دروازه ورود به یادگیری ماشین، سرگذشت هوش مصنوعی :
فرایند اندیشه و تفکر و طرز کار مغز از گذشته های بسیار دور مورد توجه فیلسوفان و دانشمندان در همه جای جهان بوده است، یونانیان باستان عقیده داشتند که میتوان در یک بدنه مکانیکی مغزی ساختگی قرارداد، یکی از اسطوره های یونان یک غول آهنی بود که مغزی مکانیکی داشت. دراوایل قرن هفدهم ریاضی دانان مهمی مانند رند رکارت و گوتفریدلا مشغول منطقی کردن فرآیند تفکر با استفاده از علائم ریاضی بودند.
آلن تورینگ یکی از تاثیر گذاران ترین افراد در حوزه هوش مصنوعی است که مقاله او در سال 1950 منتشر و تست تورینگ را پیشنهاد داد.
در واقع هوش مصنوعی چیزی است که منطقی فکر میکند، منطقی رفتار میکند، مانند انسان فکر ورفتار میکند.
قدم بعدی ساخت عامل هوشمند است عامل می تواند سخت افزاری یا نرم افزاری باشد و برحسب محیطی که عامل قرار هست در آن مورد استفاده قرار بگیرد، میتواند اجزای مختلفی داشته باشد: مثلا توانایی دریافت و درک زبان طبیعی را داشته باشد و نوع فیزیکی نیازمند بازوهای حرکتی برای انجام اعمال انتقال باشد.
تفاوت هوش مصنوعی و یادگیری ماشین در این هست که یادگیری ماشین تلاش دارد در برابر داده های جدید به دستورات مستقیم رفتار و عمل خاص نسبت به تجربه گذشته خود نشان دهد.
یادگیری عمیق : نسبت به یادگیری ماشین عمری کوتاه تر دارد و با استفاده از شبکه عصبی انسان یعنی الگو برداری از شبکه عصبی انسان و حتی پیچیده تر الگوهای پیچیده تری را در داده ها پیدا کند و امروزه یکی از جذاب ترین بخش های یادگیری ماشین می باشد.
مصاحبه بادکتر فروغمند عضو هیئت علمی دانشگاه صنعتی شریف درمورد یافتن مسئله در صنعت و یافتن راه روش حل مسئله در دانشگاه توسط خوده شخص و یا دیگیران البته خوده بنده با وام گرفتن از صحبت های آقای دکتر، پیشنهاد میکنم وارد صنعت بشیم و سعی کنیم امور صنعتی را انجام دهیم درحالی که در یکجا نشسته باشیم و این کار به خودی خود مسائل را برای ما به نمایش درمی آورد و برای حل این مسائل می پردازیم.
برخی کاربردهای یادگیری ماشین در عصر جدید میتوان به تشخیص ایمل های SPAM و اتوموبیل های خودران و پیش بینی بازار و.... اشاره کرد.
برخی مشاغل یادگیری ماشین با درک اهمیت دانش و اطلاعات، بسیاری به فکر استفاده از داده ی موجود افتاده اند و سعی کردند در تصمیم گیری ها از نتایج تحلیل داده استفاده کندد و نه فقط شرکت ها بلکه اشخاص برای اداره بهتر امور شخصی، دولت ها برای اداره کشور و دانشمندان برای گشترس علم از آن بهره گرفته اند.
نیا جامعه به بررسی آمار و داده ها سبب به وجود آمدن انواع تخصص هایی در این زمینه شده که آن ها را نام میبریم :
تحلیل گر داده، دانشمند داده ، مهندس داده، مهندس یادگیری ماشین
یادگیری ماشین در صنعت و معدن : پردازش تصاپیر ماهواره ای که از این تصاویر برای شناسایی و ترسیم نقشه های زمین شناسی و عارضه های مربوطه استفاده می شود به زبان ساده با پیمایش های زمینی و هوایی، مناطق مختلف به صورت قسمت های مشخص تعیین میگردد و با مشخص نمودن این قسمت ها در تصاویر بدست آمده و سعی در دسته بندی کل تصویر و تصویر اطراف آن می شود.
برخی از کاربردهای آن در تشخیص گفتار، دسته بندی متون خاص، پردازش تصویر و سهام و بازار و پزشکی می توان اشاره کرد.
داده ها عنصر محوری یادگیری ماشین هستند و به صورت ساده ماشین ها از داده ها یادمی گیرند. برای حل مسئله ای با اتسفاده از یادگیری ماشین برای ما اهمیت انتخاب مدل می باشد و اکثر مدل های ساخته شده اند و برای ما انتخاب مدلی خاص برای مسئله امون از اهمیت بالایی برخوردار می باشد.
انواع یادگیری : یادگیری با نظارت و یادگیری بدون نظارت و یادگیری تقویتی
کلاسیفیکیشن : در الگوریتم های طبقه بندی برچسبی که میخواهیم پیش بینی کنیم به صورت گسسته می باشد مثلااعداد 1 تا 5 یا زن یا مردبودن.(مشخص می باشد)
رگرسیون : برخلاف طبقه بندی برچسبی که می واهیم پیش بینی کنیم به صورت متغییر و پیوسته می باشد. مثلا : دما و....
یادگیری بدون ناظر : در این قسمت از clustering و یا خوشه بندی استفاده میکنیم.
یادگیری تقویتی : براساس امتیاز دهی مدل را آموزش می دهیم.
در زبان های برنامه نویسی زبان هایی مانند C وابسته به cpu و سخت افزار میباشند و این زبان های کامپایلر دارند ولی در زبان برنامه نویسی پایتون تها نیاز به مفسر می باشد و از کرنل استفاده میکند.
میتوان از جمله کتابخانه هایی که در پایتون برای یادگیری ماشین استفاده کرد : numpy,pandas,matplotlib,openCV,tensorflow و ... اشاره کرد.
میتوان علت یادگیری ماشین را افزایش بی حد و حصر داده ها و ذخیره سازی مقرون به صرفه و افزایش قدرت پردازنده ها و کاهش هزینه های آن اشاره کرد.
چالش های الگوریتمی در یادگیری ماشین :
Overfiting :
زیادی باداده های اموزشی یادگیری انجام شده است و درحالت تست با خطا مواجه می شویم.
Underfiting
: به خوبی از دادگان آموزش یادگیری صورت نمگرفته و یکی از دلایل مهم بی کیفیتی داده های آموزشی می باشد.
هوش مصنوعی عمومی : در شاخه علوم شناختی به صورت شناخت محور می باشد که در محل تلاقی 6 زمینه قرار داد : فلسفه، زبان شناسی، روانشناسی، انسان شناسی، علوم اعصاب، هوش مصنوعی
تکینگی فاوری : از نقطه ای می شود نامبرد که هم با شکوه و هم دلهره برنگیز است و آن نقطه تکینگی فناوری است زمانی که پیشرفت تکنولوژی به نقطه غیرقابل کنترل و برگشت ناپذیر برسد که تمدن انسانی را تحت تاثیر قرار دهد، از مثال های چنین پیشرفتی که میتواند شگفت انگیز یا خطرناک باشد. ادامه دار بودن افزایش قدرت پردازشی و هوش مصنوعی عمومی است.( انفجار هوش)
شرکت های پیشرو در این زمینه باتوجه به وجود آمدن و نیاز قدرت پردازشی بالا و فراوانی داده :
Deepmind, OpenAi, Facebook Ai, Google Ai
منبع :
