یادگیری ماشین با رویکرد توسعه ی الگوریتمها و کشف دانش موجود در داده ها و نمونه های موجود به کمک می آید تا فرآیند فعالیتها را، خودکار نماید.

یادگيری ماشين فرآيندی است که  سیستم  رفتارش را در نتيجه استفاده از تجربيات گذشته و داده ها اصلاح می کند
یادگيری ماشين فرآيندی است که سیستم رفتارش را در نتيجه استفاده از تجربيات گذشته و داده ها اصلاح می کند


اولین تعریف یادگیری ماشین توسط آرتور ساموئل در سال 1959 ارائه شد که از آن به عنوان زمینه ای برای مطالعه یاد شده است که کامپیوتر را بدون اینکه برنامه ریزی شود برای یادگیری توانمند می سازد. البته برای يادگيری ماشين تعريف های متعددی دیگری نیز ارائه شده، از جمله اين كه يادگيری ماشين، توانايی کامپیوتر در آموختن از تجربيات گذشته و سوابق و انجام بهتر وظايف است. به عبارتی برای انجام بهتر كارها در آينده از آنچه که در گذشته روی داده است استفاده میشود. در واقع يادگيری ماشين فرآيندی است که طی آن يك سیستم رفتارش را در نتيجه استفاده از تجربيات گذشته و داده ها تغيير می دهد. اين مفهوم با طراحی و توسعه الگوريتم ها ارتباط نزدیکی دارد و به کامپیوترها ها اجازه مي دهد تا رفتارها را براساس داده های تجربی مثل داده های حسگر يا پايگاه داده ها تكامل دهند و در واقع با افزایش داده‌ها بازدهی بالاتری در وظیفه مورد نظر پیدا کند. بعنوان مثال برای انتقال دست نوشته ی افراد به متن قابل بازیابی توسط کامپیوتر لازم است که از الگوریتمهای یادگیری استفاده نماییم. زیرا افراد دست خط متفاوتی در هنگام نوشتن حروف دارند و بنابراین یادگیری ماشین میتواند با مرور هزاران دست خط افراد مختلف ، تمایزات و تشابهاتی که در نوشتن حروف A یا B و یاC وجود دارد را ، بصورت عمومی مشخص کند تا در مرحله بعد هردست خط جدیدی که قبلا دیده نشده بازخوانی شده و به فایل متن کامپیوتری تبدیل نماید. این فایل می تواند توسط یک الگوریتم یادگیری پیشرفته تر به گفتار و مکالمه نیز تبدیل شود.

یادگیری ماشینخودکارسازیکشف الگوهوش مصنوعییادگیری خودکار
کارآفرین و پژوهشگر تحول دیجیتالی، بنیانگذار استارتاپ چمروش، استاد مدعو دانشکده کامپیوتر دانشگاه صنعتی امیرکبیر، دانش آموخته دکترای مدیریت کسب و کار دانشگاه برادفورد انگلستان
شاید از این پست‌ها خوشتان بیاید