سلام و احترام به همه کسایی که وقت گذاشتن و دارن مقاله منو میخونن. ❤️
امروز میخوام یه دید کلی از دنیای Machine Learning و Deep Learning بهتون بدم. این مقاله بیشتر برای کساییه که تازه میخوان وارد دنیای برنامهنویسی بشن، مخصوصاً همسنوسالای خودم که شاید هنوز ندونن پشت این دنیای عجیب و جذاب چه خبره.
0.اول از همه بیاید یه صحبت کوتاه درباره خود برنامهنویسی داشته باشیم.
واقعیت اینه که برنامهنویسی خیلی با چیزی که توی مدرسه ازش میبینیم فرق داره. معمولاً اولین چیزی که از پایتون یاد میگیریم اینه که چند تا کد بنویسیم یا یه شکل هندسی رسم کنیم. همین باعث میشه خیلیها فکر کنن پایتون فقط یه برنامه سادهست که قراره چند خط کد توش بنویسی و تموم.
ولی واقعیت خیلی جذابتر از این حرفاست.
وقتی کمکم وارد دنیای واقعی پایتون میشی و از دستور print عبور میکنی، نگاهت به خیلی از چیزهای اطرافت عوض میشه. ناخودآگاه سعی میکنی برای هر مسئلهای یه الگوریتم پیدا کنی و بفهمی چطور میشه اون رو حل کرد.
بعد از یه مدت هم میرسی به جایی که برنامههایی مینویسی که خودت با دیدنشون ذوق میکنی و میگی: «جدی اینو خودم ساختم؟»
یه باور اشتباه دیگه هم اینه که برنامهنویسی یعنی حفظ کردن کدها. در حالی که اصلاً اینطور نیست. حتی خیلی از برنامهنویسهای حرفهای هم مدام از مستندات، اینترنت و راهنماها استفاده میکنن. مهم اینه که بدونی چطور مسئله رو حل کنی، نه اینکه همه دستورات رو از حفظ باشی.
و یه نکته جالب دیگه؛ امروزه برنامهنویسی فقط از صفر نوشتن یه برنامه نیست. بخش بزرگی از کار، خوندن، فهمیدن و بهتر کردن کدهاییه که قبلاً نوشته شدن. این دقیقاً همون کاریه که خیلی از برنامهنویسهای حرفهای هر روز انجام میدن.
و اینکه هیچوقت برای شروعش تعلل نکنید چون با هر دقیقه و روزی که تعلل میکنید برای شروع این کار زمان خیلی ازشمندی رو از دست میدین اما فراموش نکنید که هیچوقت برای شروع دیر نیست
1.چرا پایتون
خب چرا زبان پایتون برای شروع مناسب تره؟
دلایل خیلی زیادی باعث شدن که پایتون تبدیل بشه به یک زبان برنامه نویسی بسیار محبوب در دنیا
ولین دلیل، سادگی یادگیری اونه. اگر زبان انگلیسی رو در حد معمول بلد باشید، بخش زیادی از کلمات و دستورهای پایتون براتون قابل فهمه و همین باعث میشه خیلی سریعتر باهاش ارتباط برقرار کنید. حتی اگر بعضی از دستورات رو هم متوجه نشید، جای نگرانی نیست؛ چون کمکم با تمرین همهشون رو یاد میگیرید.
دلیل دوم، کتابخانههای فوقالعاده زیاد پایتون هست. کتابخانهها در واقع مجموعهای از کدهای آماده هستن که برنامهنویسهای دیگه نوشتن تا شما مجبور نباشید هر بار همه چیز رو از صفر بنویسید. این موضوع هم سرعت برنامهنویسی رو خیلی بیشتر میکنه و هم باعث میشه روی حل مسئله تمرکز کنید.
و دلیل اخر متناسب بودن پایتون برای انجام دادن انواع پروژه ها شت مثل هوش مصنوعی، تحلیل داده، بینایی ماشین، طراحی سایت، اتوماسیون، امنیت سایبری و حتی ساخت بازی
2.این کتابخونهها دقیقاً چه کاری انجام میدن؟ اصلاً Machine Learning چیه و چرا اینقدر این روزها اسمش رو میشنویم؟
بریم سراغ بخش اصلی مقاله.
ه زبان خیلی ساده، Machine Learning یا یادگیری ماشین یکی از شاخههای هوش مصنوعیه که به کامپیوترها کمک میکنه به جای اینکه برای تکتک کارها برنامهریزی بشن، از روی دادهها یاد بگیرن و خودشون الگوها رو پیدا کنن.
شاید اولش این تعریف کمی گنگ به نظر برسه، پس بیاید با یه مثال ساده جلو بریم.
فرض کنید میخوایم یه برنامه بسازیم که عکس گربه و سگ رو از هم تشخیص بده. اگر بخوایم این کار رو به روش معمولی برنامهنویسی انجام بدیم، باید برای هر حالت قانون بنویسیم؛ مثلاً اگر گوشش نوکتیز بود، اگر دمش بلند بود، اگر فلان ویژگی رو داشت و...
ولی توی Machine Learning این کار فرق میکنه. به جای اینکه خودمون همه قوانین رو بنویسیم، هزاران عکس از گربه و سگ رو به مدل نشون میدیم. مدل کمکم از روی این دادهها یاد میگیره چه ویژگیهایی مربوط به گربه است و چه ویژگیهایی مربوط به سگ. بعد از آموزش، وقتی یه عکس جدید بهش بدیم، میتونه با احتمال خوبی تشخیص بده که اون عکس مربوط به کدوم حیوانه.
به همین دلیل اسمش «یادگیری ماشین»ه؛ چون ماشین از روی تجربه و داده یاد میگیره، نه فقط از روی قوانینی که ما براش نوشتیم.
البته این به معنی «فکر کردن» یا «باهوش شدن» کامپیوتر نیست. مدل فقط الگوهایی رو که داخل دادهها وجود دارن پیدا میکنه و بر اساس اونها تصمیم میگیره.
a. Supervised Learning (یادگیری با نظارت)
توی این روش، مدل با دادههایی آموزش میبینه که جواب درستشون مشخصه.
مثلاً هزار تا عکس گربه و سگ به مدل نشون میدیم و از قبل هم بهش میگیم کدوم عکس گربه است و کدوم سگ. بعد از مدتی مدل خودش یاد میگیره که عکسهای جدید رو هم تشخیص بده.
b. Unsupervised Learning (یادگیری بدون نظارت)
اینجا دیگه جواب درست به مدل داده نمیشه.
فقط دادهها رو در اختیارش قرار میدیم و مدل خودش سعی میکنه بین اونها الگو یا شباهت پیدا کنه و دستهبندیشون کنه.
مثلاً اگر اطلاعات هزاران مشتری رو بهش بدیم، ممکنه خودش متوجه بشه که مشتریها به چند گروه مختلف تقسیم میشن.
c. Reinforcement Learning (یادگیری تقویتی)
این روش کمی با دو مورد قبلی فرق داره.
اینجا مدل مثل یه بچه یا یه بازیکن بازی، با آزمون و خطا یاد میگیره. هر وقت کار درستی انجام بده پاداش میگیره و اگر اشتباه کنه امتیاز از دست میده. کمکم یاد میگیره که چطور بهترین تصمیم رو بگیره.
از این روش توی رباتها، خودروهای خودران و حتی بعضی از هوشهای مصنوعی که بازی انجام میدن استفاده میشه.
البته اینها فقط روشهای یادگیری هستن. برای اینکه این کارها انجام بشن، الگوریتمهای مختلفی مثل Linear Regression، Decision Tree، KNN و خیلی الگوریتمهای دیگه وجود دارن که هر کدوم برای حل یک نوع مسئله طراحی شدن. در مقاله بعدی با چند مورد از مهمترین اونها آشنا میشیم.
3.Deep Learning چیست؟
تا اینجا با Machine Learning آشنا شدیم، اما احتمالاً اسم Deep Learning یا یادگیری عمیق رو هم زیاد شنیدید.
در واقع، Deep Learning یکی از زیرمجموعههای Machine Learning هست. تفاوت اصلی اینجاست که برای یادگیری از ساختاری به اسم شبکههای عصبی (Neural Networks) استفاده میکنه که تا حدی از نحوه کار مغز انسان الهام گرفته شدن.
شاید بپرسید اصلاً چرا بهش میگن «عمیق»؟
چون این شبکهها از لایههای زیادی تشکیل شدن و هر لایه اطلاعات رو پردازش میکنه تا در نهایت به جواب برسه. هرچقدر مسئله پیچیدهتر باشه، معمولاً به شبکههای عمیقتر و دادههای بیشتری نیاز داریم.
امروزه بیشتر هوشهای مصنوعی معروفی که اسمشون رو میشنویم، مثل مدلهای تولید متن، تولید تصویر، تشخیص چهره یا ترجمه زبانها، و مدلی که بیشترمون باهاش اشنا هستیم یعنی چت جی پی تی بر پایه Deep Learning ساخته شدن.
4.Machine Learning و Deep Learning یکی هستند؟
این دو تا معمولاً با هم اشتباه گرفته میشن، اما یکی نیستن.
به زبان ساده:
Artificial Intelligence (هوش مصنوعی) یک دنیای بزرگه.
Machine Learning یکی از شاخههای هوش مصنوعیه.
Deep Learning هم یکی از شاخههای Machine Learning محسوب میشه.
یعنی میشه این سه تا رو مثل یک چند مجموعه داخل هم تصور کرد؛ Deep Learning داخل Machine Learning قرار داره و Machine Learning هم داخل Artificial Intelligence.
4.اینده متعلق به هوش مصنوعی است؟
اگر تا چند سال پیش یاد گرفتن کامپیوتر یک مهارت اضافی محسوب میشد، امروز تقریباً به یک نیاز تبدیل شده. به نظر من، هوش مصنوعی هم داره همین مسیر رو طی میکنه.
اگرچه که من نمیگم که هوش مصنوعی بتونه جای ماهارو بگیره
اما در اینده ما نوجوانان اگر ما هوش مصنوعی بلد نباشیم در کنار نوجوانان کشور های دیگه مثل جوانانی هستیم که الفبا بلد نیستید
شاید لازم نباشه همه ما متخصص Machine Learning یا Deep Learning بشیم، اما احتمال زیادی وجود داره که در آینده تقریباً هر شغلی به نوعی با هوش مصنوعی سروکار داشته باشه.
همونطور که امروز بلد بودن کار با اینترنت، موتورهای جستوجو یا نرمافزارهای مختلف یک مزیت نیست و تقریباً یک مهارت پایه محسوب میشه، آشنایی با هوش مصنوعی هم داره کمکم به همین سمت حرکت میکنه.
به همین خاطر، یاد گرفتن این حوزه فقط برای برنامهنویسها نیست. حتی اگر بخواید پزشک، مهندس، معمار، طراح، معلم یا صاحب یک کسبوکار بشید، احتمال خیلی زیادی وجود داره که در آینده از ابزارهای مبتنی بر هوش مصنوعی استفاده کنید.
توی این مقاله سعی کردم بدون استفاده از اصطلاحات پیچیده، یک دید کلی از دنیای برنامهنویسی، پایتون، Machine Learning و Deep Learning بهتون بدم. هدفم این نبود که بعد از خوندن این مقاله متخصص بشید؛ فقط میخواستم بدونید این دنیا دقیقاً چیه و چرا این روزها همه دربارهش حرف میزنن.
شاید الان احساس کنید که این مسیر خیلی بزرگ و سخت به نظر میاد، اما یادتون باشه تمام برنامهنویسهایی که امروز توی شرکتهای بزرگی مثل گوگل یا مایکروسافت کار میکنن، یه روزی دقیقاً از همون جایی شروع کردن که شاید الان شما ایستادید.
این تازه شروع راهه...
در مقاله بعدی قراره قدمبهقدم وارد دنیای واقعی Machine Learning بشیم و ببینیم یک مدل یادگیری ماشین دقیقاً چطور آموزش میبینه، دادهها چه نقشی دارن و چرا کیفیت دادهها از خود الگوریتم هم مهمتره.
پس اگر دوست دارید این مسیر رو با هم ادامه بدیم، منتظر مقاله بعدی باشید. تازه از اول ماجرا رسیدیم. 🚀