ویرگول
ورودثبت نام
مجید جعفری
مجید جعفری
مجید جعفری
مجید جعفری
خواندن ۵ دقیقه·۵ سال پیش

یادگیری ماشین

مقدمه ای بر یادگیری ماشین
مقدمه ای بر یادگیری ماشین

فرایند تفکر و اندیشه و نحوه عملکرد مغز از دیرباز مورد توجه فیلسوفان و دانشمندان بوده است. در اوایل قرن

هفدهم دکارت و لایبنیتس تلاش کردند فرایند تفکر را با علائم ریاضی شبیه سازی کنند اما تولد هوش را باید از

مقاله آلن تورینگ در سال ۱۹۵۰ دانست. او تستی ارائه کرد که معیاری برای تشخیص هوشمندی ماشین بود.

یکی از اولین پروژه های عملی در هوش مصنوعی در زمینه شبکه عصبی و نورون ها بود که در سال ۱۹۵۰

توسط دو دانشجو در هاروارد شکل گرفت.
در مورد تعریف تفکر و هوشمندی ابهاماتی وجود دارد و معیار دقیقی برای دقت و هوشمندی نداریم اما در

دیدگاه کلی هوش مندی دارای ویژگی های زیر است:

۱ . منطقی فکر کردن

۲ . منطقی عمل کردن

۳ .مانند انسان فکر کردن

۴ . مانند انسان عمل کردن.


بعد از انتخاب یکی از روشها باید عامل هوشمند را بسازیم چه به صورت سخت افزاری چه به صورت نرم افزاری.


سرگذشت یادگیری ماشین

تعریف یادگیری ماشین از دیدگاه آقای آرتور ساموئل چنین است: "زمینه ای تحقیقاتی که به رایانه

توانایی یادگیری بدون برنامه نویسی صریح را می دهد." فرض کنید بخواهیم مربع یک عدد را محاسبه

کنیم در برنامه نویسی سنتی باید ورودی را به فرمول مربع مقدار ورودی بدهید و خروجی را تحویل

بگیرید اما یادگیری ماشین بدینگونه عمل می کند که عدد و مربع را تحویل میگیرد و یاد می گیرد کار

درست ضرب کردن عدد در خودش است. ویژگی اصلی این یادگیری استفاده از مدلسازی آماری و عدم

استفاده از دستورات مستقیم است.

یکی از تعاریف یادگیری ماشین
یکی از تعاریف یادگیری ماشین


تفاوت هوش مصنوعی و یادگیری ماشین

این دو تعریف را نمیتوان یکسان در نظر گرفت یادگیری ماشین زیر مجموعه هوش مصنوعی میباشد. هوش

مصنوعی هر برنامهای را شامل می شود که هر چهار روش بالا را به کار ببرد یعنی رفتار و تفکر انسان را شبیه سازی میکند اما یادگیری ماشین، یادگیری با استفاده از داده و بدون استفاده از دستورات مستقیم است.

در انواع دیگر هوش مصنوعی ممکن است از داده استفاده نشود. از دیگر ویژگی یادگیری ماشین تغییر خود با دیدن داده جدید است یعنی با کسب تجربیات جدید رفتارش را عوض می کند.


کاربردهای یادگیری ماشین در عصر حاضر

به دلیل استفاده از الگوهای داده و تصمیم گیری بر مبنای آنالیز داده یادگیری ماشین کاربرد های صنعتی،

تجاری، اقتصادی، کسب و کار و حتی شخصی پیدا کرده است. از مثالهای بارز می توان به خودرو خودران،

سیستم پیشنهاد دهنده کالا در سایتها، پیش بینی بازار توسط یک تاجر و شرکت اشاره کرد.

نمونه ای از کاربردهای یادگیری ماشین
نمونه ای از کاربردهای یادگیری ماشین


تاکنون دریافتیم که داده عنصر ورودی به الگوریتم های یادگیری ماشین هستند و ماشین از داده یاد

میگیرد. حال به سراغ انواع داده می رویم.

انواع داده عبارتند از:

۱ . کلمات زبان طبیعی

۲ . تصویر

۳ . جداول

۴ . سری زمانی.


زبان طبیعی
داده های ورودی و ماشین کلمات و جملات هستند که ممکن است به صورت

صوت یا نوشتار در اختیار الگوریتم قرار گیرد برخی از کاربردهای این حوزه عبارتند از:

تشخیص گفتار، دسته بندی نوشته ها و نظرات سایتها، پاسخ دادن به سوالات کاربر.

یکی از چالش های این حوزه تفاوت بین زبان روزمره با زبان رسمی است.یعنی درک مباحث زبان

روزمره به مراتب مشکل تر از زبان قاعده مند رسمی است.

تصویر

غنی ترین منبع تجربه انسانها بینایی است پس توانایی استخراج اطلاعات از داخل

تصاویر امکان فوق العاده ای برای عامل هوشمند می باشد. تصاویر از طریق دوربین ثبت می

شود. معمولاً از تصاویر برای تشخیص شی و یا ناحیه وجود هر شی در تصویر استفاده می شود.

از دیگر کاربردهای داده های تصویری میتوان به: خودروهای خودران، پردازش تصاویر ماهواره

ای، باز کردن گوشی بر اساس تصویر چهره ) مباحث امنیتی( و تشخیص پلاک خودرو اشاره

کرد. کاربردهای پزشکی این فناوری عبارتند از: تحلیل عکس سونوگرافی و MRI.

جدول
داده های ساختار یافته معمولا در این جداول ذخیره میشوند. معمولا اکثر نرم افزار های

حسابداری و مالی نظیر بانک ها از این جداول بهره میبرند. از دیگر کاربردهای این جداول

سیستم های توصیه گر سایت ها نظیر Netflix اشاره کرد.

سری زمانی

در بعضی از مسائل زمان عامل مهمی محسوب می شود و تغییرات آن مهم تلقی

می گردد. مثل تحلیل داده های بازار های مالی شبیه بورس که حتی در لحظه تصمیم گیری

مهم است.

انواع یادگیری:

  • بانظارت
  • بدون نظارت
  • تقویتی

یادگیری با نظارت

فرض کنید می خواهیم به ماشین که شبیه بچه است یاد دهیم که خروس چه شکلی است برای این

کار تعدادی عکس از حیوانات را به او نشان می دهیم وقتی عکس خروس را نشان میدهیم جمله این

خوس است را صدا میزنیم و وقتی عکس سایر حیوانات را نشان می دهیم جمله این خروس نیست را

صدا میزنیم به این روش آموزش نظارت شده گویند.

در این آموزش نمونه ها دارای برچسب ها به این معنا که مدل یادگیری با استفاده از داده های از قبل

برچسب خورده)خروس بودن یا نبودن( الگوهای اساسی را تا رسیدن به دقت رضایتبخش ادامه می

دهد.

یادگیری بدون نظارت

تنها تفاوت یادگیری با نظارت در برچسب نداشتن داده های ورودی میباشد. در

این روش ماشین به تنهایی و بدون کمک برچسب ورودی باید الگوهای پنهان را کشف کند. امروزه اکثر

داده های اطرافمان مانند متون بدون برچسب هستند.

یادگیری تقویتی

ذهنیت این روش بر اساس آزمون و خطاست. عامل بر اساس حالت فعلی حرکتی انجام می دهد و بر

اساس آن پاداش دریافت می کند. این بازخورد می تواند مثبت یا منفی باشد و عامل با توجه به پاداش

خط مشی خود را تغییر می دهد. این روش نزدیک ترین روش به یاد گیری انسان است مثلاً کودک

برای راه رفتن مدام تلاش می کند و پدر و مادر با تشویق وی سعی در کمک به یادگیری او دارند و

همین زمین خوردن به نوعی تنبیه اوست.

این روش برخلاف یادگیری با نظارت و بدون نظارت نیاز به داده ندارد و از تعامل با محیط می آموزد.

سنجش کارآمدی مدل ها

معمولا از دیدگاه مهندسی برای هر روش ابداعی باید تست و بررسی عملکرد صورت گیرد. در یادگیری ماشین باید مدل خود را برای داده جدید آزمایش کنیم و معمولا مقداری داده آموزشی برای تست کنار میگذاریم(test data) و از بقیه داده ها (data train) برای آموزش استفاده می کنیم.


زبانها و کتابخانه ها

از زبان سطح بالایی مثل پایتون برای برنامه نویسی یادگیری استفاده میشود.

چرا پایتون؟

  • کتابخانه های قوی پایتون
  • قابل فهم و آسان بودن پایتون
  • دارای جامعه ی بزرگ برنامه نویسی میباشد

کتابخانه های پایتون

  • کتابخانه Numpy: برای کار با آرایه ها و پردازش و محاسبات روی آنها
  • کتابخانه Pandas: تبدیل داده ها به جدول و قابلیت تغییر و انعطاف بالا
  • کتابخانه Matplotlib: مصورسازی نمودارها
  • کتابخانه Sickitlearn: معروف ترین کتابخانه یادگیری ماشین


برای مطالعه بیشتر به دوره https://quera.ir/college/land/college/8522 مراجعه کنید.


۵
۰
مجید جعفری
مجید جعفری
شاید از این پست‌ها خوشتان بیاید