یادگیری ماشین

مقدمه

حتما طرز کار مغز و نحوه اندیشه و تفکر تا کنون ذهن بسیاری از افراد را درگیر کرده است‌. ابتدا یونانی ها بر این باور بودند که در بدنه های مکانیکی از جنس آهن می‌توان مغز ساخته شده توسط بشر را قرار داد و این ایده شکل گرفت‌.

هوش مصنوعی

برخی تولد هوش مصنوعی را از مقالات آلن تورینگ از تاثیر گذارترین افراد در زمینه هوش مصنوعی می دانند. بسیاری از مقالات این دانشمند حدودا ۷۰ سال پیش در سال ۱۹۵۰ منتشر شد. وی همچنین تست تورینگ را یک معیار مناسب جهت ارزيابی و تشخیص هوش مصنوعی می دانست.

تا کنون فیلم های زیادی بر اساس هوش مصنوعی ساخته شده است که مورد توجه بسیاری از افراد قرار گرفته، مانند فیلم ماتریس که در سال ۱۹۹۹ ساخته شد و در آن اتفاق هایی رخ می‌دهد که در دنیای واقعی نبوده اما به صورت هوشمندانه عمل می کنند. این فیلم سه گانه یکی ای محبوب ترین فیلم ها بین برنامه نویسان است.

هوشمندی را می‌توان با اشکال مختلف تعریف کرد. اگر شما کتاب "هوش مصنوعی، یک رویکرد مدرن" را مطالعه کرده باشید، درمی‌یابید که از منظر اول هوشمندی یا در رفتار است یا در تفکر و از منظر دوم هوشمندی در انسان‌گونه بودن یا در منطقی بودن است. اگر همهٔ حالات را در نظر بگیریم به چهار تعریف زیر می‌رسیم. هوش مصنوعی چیزی است که:

• منطقی فکر کند.

• منطقی رفتار کند.

• مانند انسان فکر کند.

• مانند انسان رفتار کند.

به این دو مورد خوب توجه کنید:

1. از نظر نیچه کاری درست است که منجر به افزایش قدرت شود.

2. افلاطون فضیلت را از دید اجتماع بررسی و تعریف می‌کند.

با این وجود با هر تفکر و تعریف ما مسیر و نتیجه متفاوت خواهیم داشت. بنابراین باید هوشمندی مد نظر را انتخاب کنیم.

قدم بعدی ساخت عامل هوشمند است. عامل می‌تواند سخت‌افزاری یا نرم‌افزاری باشد و بر حسب محیطی که عامل قرار است در آن مورد استفاده قرار گیرد.

یادگیری ماشین

امروزه هر برنامه‌ای که هوشمندی داشته باشد یا به نوعی رفتار انسان را تقلید کند، به عنوان هوش مصنوعی پذیرفته می‌شود.

یکی از مهم‌ترین ویژگی‌های یادگیری ماشین، یادگیری با استفاده از داده و بدون استفاده از دستورات مستقیم است. در انواع دیگر هوش مصنوعی ممکن است شاهد نوعی از هوشمندی باشیم که از داده‌ها استفاده نمی‌کند. ویژگی دیگر یادگیری ماشین، تغییر خود با دیدن داده‌های جدید است؛ یعنی همانند انسان با کسب تجربیات جدید رفتار خود را تغییر می‌دهد.

یادگیری ماشین در عصر جدید

همانطور که می‌دانید امروزه از قدرت الگوریتم‌ های یادگیری ماشین امکانات بسیار مناسبی برای جامعه به وجود آورده است، از جمله صنعت، دانشگاه، حوزه سلامت، اقتصاد و تجارت، کسب و کارها و ... که همگی به نوعی به آن وابسته شده اند. همچنین زبان پایتون و R از محبوب‌ترین زبان‌های قابل استفاده برای یادگیری ماشین هستند.

موقعیت‌های شغلی مرتبط با یادگیری ماشین

همانطور که می‌دانید تحلیل و ارزیابی داده ها در یک شرکت از گذشته تا کنون حائز اهمیت است. به عنوان مثال یک فروشگاه را در نظر بگیرید، با بررسی فاکتورهای فروش می‌توان محصولات بهتری را به لیست اضافه و یا برخی موارد را حذف یا جایگزین نمود.

نیاز جامعه به بررسی آمار و داده‌ها سبب به وجود آمدن تخصص‌هایی در این زمینه شد. احتمالا کلماتی مثل دانشمند داده، تحلیلگر داده، مهندس داده و مهندس یادگیری ماشین به گوشتان خورده است.

تحلیل‌گر داده

فعالیت یک تحلیل گر داده عبارت است از:

1. معماری مناسب برای جمع‌آوری اطلاعات

2. داده‌های خام را از منابع داخلی و خارجی جمع‌آوری می‌کند و سپس در پایگاه های داده از قبل طراحی شده قرار می‌دهد.

3. داده‌ها را مورد بررسی قرار می‌دهد و از داده اطلاعات مفید استخراج می‌کند.

دانشمند داده

می‌توان گفت دانشمند داده سطح بالاتری از تحلیلگر داده دارد. دانشمند داده امور داده‌کاوی را معمولا با زبان‌های برنامه‌نویسی و کتابخانه‌های آن انجام می‌دهد ولی تحلیل‌گر از پلتفرم‌ها و نرم‌افزار‌ها استفاده می‌کند. 

مهندس داده

با ظهور کلان‌داده و انفجار داده، روش‌های پیشین مدیریت و ذخیره سازی داده پاسخگو نبود و مفاهیم و ابزار‌های جدیدی برای مدیریت این پدیده به‌وجود آمد.

مهندس داده پس از مشورت با دیگر اعضای شرکت انتخاب می‌کند که چه داده‌ای از میان سیل دادهٔ تولیدی در اختیار شرکت قرار بگیرد. پس از انتخاب منابع داده، داده‌های منابع مختلف را یکپارچه می‌کند و برای نگهداری بهینهٔ آن‌ها برنامه‌ریزی می‌کند.

مهندس یادگیری ماشین

مهندس یادگیری ماشین نقاط مشترک فراوانی با مهندس داده دارد. هر دو در فرآیند رسیدن داده از محل تولید تا مدل نقش داشته و با ساختار‌های داده و پیچیدگی‌های مرتبط با آن آشنایی دارند. دانش یادگیری ماشین برای مهندس داده اجباری نبود ولی برای مهندس یادگیری ماشین الزامی است.

یادگیری ماشین و صنعت معدن

در معدن و صنایع معدنی نیز همچون سایر صنایع دیگر، یادگیری ماشین بسیار کاربردی است. در ادامه چهار مثال کاربردی از یادگیری ماشین در معدن را با هم مرور کنیم.

1. پردازش تصاویر ماهواره ای

2. پیش‌بینی متغیرهای ژئومتالورژیکی

3. آنالیز تصاویر مربوط به جعبه مغزه‌ها

4. پردازش تصاویر گرفته ‌شده از پهپاد برای شناسایی هدف‌های از پیش تعیین شده

سرگذشت یادگیری ماشین

یادگیری ماشین در اکثر کاربردهای فعلی، یک برنامه کامپیوتری است که به داده دسترسی پیدا می‌کند و از آن برای آموزش خود استفاده می‌کند.

تولد کلمه" یادگیری ماشین" برای اولین بار توسط آقای آرتور ساموئل بکار گرفته شد و آن را این چنین تعریف کرد: یادگیری ماشین زمینه‌ای از تحقیقات است که به کامپیوترها توانایی یادگیری بدون برنامه‌نویسی صریح را می‌دهد.

ویژگی اصلی یادگیری ماشین خود آموزشی یا می‌باشد که به معنی استفاده از مدلسازی آماری و عدم استفاده از دستورات مستقیم می‌باشد.

داده و انواع آن

داده‌ها عنصر محوری یادگیری ماشین هستند و ماشین‌ها از داده‌ها یاد می‌گیرند، به این صورت که ما داده‌ها را به عنوان ورودی به الگوریتم می‌دهیم تا خروجی مورد نیازمان را دریافت کنیم. زیر لیست انواع داده ها آماده است.

• کلمات (زبان طبیعی)

• تصویر

• جداول

• سری زمانی

مراحل انجام یادگیری ماشین

به طور کلی رویکرد انجام یادگیری ماشین، دارای ۴ عنصر اساسی است:

1. یک الگوریتم (مدل) برای تصمیم‌گیری

2. یک معیار برای امتیازدهی اینکه عمل‌کرد مدل چقدر خوب بوده

3. بررسی خودکار کیفیت مدل بر اساس امتیاز

4. یک روش خودکار برای بهبود امتیاز بر اساس ایجاد تغییرات در مدل

انواع یادگیری ماشین

یادگیری بانظارت

در این نوع از یادگیری، نمونه‌هایی که برای آموزش الگوریتم استفاده می‌شوند، دارای برچسب هستند. الگوریتم‌های یادگیری نظارت‌شده، به دو دسته طبقه‌بندی و رگرسیون دسته‌بندی می‌شوند

یادگیری بی‌نظارت

الگوریتم‌های یادگیری ماشین بی‌نظارت، که در آن مدل بدون دخالت انسان و با داده‌های بدون برچسب، الگوهای پنهان بین داده‌ها را پیدا می‌کند، به طور کلی به سه دسته خوشه‌بندی، کاهش ابعاد و استخراج قانون وابستگی تقسیم‌ بندی می‌شود. 

یادگیری تقویتی

یادگیری تقویتی برخلاف یادگیری بانظارت و یادگیری بی‌نظارت وابسته به داده نیست، بلکه به واسطه تعامل با محیط می‌آموزد.

پایتون برای علم داده

پایتون یک زبان برنامه نویسی است که از زمان اختراعش تا امروز به عنوان یک زبان برنامه نویسی سطح بالا در توسعه‌ی برنامه‌های وب و موبایل و همچنین در آنالیز داده و محاسبات علمی به کار رفته است.

به دلیل متن‌باز بودن مفسر پایتون، نسخه‌های مختلفی از آن توسط افراد مختلفی توسعه داده شده است که پیاده‌سازی اصلی آن CPython نام دارد.

چرا پایتون برای علم داده انتخاب شده؟

1- پایتون کتابخانه‌ها و ابزار‌هایی قوی و متعدد دارد

• نامپای (Numpy)

• پانداس (Pandas)

• مت‌پلات‌لیب (Matplotlib)

• سایکت‌لرن (scikit-learn)

2- کدهای پایتون قابل فهم است

3- جامعه‌ای بزرگ از توسعه‌دهندگان

4- چند پارادایمی بودن

چرا از یادگیری‌ماشین استفاده می‌کنیم؟

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.

استفاده از یادگیری ماشین به دلایل زیر بسیار ساده است:

• افزایش بی حد و حصر داده‌ها

• ذخیره سازی مقرون به صرفه داده‌ها

• افزایش قدرت پردازنده‌ها و کاهش هزینه‌های آن‌ها

چالش‌های مربوط به داده

داده اساس یادگیری‌ماشین است و هیچ الگوریتم و مدلی با داده بد نمی‌تواند عملکرد خوبی داشته باشد. کمیت نامناسب داده، داده بی‌کیفیت و ویژگی‌های نامربوط از جمله چالش‌هایی است که به داده مربوط می‌شوند. برخی از این چالش ها شامل:

• تعداد ناکافی داده

• داده بی کیفیت

• ویژگی‌های مناسب

چالش‌های الگوریتمی

پس از آن‌که توانستیم چالش‌های مربوط به داده را مدیریت کنیم، سراغ الگوریتم و مدل می‌رویم. بیش‌برازش (Overfitting)، کم‌برازش (Underfitting) و زمان نمونه‌ای از چالش‌های مربوط به مدل‌ها و الگوریتم‌های هوش‌مصنوعی و یاد‌گیری‌ماشین هستند.

چرخه تب تکنولوژی

چرخه تب تکنولوژی نمودار رشد تکنولوژی‌­های مختلف را در طی زمان نشان می‌دهد. بر این اساس هر تکنولوژی ۵ مرحله اصلی را طی می‌کند.

مرحله یک: ابتدا معرفی می‌شود و شروع به مشهور شدن می‌کند.

مرحله دو: نام آن تکنولوژی در همه‌جا شنیده شده و با جذب سرمایه‌گذار، بسیاری از استارت‌آپ‌ها شروع به معرفی و استفاده از آن می‌کنند.

مرحله سه: حدودیت‌های این تکنولوژی شناخته می‌شود و آهسته از شهرت آن کاسته شده و بسیاری استفاده از آن را کنار می‌گذارند.

مرحله چهار و پنج: تنها برخی کسانی که در عرصه‌ٔ آن تکنولوژی باقی‌مانده‌اند شروع به فعالیت اصلی در این حوزه کرده و تکنولوژی شروع به رشد می‌کند تا زمانی که به مرحله پایانی یعنی پختگی و ثبات نسبی برسد.

هوش مصنوعی عمومی

مسئلهٔ هوش مصنوعی عمومی ابعاد متنوعی دارد و رشته‌های مختلفی را حول خود گرد می‌آورد. بخشی از مسائل آن به فلسفه و به طور دقیق‌تر فلسفه ذهن برمی‌گردد. 

تکینگی فناوری

زمانی که پیشرفت تکنولوژی به نقطه‌ای غیرقابل کنترل و برگشت‌ناپذیر برسد که تمدن انسانی را تحت تاثیر قرار دهد.بسیاری از صاحب نظران معتقدند تا سال‌های دههٔ ۲۰۴۰-۲۰۵۰ شاهد چنین تحولات شگرفی خواهیم بود.

• شرکت‌های پیشرو

• شرکت DeepMind

• شرکت OpenAI

• گروه AI شرکت Facebook

• گروه AI شرکت Google

منبع:

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