جانشین دست‌ساز انسان برای فرایند تفکر و یافتن روش حل مسائل یا یادگیری ماشین؟!؟

هنگامی که به درون ذهن تك‌تك ساکنان این کره‌ی خاکی نگاه می‌کنیم،درمیابیم که در هر لحظه و مکان مدام مشغول تفکر راجع به مسائل مختلف و پیدا کردن روش‌هایی برای حل آن‌ها هستند.اما هنگامی که که حجم اطلاعات و داده‌ها درباره‌ی مسائل افزایش می‌یابد،به مدت زمانی بیشتر از ۲۴ ساعت برای تفکر و تحلیل اطلاعات نیاز داریم و هیچ‌گونه روش و الگوریتمی برای حل مسائل به ذهن‌مان نمی‌رسد یا به کمك نیرویی متفاوت‌تر از جنس انسان نیازمندیم،نقش زیر شاخه‌ای بسیار مهم از هوش‌مصنوعی به‌نام یادگیری ماشین(Machine Learning)بسیار پررنگ می‌شود.برخلاف نظر بسیاری که این دانش را کاملاً نوظهور می‌دانند زیر بنای این شاخه از سال ۱۸۱۲ همزمان با پیدایش قضیه‌ی بیز و مارکوف بنیانگذاری شد و سال ۱۹۵۰ با مطرح شدن پرسش معروف آلن تورینگ که آیا ماشین‌ها فکر می‌کنند؟متولد شد و در سال ۱۹۷۴ با نام یادگیری ماشین به رسمیت شناخته شد و در سال ۱۹۹۶ کامپیوتر Deep Blue طراحی شرکت IBM با شکست قهرمان شطرنج جهان گری‌کاسپاروف اثبات کرد که ماشین‌ها واقعاً می‌توانند مانند انسان فکر کنند ! پس می‌توان گفت در یادگیری‌ماشین در مواقع خاص به جای برنامه‌نویس همه ‌چیز با جمع‌آوری و تجزیه و تحلیل داده‌ها و سپس تحویل آنان به یك الگوریتم عمومی،توانایی یادگیری و حل مسئله را به طور مستقل و بدون دخالت انسان برای ماشین‌ها فراهم می‌کند تا رفته‌رفته پیشرفته‌تر بشوند و در نهایت بتوانند موضوعی بسیار مهم و کاربردی را در جهان برای ما تعیین یا پیش‌بینی کنند.به‌طور خلاصه مراحل یادگیری ماشین به ترتیب ذیل هستند : ۱) بیان‌ مسئله ۲) جمع‌آوری داده‌ها ۳) بصری‌سازی داده‌ها ۴) مرتب‌سازی الگوریتم ۵) آزمایش الگوریتم ۶) جمع‌آوری نتایج ۷) تصحیح الگوریتم و در ادامه چرخه‌ی مراحل ۴الی۷ آن‌قدر تکرار می‌شوند که به نتیجه‌ و مدل رضایت بخش برسیم و در مرحله‌ی پایانی با استفاده از مدل نهایی برای پیش بینی و حل مسئله به این فرآیند پایان می‌دهیم.روش‌های یادگیری در این دانش عمدتاً در 4 نوع یادگیری نظارت شدهSupervised Learning)) ،نظارت‌نشده(Unsupervised Learning) ،نیمه‌نظارت‌شده((Semi Supervised Learning و تقویتیReinforcement Learning)) دسته‌بندی می‌شوند.در یادگیری نظارت شده ماشین‌ها از داده‌های مرتب شده توسط انسان‌ها استفاده می‌کنند و به دنبال یافتن ارتباط بین ورودی‌های شناخته شده و خروجی‌ها هستند که از معروفترین الگوریتم‌های مربوط به این نوع روش می‌توان به رگرسیون خطی،رگرسیون لجستیك،درخت تصمیم،ماشین بردار پشتیبانی،kنزدیک‌ترین همسایگی و جنگل تصادفی اشاره نمود.در مقابل زمانی از یادگیری بدون نظارت استفاده می‌کنیم که نمی‌دانیم چطور دیتا را طبقه بندی کنیم و می‌خواهیم الگوریتم برایمان داده‌ها را دسته‌بندی کند که الگوریتم‌های kمیانگین و آپریوری از معروفترین‌‌های این روش هستند.اما در یادگیری نیمه‌نظارتی که می‌توان گفت جایی در میان یادگیری نظارتی و بدون نظارت دارد،مقدار کمی از داده‌های برچسب‌دار در اختیار ماشین قرار می‌دهیم و ماشین سعی میکند از نمونه‌های بدون برچسب باقی‌مانده برای بهبود عملکرد یادگیری بهره ببرد.از معروفترین الگوریتم‌های نیمه‌نظارتی می‌توان به الگوریتم مبتنی بر گراف،مولد و روش‌های مبتنی بر فرض جداسازی کم‌چگال اشاره نمود.در نهایت نیز هنگام یادگیری تقویتی ماشین می‌آموزد که براساس داده‌های موجود و ممکن تصمیمی بگیرد و ماشین براساس هر تصمیمی که میگیرد یك فیدبك دریافت می‌کند که آیا این تصمیم درست یا غلط بوده است و به این ترتیب هربار یاد میگیرد که کدام تصمیم را در دفعات بعد و همان موقعیت تکرار کند که الگوریتم‌های Q-Learning وState-action-reward از مهمترین الگوریتم‌های این روش محسوب می شوند.هنگام مقایسه‌ی الگوریتم‌های یادگیری ماشین برای انتخاب مناسب‌ترین الگوریتم باید به حتماً به اهداف پروژه،نوع و حجم داده‌های موجود و زمانی که در اختیار داریم توجه کنیم چرا که هر الگوریتم برای هدف مشخصی ساخته شده است.با اینکه این دانش چالش‌هایی بسیاری را حل کرده است اما با محدودیت‌هایی نظیر جمع‌آوری داده‌ها و طریقه‌ی مصرف آن‌ها،امنیت داده‌ها،اعتبار سنجی داده‌ها،تشخیص الگوریتم‌های درست و پاك‌سازی داده‌های نویزی و اخلال‌گر مواجه است.امروزه با توجه به افزایش اهمیت کلان داده‌ها و پیچیده شدن فرآیند تجزیه و تحلیل آن‌ها،یادگیری ماشین به یك روش اصلی برای رسیدگی به مسائل متفاوتی تبدیل شده است که در پست بعدی به کاربردهای بسیار فراوان یادگیری ماشین در طیف وسیعی از زمینه‌ها می‌پردازیم.در پایان باید گفت که در حال حاظر در دنیایی زندگی می‌کنیم که تلفیقی از انسان‌ها و ماشین‌ها و فرآیندهای مشترك بین آن‌ها می‌باشد و در دنیای امروز ماشین‌ها و ربات‌ها برای شناسایی و انجام دستورات انسان‌ها نیاز به برنامه ریزی دارند،اما اگر این ماشین‌ها بتوانند بدون نیاز به برنامه نویسی و صرفاً بر اساس تجربیات خود عمل کنند و در شرایط مختلف مانند انسان احساس داشته باشند و حتی بهتر از ما تصمیم بگیرند،باید منتظر چه آینده‌ای برای بشریت باشیم ؟!؟

منابع :

amerandish.com

faranesh.com

education.systemgroup.net

Forbes.com

Futurism.com

AndroidPIT.com

TowardsDataScience.com

enginess.io

medium.com

expert.ai

ibm.com