https://virgool.ir/feed/@touraj.tvkfa2026-11-11 14:21:19https://virgool.ir/images/default-avatar.jpghttps://virgool.ir/@touraj.tvkhttps://virgool.ir/@touraj.tvk/برداشت-و-خلاصه-من-از-دوره-دروازه-ورود-به-یادگیری-ماشین-سایت-کوئرا-ncdkrmolk9phپیدا کردن فرآیند اندیشه و تفکر و طرز مغز از خیلی قبل هم مورد توجه دانشمندان بوده است و اولین اقدام در این راستا در یونان اتفاق افتاده که در یک بدنه مکانیکی مغزی مصنوعی و ساخته دست بشر قرار دادن . گام بعدی ساخت ادم آهنی بود و گویا از آثار باقی مانده این را برداشت کرده اند که در حال ساخت مغز مکانیکی بودند مغزی که مثل پیستون ماشین کار کند و حرکت مکانیکی داشته باشد.در اوایل قرن ۱۷ دانشمندان از جمله رنه دکارت و گوتفرید لابینیتس اقدام به منطقی کردن فرایند های مغز با استفاده از ریاضیات شدند.آن تورینگ در سال ۱۹۹۵ مقاله ای منتشر کرده که خیلی ها آن مقاله را تولد هوش مصنوعی میدانند و همچنین آلن تورینگ پیشنهاد تستی را داد که معیار تشخیص هوشمندی ماشین باشد.شبکه عصبی یکی از اولین پروژه های هوش مصنوعی به حساب می آید که در سال ۱۹۵۰ توسط انجام شد که شامل ۴۰ نورون بود .در سال ۱۹۹۶ جدال کاسپارف با سیستم deep blue به نفع کاسپارف خاتمه یافت اما در سال بعد نتیجه تغییر کرد و کاسپارف شکست خورد.هوش مصنوعی چهار دسته است:منطقی فکر کندمنطقی رفتار کندمانند انسان فکر کند.مانند انسان رفتار کند.با وجود ابهامات موجود در مورد هوشمندی با فرض بر اینکه هوشمندی را انتخاب کردیم نیاز به یک عامل هوشمند داریم. عامل که میتواند سخت افزاری یا نرم افزاری باشد.آیا هوش منصوعی با یادگیری ماشین یکی است؟خیر یکی نیست میتوان یادگیری ماشین را زیرمجموعه هوش مصنوعی قرار داد چرا که تفاوت هایی در معنانی دارد یادگیری ماشین با استفاده از داده و بدون استفاده از دستورات مستقیم پیش میرود و حتی امکان تغییری خود را دارد با دیدن داده های جدید همانند انسان .هوش مصنوعی تقلید از رفتار انسان و تصمیم گیری هوشمندانه معنا میدهدیادگیری ماشین برای یادگیری بدون نیاز به برنامه نویسی اختصاصییادگیری عمیق استفاده از شبکه عصبی منصوعی مانند مغز انسان برای یادگیری مسائل مختلفیادگیری ماشین یکی از حوزه های جذاب عصر حال حاضر به حساب می آید چرا که در زمینه های مختلف کاربرد دارد از شناختن ایمیل هرزنامه تا کنترل ماشین بدون راننده و سیستم های پیشنهاد دهنده برای محصول و پیش بینی بازار و کلی کار و حوزه خفندر حال حاضر اهمیت داده ها بیشتر از قبل مشخص و نمایان شده است و اکثر مجموعه ها به دنبال بررسی و خروجی و استنتاج داده هایشان هستند و البته جا دارد این موضوع مطرح شود که از قبل هم این موضوع بوده و مغازه داران هم با بررسی فاکتور های خرید و فروش نتایجی از فروش خود کسب میکرند و تصمیم گیری های برای خرید یا عدم خرید یک محصول را انجام میدادند.تحلیل دادهشاید این این دو کلمه این مفهوم را به ما برساند که به فردی گفته میشود که یکسری داده به او داده میشود تا بررسی کند و نتیجه گیری کند از بررسی های انجام داده شدهالبته باید گفت که علاوه براین موضوع تحلیلگر داده نحوه ذخیره داده و نگهداری داده هم معین میکند و سپس از داده های جمع آوری شده استفاده میکند برای نتیجه گیری.دانشمند دادهدانشمند داده همان تحلگیر داده است با تفاوت اینکه دانش بیشتری در حوزه ریاضیات و برنامه نویسی و آمار دارد با علم یادگیری ماشین بیشتر اشنایی دارد و از امکانت این علم استفاده میکند برای بررسی داده و ارائه پیشنهاد هایی مفید برای سازمان.دانشمند داده داده کاوری را با برنامه نویسی و ابزار های برنامه نویسی انجام میدهد ولی تحلیل گر با استفاده از پلتفرم ها و نرم افزار ها اقدام به بررسی داده میکند.مهندس داده :در یک جمله طراح روند رسیدن داده خام به دست مصرف کنندگان داده .اول با اعضا یک سازمان صحبت میکند با دغدغه های آنها اشنا میشود و از بین منابع داده،داده های مورد نیاز را یکپارچه میکند و برای نگهداری بهینه آنها برنامه ریزی میکند.مهندس یادگیری ماشین:نقطه تلاقی مهندسی نرم افزار و علم داده است.شباهت های زیادی با مهندس داده دارد چراکه نیاز دارد تا یک داده را از منبع دریافت کند و تا تبدیل شدن به یک مدل داده ای روی آن کار کند برای یک مهندس داده دانش مهندس یادگیری ماشین الزامی نیست ولی برعکس این قضیه الزامی است.یادگیری ماشین در صنعت معدنیادگیری ماشین در این صنعت هم کاربرد دارد.کاربرد ها :1-با استفاده از پردازش تصاویر ماهواره ای این امکان فراهم است که منابع موجود را در مناطق مختلف شناسایی کنیم.2-پیش بینی متغییر های زئومتالورژیکی:با وجود معضلات موجود در تشخیص معدن میتوان این نتیجه را گرفت که همیشه آمار و احتمال در حوزه تشخیص معدن کاربرد دارد و از طرفی سختی کار در جمع آوری داده اهمیت کار را بالاتر میبرد چرا که باید بهترین خروجی را با کمترین داده انجام دهد.3-بررسی تصاویر جعبه مغز ها :بعد از حفاری مغزی های حاصل از حفاری را در جعبه هایی نگهداری میکنند برای تحلیل های بعدی و بعد از پر شدن جعبه مغز عکس برداری میکنند به عنوان شناسنامه معدن نگهداری میکنند.4-پردازش تصاویر گرفته شده از پهباد برای شناسایی هدف های از پیش تعیین شدهداده در نتیجه مشاهدات و اندازه گیری ها شکل میگیرد و توصیف این وضعیت مشاده شده به شمار می آید.به عنوان مثال دمایی که یک دماسنج نشان میدهد توصیفی از گرمای هوا ارائه میکند.انواع داده:کلمات:زبان طبیعی به عنوان یکی از جذاب ترین ابزار های انسان برای تبادل مفاهیم و اطلاعات است.بزرگی این ابزار حاکی از آن است که اگر پردازش شود و مورد استفاده قرار گیرد تحول بزرگی در برخواهد داشت.به عنوان مثال راه ارتباطی انسان با ماشین فراهم میشود و یک راه ارتباطی مشترک بین این دو پیدا میشود.که میتوان به چند بخش تقسیم کرد:تشخیص گفتار:تشخیص گفتار برقراری ارتباط با کامپیوتر ها را از طریق حرف زدن عادی ممکن میسازد و خود دریچه ای به سایر کاردهای هوش مصنوعی است.دستارهای کامپیوتری مثل سیریدسته بندی نوشته ها:بررسی نظرات مثبت و منفی یک فروشگاه و دسته بندی آن ها به نقاط ضعف و قوت کالاها به حساب می آید.پاسخ به سوالات:چیزی که در سرچ گوگل انجام میدهیم و مثلا گوگل جواب را پیدا میکند و بالاتر از بقیه سایت ها به نمایش در می آورد.تصویر:یکی از حوزه پیشرفته به حساب می آید و رشد خوبی در این زمینه اتفاق افتاده است که معروف به حوزه بینایی ماشین هستش در زمینه های مختلف استفاده و کاربرد دارد به عنوان مثال باز شدن گوشی با چهره،پردازش تصاویر ماهواره ای،کاربرد های پزشکی از جمله رادیولوژی و... را میتوان نام برد.جداول: جداول از نوع داده های ساختار مند هست همانطور که از اسمش پیداست و خیلی از ماها حدس زده ایم جدول متشکل از ستون هایی به عنوان سرتیتر های جدول به حساب می آید و داده ها در آن ها نگهداری میشوند.سری زمانی:داده هایی که در طول زمان تغییر میکند و حائز اهمیت است و ماشین بادیدن تغییرات در طول زمان الگو برداری میکند و یاد میگیرد مثل تغییرات بورسیادگیری ماشین باید صرفا مدل را طراحی کنیم که این مدل خود قادر به یادگیری و پیدا کردن الگوها به طور اتوماتیک است.اقای تام میشل تعریفی دارد :اگر کارایی برنامه در انجام تکلیف T که با سنجه Pارزیابی میشود،با تجربه E افزایش یابد،میگوییم که برنامه یاد گرفته است از تجربه E با توجه به تکلیف T و سنجه P استفاده کند.تکلیف T:همان مسئله ای است که ما اتنظار داریم با یادگیری ماشین حل کنیم.تجربه E:ما نیازمند تعداد نمونه هستیم که اطلاعات مورد نیاز در مورد مساله را به ما بدهد تا بتوانیم مساله T را حل کنیم.سنجه P:معیاری برای تست و راست ازمایی و صحت کارکرد برنامه یادگیری ماشین پیاده سازی شده.مراحل انجام یادگیری ماشین:۱-الگوریتم مدل برای تصمیم گیری۲-یک معیار برای امتیاز دهی اینکه عمل کرد مدل چه قدر خودب بوده۳-بررسی خودکار کیفیت مدل بر اساس امتیاز۴-یک روش خودکار برای بهبود امتیاز بر اساس ایجاد تغییرات در مدلانواع یادگیری ماشین:یادگیری با نظارتینی سیستم از داده هایی که برچسب دارن یاد میگیرد مثلا داده میوه هایی که برچسب سیب و کیوی روی آنها هست و سیستم میتواند یادبگیرد که هرشکی که اینطوری بود سیب است.به دودسته تقسیم میشوندرگرسیونهدف ما تخمین مقدار یک ویژگی برای یک نمونه می باشد.کلسیفیکیشنطبقه بندی یا کلسیفیکیشن به دنبال دسته مناسب برای نمونه های بدون برچسب است. ما با استفاده از داده های برچسب دار آموزش میدهیم به سیستم تا بر اساس آموزش داده ها را پردازش و برچسب گذاری کندیادگیری بی نظارتهیچ نظارتی یا ناظری در کار نیست و صرفا با بررسی داده های خام اقدام به یادگیری میکند یعنی عملا برچسبی در کار نیست.سه دسته دارد:خوشه بندییعنی دسته بندی اتوماتیک داده هایی با ویژگی های یکسان به این صورت که داده های هر خوشه ویژگی های یکسانی داشته باشند.که به طبع در وهله اول باید معیاری برای خوشه بندی انتخاب کرد.کاهش ابعادیعنی کم کردن تعدا ویژگی ها برای جلوگیری از بیش برازش.استخراج قانون وابستگییادگیری تقویتیبه طور ساده یاگیری تقویتی با آزمون و خطار کار میکند و در هر تست امتیاز دریافت میکند که آیا کار درست و خوبی بوده یا نه اگر درست باشه پاداش و اگر هم نه که مجازات دریافت میکند.دادگان آموزشی و دادگان تست:دادگان آموزشی همانند نمونه سوالات امتحانی قبل امتحان هستن که با حل کردن آنها تسلط کافی پیدا میکنیم به محتوا اما تسلط به این موارد تعیین کننده نمره پایانی ما نیست و با استفاده از نتیجه آزمون که همان داده های تست است که ما متوجه خواهیم شد نمره و عملکرد ما چطور است.به عنوان ابزار های موجود برای یادگیری ماشین از زبان برنامه نویسی پایتون استفاده میکنیم که این زبان مزیت های زیادی دارد از جمله تعداد کتابخانه های زیادی که دارد چند پارادایمی بودن جامعه بزرگ توسعه دهندگان سادگی و تمیزی کدهاکتابخانه های مهم پایتون برای یادگیری ماشینNumpy :برای کار کردن با داده های که در نهایت به آرایه در می آیند.با استفاده از این کتابخانه محاسبات روی آرایه ها سریعتر انجام میشود.Pandas:استفاده از ساختار دیتافریم که یک ارایه دوبعدی سطرها و ستون ها هاست برای محاسبه سریع بر روی داده های جدولی کمک کننده است.Matplotlib:کتابخانه ای که در زمینه مصور سازی کمک کننده است و برای ساخت کتابخانه های ۲ بعدی کاربردی است.Scikit learn:یک کتابخانه کاربردی که شامل ابزار های مختلفی برای یادگیری ماشین است هدف این کتابخانه تمرکز بر مدل سازی داده به جای دستکاری و مرتب سازی و خلاصه کردن داده می باشد.چالش یادگیری ماشین را میتوان در داده های اشتباه خلاصه کرد چرا که به عنوان مثال اگر داده ای اشتباه در بین داده ها باشد مشکل ساز میشود و از این جنس داده های اشتباه زیاد پیش خواهد آمد و چالش بعدی دیگر یادگیری ماشین ویژگی مناسب است که بتوانیم ویژگی های مناسب و متناسب انتخاب کنیم.چالش های الگوریتمی هم که دو دسته استبیش برازش :‌یعنی مدل عمومیت خود را از دست داده و فقط روی داده تست جواب میدهکم برازش: یعنی نتوانسته به خوبی یادبگیرد از داده های آموزشی.چرخه تب تکنولوژینموداری از روند و مسیر پیش روی یک تکونولوژی عرضه میکند که طبق این نمودار مشخص است طی چند سال اینده چه تکنولوژی هایی به اوج شکوفایی و خروجی های خود میرسد.هوش مصنوعی عمومی:بیشتر زمانی که صحبت از هوش مصنوعی می آید این تصور ایجاد میشود کامپیوتری که بتواند جای انسان باشد اما رسیدن به این نقطه کلی جای کار و تحقیق دارد و سیستم هایی که از آن به عنوان هوش مصنوعی یاد میشود نظیر بازی کننده شطرنج یک هوش مصنوعی محدود یا ضعیف تلقی میشود و در مقابل هوش مصنوعی عمومی هست که هوش مصنوعی قوی به حساب می آید.در این باره علم های متنوعی دخیل هستن و رشته نوظهور به اسم علوم شناختی در باره کمک کننده است.چند شرکت فعال و پیشرو در زمینه هوش مصنوعی:deepMindopenAIFacebook AIGoogle AIمنبع: https://quera.ir/college/land/college/8522/touraj tvktouraj tvkFri, 26 Nov 2021 12:05:28 +0330