یادگیری ماشین در واقع تقلید وقایعی است که انسانها رقم میزنند. به عبارت دیگر در یادگیری ماشین میکوشیم تا با ترکیبی از محاسبات عددی، ورودیها را به شکل دیگری تغییر دهیم. برای مثال ورودی ما یک تصویر است و میخواهیم عناصر موجود در این تصویر را بازیابی کنیم(دقیقاً کاری که انسان به طور روزانه از طریق چشم انجام میدهد). در ادامه به تعریف یادگیری ماشین و انواع آن میپردازیم.
در سال 1950، دانشمندی به نام آلن تورینگ مدل محاسباتیای ارائه کرد که هر تابعی که توسط انسان قابل محاسبه است توسط آن مدل نیز قابل محاسبه است. پس از آن مدل محاسباتی تورینگ به شکل فیزیکی پیادهسازی شد و آن را کامپیوتر نامیدند. این موضوع مقدمهای شد برای توسعه این مدل برای شبیهتر کردن آن به محاسبات انسان، به عبارت دیگر دسته روشهایی ارائه شد که کارهای مشابه با انسان انجام میدادند. این روشها با دریافت مجموعهای از اطلاعات به دنبال یافتن الگوهای مشابه در آنها بودند. یادگیری ماشین بخش از هوشمصنوعی است که به یک نرمافزار کاربردی این قابلیت را میدهد که خروجیهایی تولید کند که از قبل به صورت مستقیم برنامه نویسی نشده باشند.
میتوان روشهای یادگیری ماشین را در سه دسته مستقل مورد بررسی قرار داد:
۱- یادگیری تحت نظارت
در این نوع یادگیری همانند یک معلم برای مدل یادگیری مثال هایی از ورودی و خروجی ارائه میگردد. به عبارت دیگر دادهها برچسبگذاری شده اند و مدل سعی میکند پارامترهای خود را به گونهای تغییر دهد که منطبق بر مثالهای داده شده باشد. به عنوان مثال مجموعه ای از تصاویر اعداد 0 تا 9 داریم و برچسب هر کدام از آن تصاویر دقیقا برابر با عدد موجود در تصویر میباشد. مدل پس از آموزش با این تصاویر برچسب زده شده، بایستی خروجی یک تصویر جدید از یک عدد خاص را به درستی تشخیص دهد. به عنوان یک مثال ملموس می توان به تشخیص ایمیل اسپم و غیر اسپم اشاره کرد.
۲- یادگیری بدون نظارت
در این یادگیری برخلاف روش اول هیچ گونه معلمی وجود ندارد. دادهها برچسبگذاری نشده اند و مدل برای یادگیری صرفاً بر اساس شباهتها و تفاوتهایی که در دادههای آموزشی خود میبیند به دسته بندی و تفکیک دادهها در گروههای مختلف میپردازد. به عنوان مثال جدا کردن تصاویر انسان و خودرو که بر اساس شباهتها و تفاوتهای آنها قابل دستهبندی هستند.
۳- یادگیری تقویتی
نزدیکترین نوع یادگیری به یادگیری انسان، یادگیری تقویتی میباشد. این نوع یادگیری بر پایه عملکرد هوش مصنوعی از محیط بازخورد دریافت کرده و بر اساس بازخورد مثبت یا منفی رفتار خود را بهبود میدهد. رباتی را تصور کنید که میخواهد راه برود، نحوهی تعامل آن با جاذبه زمین و اجسام اطرافش به آن بازخوردی می دهد که چطور بهتر راه رود.
حال سوالی که پیش میآید این است که یادگیری عمیق چیست و چه ارتباطی با یادگیری ماشین دارد؟
یادگیری عمیق نوعی از یادگیری ماشین است که در آن به مدل یادگیر اجازه داده میشود به صورت خودکار در محیط جستجو کند و عوامل مرتبط با وظیفه محول شده را بدست آورد. این درحالی است که در یادگیری ماشین این عوامل توسط انسان تعیین میشود. به عنوان مثال رشتهی DNA از انسانهای مختلف به مدل یادگیر داده میشود و از مدل میخواهیم تا افرادی که در آینده با احتمال بالا دچار سرطان میشوند را مشخص کند. اکنون وظیفهی مدل این است که در رشتهی DNA جستجو کند و ارتباط میان کدهای DNA و بیماری سرطان را پیدا کند.
یادگیری ماشین دارای کاربردهای بسیار زیاد و متنوعی میباشد که قسمتی از آن در تصویر زیر نشان داده شده است.
یادگیری ماشین از جمله دانشهایی است که زندگی و دنیای ما را تا حد بسیار زیادی دگرگون کرده است. در این مقاله یادگیری ماشین و روشهای آن به صورت خلاصه مطرح شده است و سپس به بیان کاربردهای آن در بخش مختلف پرداخته شده است. این دانش همواره در حال پیشرفت میباشد و در آینده نقش آن در زندگی ما به مراتب پر رنگتر از حال حاضر خواهد شد.
منبع
کتاب Machine Learning