کدنویسی را فراموش کنید! اکنون می‌توانید مسائل هوش مصنوعی خود را با اکسل حل کنید

منتشر شده در: thenextweb به تاریخ ۱۶ ژانویه ۲۰۲۱
لینک ​منبع:Forget coding, you can now solve your AI problems with Excel

یادگیری ماشینی و یادگیری عمیق به بخش مهمی از بسیاری از برنامه‌هایی که ما به‌صورت روزانه از آن‌ها استفاده می‌کنیم تبدیل شده‌اند. حوزه‌های کمی وجود دارند که گسترش سریع یادگیری ماشین هنوز به آن‌ها دست نیافته است. بسیاری از کسب‌وکارها با توسعه استراتژی درست برای ادغام الگوریتم‌های یادگیری ماشینی در عملیات و فرایندهای خود پیشرفت کرده‌اند. برخی دیگر پس از نادیده گرفتن پیشرفت‌های غیرقابل‌انکار در زمینه هوش مصنوعی، جایگاه خود را در برابر رقبا از دست داده‌اند. ​

اما تسلط بر یادگیری ماشین یک فرآیند دشوار است. شما باید با دانش کامل جبر خطی و حساب دیفرانسیل شروع کنید، بر زبان برنامه‌نویسی مانند پایتون تسلط پیدا کنید، و با علم داده و در کتابخانه‌های یادگیری ماشینی مانند Numpy، Scikit-learn، TensorFlow و PyTochمهارت پیدا کنید. و اگر می‌خواهید سیستم‌های یادگیری ماشینی ایجاد کنید که یکپارچه و مقیاس‌پذیر باشند، باید پلتفرم‌های ابری مانند آمازون AWS، مایکروسافت Azureو Google Cloud را یاد بگیرید. ​

طبیعتاً، همه لازم نیست مهندس یادگیری ماشین شوند. اما تقریباً هر کسی که یک کسب‌وکار یا سازمان را اداره می‌کند که به‌طور سیستماتیک فرآیندها را جمع‌آوری و پردازش می‌کند می‌تواند از آن سود ببرد. خوشبختانه چندین دوره وجود دارد که یک مرور کلی در سطح بالایی از یادگیری ماشین و یادگیری عمیق را فراهم می‌کند بدون اینکه خیلی در ریاضیات و کدنویسی عمیق شود.

​​​​​​​​اما در تجربه، درک خوبی از علم داده و یادگیری ماشین نیاز به تجربه عملی با الگوریتم‌ها دارد. در این راستا، یک ابزار بسیار ارزشمند و اغلب نادیده گرفته‌شده مایکروسافت، اکسل می‌باشد.

برای اکثر افراد، مایکروسافت اکسل یک برنامه صفحه گسترده است که داده‌ها را در فرمت جدولی ذخیره می‌کند و عملیات ریاضی بسیار اساسی را انجام می‌دهد. اما در واقع، اکسل یک ابزار محاسباتی قدرتمندی است که می‌تواند مسائل پیچیده را حل کند. اکسل همچنین ویژگی‌های زیادی دارد که به شما اجازه می‌دهد مدل‌های یادگیری ماشین را مستقیماً در کتاب‌های کاری خود ایجاد کنید. ​

"درحالی‌که من سال‌ها است که از ابزارهای ریاضی اکسل استفاده می‌کنم، تا زمانی که داده‌کاوی را از طریق اکسل یاد نگرفتم، ، قابلیت‌های استفاده از آن برای علم داده و یادگیری ماشین را درک نکردم"، از "یک رویکرد گام‌به‌گام برای درک روش‌های یادگیری ماشین" توسط هنگ ژو. ​

یادگیری داده‌کاوی از طریق اکسل شما را قدم‌به‌قدم به اصول یادگیری ماشین می‌برد و نشان می‌دهد که چگونه می‌توانید بسیاری از الگوریتم‌ها را با استفاده از توابع پایه اکسل و تعدادی از ابزارهای پیشرفته برنامه اجرا کنید. ​

درحالی‌که اکسل به‌هیچ‌وجه جایگزین یادگیری ماشین پایتون نخواهد شد، این یک پنجره عالی برای یادگیری اصول AI و حل بسیاری از مسائل اساسی بدون نوشتن یک خط کد است.

یادگیری ماشین رگرسیون خطی با اکسل

رگرسیون خطی، یک الگوریتم یادگیری ماشین ساده است که کاربردهای زیادی برای تجزیه‌وتحلیل داده‌ها و پیش‌بینی نتایج دارد. رگرسیون خطی به‌خصوص زمانی مفید است که داده‌های شما به‌خوبی در فرمت جدولی مرتب باشند. اکسل چندین ویژگی دارد که شما را قادر می‌سازد تا مدل‌های رگرسیون از داده‌های جدولی در صفحات گسترده خود را ایجاد کنید. ​

یکی از شهودی‌ترین آن‌ها ابزار نمودار داده است، که یک ویژگی بصری سازی قدرتمند داده است. برای مثال، نمودار پراکندگی مقادیر داده‌های شما را در صفحه دکارتی نشان می‌دهد. اما علاوه بر نشان دادن توزیع داده‌های شما، ابزار نمودار اکسل می‌تواند یک مدل یادگیری ماشین ایجاد کند که بتواند تغییرات در مقادیر داده‌های شما را پیش‌بینی کند. این ویژگی، که خط روند نامیده می‌شود، یک مدل رگرسیون از داده‌های شما ایجاد می‌کند. شما می‌توانید خط روند را بر روی یکی از چندین الگوریتم رگرسیون، از جمله خطی، چندجمله‌ای، لگاریتمی و نمایی تنظیم کنید. همچنین می‌توانید نمودار را طوری پیکربندی کنید که پارامترهای مدل یادگیری ماشین شما نمایش داده شوند، که می‌توانید از آن برای پیش‌بینی نتیجه مشاهدات جدید استفاده کنید. ​

شما می‌توانید چندین خط روند را به همان نمودار اضافه کنید. این باعث می‌شود تست سریع و مقایسه عملکرد مدل‌های مختلف یادگیری ماشین بر روی داده‌های شما آسان شود.

علاوه بر بررسی ابزار نمودار، یادگیری داده‌کاوی از طریق اکسل چندین روش دیگر را نیز برای شما فراهم می‌کند که می‌تواند به توسعه مدل‌های رگرسیون پیشرفته کمک کند. این‌ها شامل فرمول‌هایی مانند فرمول‌های LINEST و LINREGهستند که پارامترهای مدل‌های یادگیری ماشین شما را بر اساس داده‌های آموزشی شما محاسبه می‌کنند. ​

نویسنده همچنین به شما ایجاد گام‌به‌گام مدل‌های رگرسیون خطی با استفاده از فرمول‌های پایه اکسل مانند SUM و SUMPROdiT را ارائه می‌کند. این یک موضوعی است که مکرراً در کتاب تکرار شده است: شما فرمول ریاضی یک مدل یادگیری ماشین را خواهید دید، استدلال اساسی آن را فرا خواهید گرفت و آن را گام‌به‌گام با ترکیب مقادیر و فرمول‌ها در چندین سلول و آرایه‌های سلول ایجاد خواهید کرد. اگرچه این ممکن است کارآمدترین روش برای انجام کار علمی داده‌های در سطح تولید نباشد، اما قطعاً یک راه بسیار خوب برای یادگیری عملکرد الگوریتم‌های یادگیری ماشین است.

سایر الگوریتم‌های یادگیری ماشین با اکسل

فراتر از مدل‌های رگرسیون، می‌توانید از اکسل برای سایر الگوریتم‌های یادگیری ماشین استفاده کنید. یادگیری داده‌کاوی از طریق اکسل یک فهرست غنی از الگوریتم‌های یادگیری ماشینی نظارت‌شده و نظارت‌نشده، از جمله خوشه‌بندی k - means، نزدیک‌ترین همسایه k، طبقه‌بندی ساده بیز، و درخت‌های تصمیم‌گیری را فراهم می‌کند. ​

این فرآیند می‌تواند گاهی کمی پیچیده شود، اما اگر شما در مسیر خود باقی بمانید، منطق به‌راحتی در جای خود قرار می‌گیرد. به‌عنوان‌مثال، در فصل خوشه‌بندی k - means، شما از مجموعه وسیعی از فرمول‌های اکسل و ویژگی‌ها (‏INDEX، IF، AverAGEIF، ADDrenS، و بسیاری دیگر) ‏در سراسر چندین کاربرگ برای محاسبه مراکز خوشه و اصلاح آن‌ها استفاده خواهید کرد. این روش بسیار مؤثری برای خوشه‌بندی نیست، اما شما قادر خواهید بود که خوشه‌های خود را هنگامی‌که در هر برگه متوالی اصلاح می‌شوند، پیگیری و مطالعه کنید. از دیدگاه آموزشی، این تجربه بسیار متفاوت از کتاب‌های برنامه‌نویسی است که در آن شما یک کتابخانه یادگیری ماشینی را ارائه می‌دهید تا داده‌های شما را تخصیص دهد و خوشه‌ها و خصوصیات آن‌ها را تولید کند.​

در بخش درخت تصمیم‌گیری، شما به فرآیند محاسبه آنتروپی و انتخاب ویژگی‌ها برای هر شاخه از مدل یادگیری ماشین خود خواهید پرداخت. دوباره، این فرآیند کند و دستی است، اما دیدن ماهیت اصلی الگوریتم یادگیری ماشین یک تجربه ارزشمند است.​در بسیاری از فصل‌های کتاب، از ابزار Solverبرای به حداقل رساندن تابع زیان خود استفاده خواهید کرد.

این جایی است که شما محدودیت‌های اکسل را خواهید دید، چون حتی یک مدل ساده با دوازده پارامتر می‌تواند عملکرد کامپیوتر شما را بسیار کند نماید، به‌خصوص اگر نمونه داده شما چند صد ردیف باشد. اما زمانی که می‌خواهید پارامترهای مدل یادگیری ماشین خود را به پایان برسانید، Solver ابزار قدرتمندی است. ​

یادگیری عمیق و پردازش زبان طبیعی با اکسل

یادگیری داده‌کاوی از طریق اکسل نشان می‌دهد که اکسل حتی می‌تواند الگوریتم‌های پیشرفته یادگیری ماشین را نیز آموزش دهد. فصلی وجود دارد که به ایجاد دقیق مدل‌های یادگیری عمیق می‌پردازد. اول، شما یک شبکه عصبی مصنوعی تک لایه با کم‌تر از دوازده پارامتر ایجاد خواهید کرد. سپس این مفهوم را گسترش می‌دهید تا یک مدل یادگیری عمیق با لایه‌های پنهان ایجاد کنید. محاسبه بسیار کند و ناکارآمد است، اما همچنان کار می‌کند و اجزای سازنده آن یکسان است: مقادیر سلول، فرمول‌ها و ابزار قدرتمند Solver. ​

در فصل آخر، یک برنامه پردازش زبان طبیعی ابتدایی (‏NLP) ‏با استفاده از اکسل برای ایجاد یک مدل یادگیری ماشین آنالیز احساسی ایجاد خواهید کرد. شما از فرمول‌ها برای ایجاد یک مدل "مجموعه‌ای از کلمات"، پیش‌پردازش و دسته‌بندی هتل و بررسی‌ و طبقه‌بندی آن‌ها بر اساس تراکم کلمات کلیدی مثبت و منفی استفاده خواهید کرد. در این فرایند، شما کاملاً در مورد نحوه کار هوش مصنوعی معاصر با زبان و میزان تفاوت آن با نحوه پردازش زبان نوشتاری و گفتاری انسانی یاد خواهید گرفت.

اکسل به‌عنوان ابزاری برای یادگیری ماشین

چه شما تصمیمات سطح C را در شرکت خود بگیرید، چه در منابع انسانی کار کنید، و چه مدیریت زنجیره‌های تأمین و تجهیزات تولیدی را برعهده داشته باشید، اگر با دانشمندان داده و افراد AI کار می‌کنید، دانش‌پایه یادگیری ماشین مهم خواهد بود. به همین ترتیب، اگر شما یک خبرنگار هستید که اخبار AI را پوشش می‌دهد یا اگر با یک آژانس PR که از یادگیری ماشینی استفاده می‌کند کار می‌کنید، نوشتن در مورد فن‌آوری بدون دانستن این‌که چگونه کار می‌کند یک ایده بدی است. در حقیقت، یادگیری داده‌کاوی از طریق اکسل یک مطالعه روان و سریع است که به شما کمک خواهد کرد تا آن دانش مهم را به دست آورید. ​

علاوه بر یادگیری اصول اولیه، اکسل می‌تواند یک مکمل قدرتمند برای مجموعه ابزارهای یادگیری ماشین شما باشد. اگرچه پرداختن به مجموعه داده‌های بزرگ و الگوریتم‌های پیچیده خوب نیست، اما می‌تواند به تصویرسازی و تجزیه‌وتحلیل دسته‌های کوچک‌تر داده‌ها کمک کند. نتایجی که شما از یک استخراج سریع اکسل به دست می‌آورید می‌تواند دیدگاه‌های مناسبی را در انتخاب جهت درست و الگوریتم یادگیری ماشین برای مقابله با مشکل موجود فراهم کند. ​

این متن با استفاده از ربات ترجمه مقاله هوش مصنوعی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.