https://virgool.ir/feed/@t.ghodusieanfa2026-11-12 10:51:15https://files.virgool.ir/upload/users/1353934/avatar/uPRM1l.jpeghttps://virgool.ir/@t.ghodusieanhttps://virgool.ir/@t.ghodusiean/مقدمات-ورود-به-یک-پروژه­-یادگیری-ماشین-itaghy2zfx82هوش مصنوعی (AI): مولودی از اسطوره های دنیای باستان و خیال پردازی نویسندگان عصر کلاسیک تا تناقض دو گانه شکوه و اضطراب در نقطه تکینگی فناوری آنسلام دوستان آنچه در این پست می­ خوانید شرح مختصری از تجربه نویسنده از دوره مقدماتی یادگیری ماشین کوئرا (جامعه برنامه نویسان ایران) است این دوره از تاریخچه شکل­ گیری تفکر و ایده ساخت عامل ­های هوشمند مصنوعی شروع می ­شود سپس کاربردها و فرآیند اجرای یک پروژه یادگیری ماشین را ذکر کرده و در نهایت آینده هوش مصنوعی و شرکت­ های پیشگام در آن را روایت می­ کند.(شماتیک یادگیری ماشین)سیر تاریخی شکل گیری ایده و تفکر ساخت عامل های هوشمند مصنوعیدر اقوال علما و مهندسین پیشگام علوم کامپیوتر برای خطاب به جوامع بشری چنین آمده: «هرکجا که هستید و هر موقعیت شغلی که دارید مهم نیست! اما واژگانی همچون یادگیری ماشین، یادگیری عمیق، شبکه عصبی و غیره را خوب بفهمید و به یاد بسپارید چرا که هوش مصنوعی چنان زندگی شما را درخواهد نوردید آن وقت مجالی جز فهم­ شان نخواهید یافت» به راستی ایده هوش مصنوعی بسیار دورتر از تصور امروز ما، توسط اندیشمندان و فلاسفه دنیا باستان مورد توجه بوده است به­ گونه ­ای که آثار بجامانده از افسانه و اسطوره ­های یونان باستان حکایت از تلاش ­های پرشماری برای خوانش عملکرد قوه تفکر و اندیشه انسانی جهت خلق مغز مصنوعی دارد همچنین روایت ­های پرشماری از عامل­ های هوشمند غیر بیولوژیکی در رمان و داستان­ های تخیلی نویسندگان گذشته همچون ژول ورن تصویرسازی شده است در این میان نیز علمای ریاضی قرون ماضی و در صدرشان رنه دکارت به فرآیند منطقی کردن تفکر با علایم ریاضی روی آورد که مقدمه ­ای برای شناخت و مدلسازی مغز انسان به شمار می­ رود از روایت­ های تاریخی که بگذریم آلن تورینگ برای اولین بصورت عینی با استفاده از تست تورینگ معیارهای تشخیص ماشین هوشمند را در سال 1950پیشنهاد داد و این سرآغازی برای خلق عامل­ های هوشمند امروزی شد.رنه دکارت و ایده منطقی کردن تفکر با علایم ریاضی (مقدمه ورود به مدلسازی مغز) تورینگ، تستی برای دستگاه محاسباتی و هوشمندی مطرح کرد که هدف این تست بررسی هوشمندی ماشین بود. در این آزمون شخص C به شکلی غیر مستقیم با شخص B و یک ماشین (A) در ارتباط است و نمی‌داند کدامشان ماشین است. او از آنها سوالاتی می‌پرسد و اگر از روی جواب‌ها نتواند شخص B را از ماشین تشخیص دهد، می‌گوییم که ماشین تست تورینگ را قبول شده است.فلسفه هوشمند بودن و یادگیری ماشینواقعیت فلسفه هوش مصنوعی چیست؟ وقتی که می ­گویم هوش مصنوعی منظورمان کدام رفتارهای انسانیست که توسط عامل­ های هوشمند به ماشین فرمان عمل می­ دهند­. این سوال از دو منظر مورد بررسی است: 1. رفتار و تفکر منطقی یعنی منطقی فکر و رفتار کردن 2. انسان گونه بودنمورد اول دقیقا آن چیزی است که سیستم هوش مصنوعی بر مبنای آن آموزش می­ بینند و عمل می ­کند اما مورد دوم یعنی انسان گونه بودن انتظار و آرزوی آینده بشر از هوش مصنوعی است که روباتی تولید کرده به راحتی قابل تمایض از انسان نبوده و هوشمند تر از آن باشد امروزه هر برنامه­ ای که یک رفتار یا فعل انسانی را تولید کند به عنوان هوش مصنوعی پذیرفته می­ شود. دراین میان یادگیری ماشین از بزرگترین وشاخص ترین زیرمجموعه­ های هوش مصنوعی است که ویژگی­ها و سنت­های مخصوص خود را دارد در واقع یادگیری با استفاده از داده و بدون بهره گرفتن از دستورات مستقیم است به بیانی دیگر یادگیری ماشین یعنی کسب تجربه از طریق فرآیند آموزش روشمند، که نتیجه آن باید منجر به تغییر خود و تشخیص صحیح در مواجه با داده ­های جدید شود. تام میشل یادگیری ماشین را چنین توصیف کرده: «اگر کارایی برنام ه­ای در انجام تکلیف T یا همان مسئله ­ای که انتظارش را داریم با معیار ارزیابی P به بررسی دقت آن پرداخته شود و منجر به حل تکلیف T شده به گونه­ ای که آنچه را تجربه E کرده بتواند با داده­ های نمونه جدید با ویژگی­ های متفاوت شناسایی کند.» ویژگی اصلی یادگیری ماشین خودآموزشی آن است به این معنا که استفاده از مدل­سازی آماری و عدم استفاده از دستوارات (صریح) می­ باشد. آموزش یادگیری ماشین نیاز به دخالت انسان برای یادگیری نبوده، الگوریتم-ها خود نیازهای خود را تشخیص داده و ارتقا می ­دهند البته این مورد در خصوص یادگیری با نظارت صدق نمی کند.هوش مصنوعی و تکنیک های شاخص آنکاربردهای یادگیری ماشین - اهمیت و نقش داده در آنامروز هوش مصنوعی تمام ساحت­ های جوامع بشری را متأثر ساخته است یادگیری ماشین در عصر جدید امکان و قابلیت­ های بسیاری در حوزه های مختلف از سلامت و اقتصاد گرفته تا آموزش و فرهنگ به بشر امروزه ارزانی بخشیده است از مصادیق آن می­ توان به خودروهای بدون سرنشین، سیستم­ های پیشنهاد دهنده آنالیز بازار، سنجش ­های پزشکی و غیره اشاره کرد.یادگیری ماشین کاربردهای بسیار وسیعی دارد یکی مصادیق شاخص­ آن در حوزه صنعت و معدن است. از آنجایی که این حوزه با توجه به عدم قطعیت بالا و حجم بسیار زیاد اطلاعات روبرو است بنابراین به شدت نیازمند عامل های هوشمند یادگیری ماشین در زمینه­ های مختلف از پردازش تصاویر ماهواره­ای برای ترسیم نقشه ­های زمین شناسی گرفته تا پیش­بینی متغییرهای ژئومتالورژیکی در اکتشاف معادن است.کاربردهای هوش مصنوعی و مصادیقی از یادگیری ماشیناز آنجایی که سیستم­ های یادگیری ماشین مبتنی بر داده هستند بنابراین داده ها در قالب­ های مختلف شان از تصویر گرفته تا متن و عدد واجد اهمیت هستند و معنا و روابط گوناگونی در بطن­ شان نهفته است. همان طور که عصر حاضر به نام عصر اطلاعات موسوم است یعنی اطلاعات توسط ارگان­ ها و ابزارهای مختلف به وفور تولید می شوند که این اطلاعات امروزه واجد ارزش بی­ بدیل و فراوانی هستند اما شرط بهره گرفتن از این اطلاعات و داده ­ها، تبدیل­ شان به دانشی مبتنی بر نیاز هر ارگان و سازمان است. این امر در ابتدا توسط متخصصین داده با یک معیار مناسب از جمع آوری تا طبقه بندی­ و تحلیل شان انتخاب می ­شوند. متخصصین کاربرد داده ها شامل چهار گروه؛ تحلیل­گر داده، دانشمند داده، مهندس داده و مهندس یادگیری ماشین هستند. هر یک بسته به تخصص و وظیفه سازمانی خود از داده­ ها بهره می­ برد تحلیلگر یا همان آنالیزگر داده اغلب به جمع آوری داده و ایجاد یک پایگاه متناسب با اهداف سازمان مورد نظر می­ پردازد. بر اساس داده­ها اطلاعات مفید استخراج نموده و آنها را به مصداق­ های قابل فهم برای هر عضو سازمان تبدیل می­ کند. دانشمند داده در سطح بالاتری از تحلیل ­گر است که علاوه بر قابلیت­ های یک تحلیل­ گر، مهارت­ هایی وسیع از دانش آماری گرفته تا برنامه­ نویسی نیز در امر تحلیل داده داشته باشد. مهندس داده از کار با داده مالکان تا روند رسیدن به داده ­های خام به دست مشتریان باید آنها را یکپارجه نموده و برای نگهداری بهینه آنها برنامه ­ریزی می­ کند. مهندس یادگیری ماشین در واقع فصل مشترک و تلاقی مهندسی نرم افزار و علم داده است. مهندس یادگیری ماشین باید هم از جنبه های نظری و هم عملیاتی دانش کافی داشته باشد. و نیز تا اجرای مدل و عملیاتی کردن آن حتی تا فرآیند نظارت آن نقش اساسی را ایفا می­ کند. داده­ ها عنصر اصلی یادگیری ماشین هستند به طوری که ماشین از داده یاد می­ گیرد همان طور که ذکر شد داده ­ها در نتیجه مشاهدات و اندازه­ گیری­ ها تولید می­ شوند. داده­ ها بطور کلی شامل چهار گروه؛ تصاویر که داده ­های مربوط به بینایی ماشین و کامپیوتر هستند و داده ­های مربوط به زبان طبیعی که کلمات هستند وداده های دسته سوم که جداول هستند و دارای ساختار نظام ­مند به صورت عدد و عبارت بوده مثل اطلاعات مشتریان در بانک ­ها. دسته چهارم سری زمانی همانطور که از اسمش پیداست وابسته به تغییرات و یا توالی زمانی هستند از جمله تراکنش بانک­ها و نوارهای قلب­ پزشکی. در ادامه به این می­ پردازیم که ماشین چگونه از داده ­ها یاد می ­گیرد که چطور مثل یک انسان با تجربه عمل کند.داده های تصویریمدل هایی از کاربرد بینایی ماشین در خودروهای بدون سرنشینیادگیری با نمونه داده های سری زمانی (نوار قلب)رویکرد و انواع روش های یادگیری ماشینهمان طور که ذکر شد داده ها اساس و بنیان یادگیری ماشین هستند داده در واقع همان تجربه است که به عنوان ورودی به الگوریتم داده می ­شود و از آن یک مدل ساخته شده که خود قادر به پیدا کردن الگوها به صورت اتوماتیک است و از آنجایی که این الگوها در حالت عادی در مسائل پیچیده به راحتی قابل شناسایی نیستند و شناسایی آنها دشوار است بنابراین ماشین به دلیل قدرت پردازش بالا می­ تواند آنها را شناسایی کند. اگر کارایی برنامه­ ای در انجام تکلیف T یا همان مسئله­ ای که انتظارش را داریم با معیار ارزیابی P به بررسی دقت آن بپردازد و منجر به حل تکلیف T به گونه­ ای شده که آنچه را تجربه E کرده بتواند با داده ­های نمونه جدید با ویژگی­ های متفاوت را شناسایی کند. رویکرد یادگیری ماشین شامل چهار مرحله: 1. انتخاب مدل 2.معیاری برای امتیازدهی 3. بررسی خودکار کیفیت مدل 4. انتخاب روشی خودکار برای بهبود بر اساس تغییرات جدید شماتیکی از تفاوت برنامه نویسی کلاسیک با الگوریتم یادگیری ماشینانواع روش های یادگیری ماشین شامل سه دسته کلی؛ 1. با نظارت 2. بدون نظارت و 3. تقویتی هستند.انواع روش های یادگیری ماشین؛1. با نظارت(Supervised) 2.بدون نظارت(Unsupervised) و 3.تقویتی(Reinforcement)یادگیری بانظارت: این روش مبتنی بر نمونه های برچسب زده یا همان ناظر است. که الگوریتم ­های آن شامل دو دسته طبقه بندی و رگرسیون می ­باشند.فرآیند یادگیری ماشین با نظارتیادگیری بدون نظارت: در واقع همان روش یادگیری با نظارت است در این روش فقط نمونه ­ها برچسب ندارند و الگوهای پنهان را به صورت خودکار شناسایی می­ کند.یادگیری ماشین بدون نظارتیادگیری تقویتی: مبتنی بر آزمون و خطا است بدین صورت اگر ایجنت حرکتی صحیح انجام دهد پاداش، و غلط انجام دهد جریمه می­ شود. بر خلاف دو روش دیگر وابسته به داده نیست بلکه به واسطه تعامل با محیط یاد می گیرد.مدل یادگیری تقویتیشماتیکی از عملکرد یادگیری ماشین در ارتباط با تفکیک داده به سه روش (با نظارت، بدون نظارت و تقویتی)زبان برنامه نویسی پایتون و کتابخانه های شاخص یادگیری ماشین برای تحلیل داده و آموزش مدل از زبان­ های برنامه نویسی و کتاب­خانه های مختلفی در یادگیری ماشین استفاده می شود که شاخص ترین زبان آن برنامه نویسی پایتون است. پایتون یک زبان برنامه نویسی سطح بالا و تفسیری می باشد. همچنین زبانی نسبتاً آسان با کتابخانه و ابزارهای قوی متعددی است. کدهای پایتون به راحتی قابل فهم می­ باشند. شرکت­ های بزرگی نظیر گوگل، یوتیوب و … برای توسعه پروژه­ های خود از این زبان استفاده کرده ­اند. کتابخانه­ های مختلفی در عملیات یادگیری ماشین با پایتون مورد استفاده قرار می­ گیرند که شاخص­ترین آنها؛ نامپای، پانداس و سایکت لرن هستند. در نامپای داده­ های مختلف با قالب­ هایی نظیر عکس مشخص و طراحی شده که نهایتاً به شکل آرایه­ ای از اعداد در می­ آیند. از آنجایی که اعضای یک آرایه از یک نوع هستند بنابراین نرخ کمتری از رم را اشغال نموده و پردازش راحت­ تر انجام می­شود. پانداس در واقع از نامپای در بطن خود استفاده می­ کند و به صورت یک آرایه دو بعدی است که منجر به افزایش انعطاف بیشتر آن نسبت به نامپای شده است همچنین ساختار اصلی داده در پانداس به شکل دیتا فریم است. سایکت لرن معروف­ترین و پرکاربردترین کتابخانه پایتون است. هدف اصلی آن تمرکز بر مدل سازی به جای دستکاری و مرتب سازی و خلاصه کردن داده می­ باشد. همچنین از دیگر کتابخانه ها یادگیری ماشین می توان به تنسورفلو و مت پلات اشاره نمود.پایتون و کتابخانه های شاخص یادگیری ماشینمراحل اجرای یک پروژه یادگیری ماشین (پیش بینی وزن بر مبنای قد افراد)به طور کلی فرآیند اجرای یک پروژه یادگیری ماشین شامل موارد زیر است: 1. دریافت و بررسی داده 2. آماده سازی داده 3. انتخاب و آموزش مدل مناسب 4. تست و ارزیابی در پروژه تخمین وزن بر اساس قد: پیش بینی وزن تکلیف T، اطلاعات هر یک از افراد تجربه E ، در نتیجه مدل بتواند با ارزش P، تکلیف پیش بینی وزن را بهبود بخشد. بخش عملیاتی این پروژه شامل فرآیندهای زیر است: 1.خواندن داده ­ها از فایل 2. تغییر داده ­ها به صورت وزن به کیلوگرم یا قد به سانتیمتر 3. مصورسازی (بررسی میزان قد به وزن) 4. تفکیک داده ­ها (هشتاد درصد داده­ ها برای آموزش مدل و بیست درصد برای تست) 5. انتخاب مدل مناسب و آموزش آن 6. تخمین مقادیر تست و ارزیابی مدلمحدودیت و چالش های یادگیری ماشینهمان­گونه که بارها ذکر شد مسائل گاهاً اینقدر پیچیده می ­شوند که با روش­های قدیمی نمی­ توان برایشان مدل و برنامه ­ای نوشت و حالت­ ها را پیش بینی کرد و از آنجایی که اغلب صنایع در حال توسعه امروزه داده­ های زیادی را تولید می­ کنند و بر پایه داده شکل می ­گیرند بنابراین تحلیل داده ­ها به یکی از ضروریات اساسی بدل شده است. به طوری­که دلایل اصلی پیشرفت بسیاری از صنایع در نتیجه کاربست یادگیری ماشین وابسته است. یادگیری ماشین چالش­ها و محدودیت­های مختص به خود را دارد که عمده آنها شامل دو دسته؛ دسته اول: بی کیفیتی و ناکافی بودن داده­ها بوده که نمی ­توانند یک مدل مطلوب تولید و ارائه کنند. دسته دوم از چالش­ها الگوریتمی هستند مثل OVERFITTING که موجب از دست رفتن جامعیت و عمومیت مدل شده و یا UNDERFITTING که این مسئله باعث عدم آموزش مطلوب مدل شود. سومین چالش مسئله زمان است. زمان از دو حیث مدت زمان آموزش و مدت زمان پیش­بینی نمونه ها واجد اهمیت است. در واقع مدل انتخاب شده باید پیچیدگی زمانی خوبی داشته باشد.نمونه چالش های الگوریتمی (Overfit و Underfit)چشم انداز و نقطه تکینگی فناوری هوش مصنوعی هوش مصنوعی به طور کلی به دو دسته هوش عمومی (AGI) و هوش خرد (ANI) تقسیم می­ شود آنچه که ما اغلب در یادگیری ماشین و به طور کلی عامل ­های هوشمند در هوش مصنوعی داریم مربوط به هوش خرد است و هوش عمومی در واقع همان هوش انسانی می­ باشد که فعلا رسیدن به ابعاد مختلف آن از دیدگاه علمای علوم کامپیوتر امری ناشدنی و یا حداقل صدها و یا هزاران سال برای رسیدن به آن زمان لازم است. سیر تحولی یک فناوری در چرخه ای به نام چرخه تب تکنولوژی گاتنر مورد واکاویی قرار می گیرد، بدین صورت یک تکنولوژی پنج مرحله را در حیات خود طی می­ کند تا به پختگی و ثبات نسبی برسد. مرحله اول آن معرفی، مرحله دوم اوج آن، مرحله سوم آشکار شدن محدودیت­ هایش، مرحله چهار شروع رشد واقعی تکنولوژِی با فعالیت مخاطبین ماندگارش، مرحله پنج پختگی و ثبات نسبی که این چرخه در حوزه هوش مصنوعی با شکل زیر نشان داده شده است.چرخه تب تکنولوژی هوش مصنوعی در سال 2020 بر اساس مدل گاتنرتمام پیشرفت­ هایی که در زمینه هوش مصنوعی صورت گرفته است با آنچه که در باروها، فیلم ­ها و داستان­های تخیلی از عامل ­های هوشمند می­ بینیم بسیار فاصله داریم. ما معمولاً در حل یک مسئله مثل تشخیص تصویر یا انجام بازی شطرنج و بردن قهرمان انسانی به هوشمندی رسیده ایم اما در هوش عمومی هدف ساختن عامل های هوشمند است که مانند انسان عمل کنند و نیز تجربه کسب ک تا در مواجهه با هر مسئله جدید توانایی آموختن و حل داشته باشد. امروزه هوش مصنوعی با بهره گیری از علوم و دانش های مختلف آرزوهای بلند پروازانه ای برای خود ترسیم نموده است که در پی آن باورهای مختلفی شکل گرفته است و در حوزه­ای به نام تکینگی فناوری TECHNOLOGICAL SINGULARITY) ) مورد بررسی است تحولات وسیعی که در نتیجه پیشرفت و رشد سریع اغلب حوزه ­ها علوم صورت گرفته و در پی آن نیز هوش مصنوعی تحولات شگرفی را که تجربه کرده است فلذا پیش بینی می­ شود نکته تکینگی فناوری هوش مصنوعی تناقض دوگانه ای از شکوه، اضطراب و دلهره را تصویر نگاری می کند درست زمانی که پیشرفت های تکنولوژیکی به نقطه ­ای غیر قابل برگشت و کنترل ناپذیر برسند در نتیجه تمدن بشری را تحت تاثیر قرار داده و انسان موجودی هوشمندتر از خود پرورش می­ دهد که این ماجرا دیگر در داستان­ های شگفت انگیز فرا انتزاعی یا فیلم فانتزی نیست بلکه نقل محافل دانشمندان است و هم اکنون بسیاری از صاحبنظران براین باورند تا سال 2040 الی 2050 شاهد تحولات شدید و شگرفی در هوش خواهیم بود. امروزه علاوه بر تحقیقات گسترده­ای که از ابعاد مختلف هوش مصنوعی در مراکز آکادمیک انجام می ­شود شرکت­ های بزرگی چون DEEP MIND از طریق حل مسئله با هوش مصنوعی عمومی مثل تشخیص بیماری از روی تصاویر، ابعادی از شگفتی های فناوری هوش مصنوعی را آشکار می نمایاند. و از سوابق شرکت دیپ ماین می ­توان به شکست دادن قهرمان شطرنج هم اشاره نمود. شرکت های OPEN AI ، FACE BOOK AI و GOOLGE AI نیز با استفاده از فناوری های هوش مصنوعی ابداعات حیرت آوری را ارائه کرده اند. این پست را با یک سوال بنیادین به پایان خواهیم رساند آیا هوش مصنوعی در آینده قادر است از هوش بیولوژیکی انسانی فراتر رود؟ چنانچه پاسخ مثبت است در ذهن و مغزتان، جهان پس از آن را چگونه روایت و تصویر سازی می کنید. آیا لحظه ای شگفت انگیر جهت رسیدن به رویای فراانسانیسم است؟ یا منظری سراسر از وحشت! عدم پایداری و انقراض!!؟ … من گمان می کنیم نباید پریشان ماشین های هوشمندی باشیم که ما مبدع و مخترع آن ها هستیم چرا که خالق مان توانایی فراتر از تسخیر آن ها و عالم ماده را در فطرت مان قرار داده، تنها ، تنها و تنها پریشان اوامر و فرمان هایمان باشیم که به ماشین ها چه فرمانی باید داد و از چه فرمانی جهت برقراری پایداری، امید و آرزوی های همدیگر (کودکان و آیندگان) صرف نظر کنیم. فرا هوشمندیسمدر جهان فراهوشمندیسم ماشین ها بی وقفه در حال فعالیت های فراانسانیسم خواهند بود شب و روز درست لحظه 0 و 1 الگوریتمی یا واکنش های شیمیایی اکسایش - کاهش خواهد داشت.هستی و عظمتش هم چنان پابرجا خواهد ماند مگر اینکه خالقش قصد کند که دیگر نباشد ... پس پریشان نباشیم و با خیالی باورمند به اعماق رویاهای مان در هر لحظه که قصدش را داشتیم سفر کنیم اما نه با قرار داد تماما صفر و یک الگوریتمی!!!منابعhttps://quera.ir/college/land/college/8522/https://news.mit.edu2020global-collaboration-moving-ai-principles-to-practice-1019https://www.educative.io/edpresso/overfitting-and-underfittinghttps://www.javatpoint.comunsupervised-machine-learninghttps://www.javatpoint.comapplication-of-aihttps://dadekavan.irhttps://luminousmen.compostmachine-learning-typeshttps://www.mobulous.comblogai-ml-transforming-landscape-businesshttps://www.valuecolleges.comresourcescareer-options-machine-learning(طلحه قدوسیان) Talhe Ghodousiyan(طلحه قدوسیان) Talhe GhodousiyanSat, 27 Nov 2021 20:47:07 +0330