یادگیری ماشین چیست؟ 0 تا 100 ماشین لرنینگ

 آیا تا به حال به این فکر کرده‌اید که چگونه تلفن همراهتان می‌تواند عکس‌های شما را تشخیص دهد؟ و یا اینکه چگونه YouTube ویدیوهای مرتبط را به ویدیویی که اخیراً تماشا کرده اید به شما پیشنهاد می کند؟ همه این‌ها به لطف یک فناوری قدرتمند به نام یادگیری ماشین امکان‌پذیر شده است. در این مقاله، قصد داریم به طور ساده و جذاب به دنیای هیجان‌انگیز یادگیری ماشین (ماشین لرنینگ) قدم بگذاریم و به سوالات شما درباره این موضوع پاسخ دهیم. با مرکز آموزش‌های تخصصی و کاربردی جهاد دانشگاهی شریف همراه باشید.

یادگیری ماشین چیست؟

یادگیری ماشین (Machine learning) یا به اختصار ML شاخه‌ای از هوش مصنوعی است. علم ماشین لرنینگ به یک ماشین این توانایی را می‌دهد که بدون برنامه‌ریزی صریح و با استفاده از داده‌ها و الگو‌های از پیش تعیین شده، مثل انسان‌ها از تجربه و داده‌های قبلی خود برای حل مسائل جدید استفاده کنند.

تاریخچه یادگیری ماشین

ایده یادگیری ماشین از دهه 1950 مطرح شد، اما پیشرفت‌های چشمگیر آن در سال‌های اخیر به لطف افزایش قدرت محاسباتی کامپیوترها و حجم عظیم داده‌ها صورت گرفته است. یکی از اولین تلاش‌ها برای ساخت ماشین‌های یادگیرنده، ساخت شبکه‌های عصبی مصنوعی بود. این شبکه‌ها سعی می‌کردند عملکرد مغز انسان را تقلید کنند و با پردازش اطلاعات، یاد بگیرند.

متاسفانه، در دهه‌های 1970 و 1980، پیشرفت‌های یادگیری ماشین کند شد و به این دوره “زمستان هوش مصنوعی” گفته می‌شود. دلیل این اتفاق، محدودیت‌های سخت‌افزاری و عدم دسترسی به داده‌های کافی بود. با ظهور اینترنت و افزایش قدرت کامپیوترها، حجم عظیمی از داده تولید شد. این داده‌ها فرصت بی‌نظیری برای آموزش ماشین‌ها فراهم کردند.

پیشنهاد مطالعه: هوش مصنوعی (AI)، یادگیری ماشینی (ML) و علم داده (Data Science) چه تفاوت هایی دارند؟

انواع مختلف یادگیری ماشین چیست؟

 یادگیری ماشین را می‌توان بر اساس روش یادگیری و میزان نظارتی که در طول فرایند آموزش به مدل داده می‌شود، به انواع مختلفی تقسیم کرد. این تقسیم‌بندی به ما کمک می‌کند تا الگوریتم مناسب را برای هر مسئله‌ای انتخاب کنیم.

یادگیری با نظارت (Supervised Learning):

در این نوع یادگیری، به مدل داده‌های آموزشی با برچسب داده می‌شود. یعنی هر داده ورودی با یک برچسب مشخص شده است که نشان می‌دهد به کدام دسته یا کلاس تعلق دارد. در این شیوه از یادگیری ماشین، هم ورودی و هم خروجی الگوریتم مشخص می‌شود. 

یادگیری بدون نظارت (Unsupervised Learning):

یادگیری بدون نظارت نوعی از ML است که از داده های ورودی بدون پاسخ های برچسب دار برای کشف ساختارهای پنهان از خود داده ها استفاده می کند. برخلاف یادگیری تحت نظارت، که در آن داده های آموزشی شامل بردارهای ورودی و برچسب های هدف مربوطه می‌شود، الگوریتم های یادگیری بدون نظارت سعی می کنند الگوها و روابط را مستقیماً از داده های ورودی یاد بگیرند.

 یادگیری تقویتی (Reinforcement Learning):

در یادگیری تقویتی، یک عامل (مثل یک ربات یا یک برنامه کامپیوتری) در یک محیط قرار می‌گیرد. این عامل با انجام دادن یک سری اقدامات، با محیط تعامل می‌کند. در نتیجه هر اقدام، عامل پاداش یا تنبیه دریافت می‌کند. هدف عامل این است که با یادگیری از تجربه‌های قبلی خود، بهترین اقدامات را انتخاب کند تا در طولانی مدت بیشترین پاداش را دریافت کند.

یادگیری نیمه نظارت (Semi-Supervised Learning):

یادگیری نیمه نظارتی یک رویکرد ML است که مدل ها را با استفاده از ترکیبی از مقدار کمی از داده های برچسب دار و مقدار زیادی از داده های بدون برچسب آموزش می دهد. این روش بین یادگیری نظارت شده (جایی که همه داده ها برچسب گذاری می شوند) و یادگیری بدون نظارت (جایی که هیچ داده ای برچسب گذاری نمی شود) قرار دارد.

کاربرد یادگیری ماشین در دنیای واقعی

ماشین لرنینگ امروزه در موارد بسیاری در زندگی روزمره ما مورد استفاده قرار می‌گیرد به طوری که به عضو جداناپذیر در زندگی ما تبدیل شده است.

کاربردهای یادگیری ماشین در زندگی روزمره:

تلفن‌های هوشمند:

• تشخیص چهره برای باز کردن قفل گوشی
• دستیارهای صوتی مثل سیری و گوگل اسیستنت که می‌توانند سوالات شما را بفهمند و به آن‌ها پاسخ دهند
• دوربین‌های گوشی که می‌توانند اشیاء را تشخیص دهند و به صورت خودکار بر روی آن‌ها فوکوس کنند.

شبکه‌های اجتماعی:

• پیشنهاد دوستان جدید
• نمایش پست‌هایی که احتمالاً به آن‌ها علاقه‌مند هستید
• تشخیص محتوای نامناسب

پلتفرم‌های پخش فیلم و سریال:

• پیشنهاد فیلم‌ها و سریال‌هایی که ممکن است دوست داشته باشید

موتورهای جستجو:

• درک بهتر عبارت‌های جستجو و نمایش نتایج مرتبط‌تر

خودروهای خودران:

• تشخیص موانع، عابران پیاده و سایر خودروها
• تصمیم‌گیری در مورد سرعت، ترمز و تغییر مسیر

پزشکی:

• تشخیص بیماری‌ها بر اساس تصاویر پزشکی
• کشف داروهای جدید

تجارت الکترونیک:

• سیستم‌های توصیه‌گر محصولات با توجه به بررسی سابقه، صفحات بازدید وخرید‌های قبلی به شما محصولات مرتبط را پیشنهاد می‌کنند.
• تشخیص تقلب در تراکنش‌های مالی

پیشنهاد مطالعه: کاربردهای علم داده در بازار و مزایای یادگیری آن

مسیر یادگیری ماشین لرنینگ را از کجا شروع کنیم؟

برای شروع یادگیری ماشین لازم است به یک سری از مفاهیم پایه تسلط داشته باشید.

یادگیری زبان برنامه‌نویسی: اولین گام برای حرکت به سوی یادگیری ماشین، یادگیری یک زبان برنامه نویسی مثل پایتون است. زبان برنامه نویسی پایتون در machine learning بسیار مهم است. چون بیشتر ابزارهای یادگیری ماشین با پایتون کار می‌کنند.

پایه ریاضی:برای شروع یادگیری ماشین لازم نیست که یک ریاضی‌دان بسیار حرفه‌ای باشید بلکه باید با برخی از  آشنایی با مفاهیم ریاضی مثل جبر خطی، حساب دیفرانسیل و آمار کمک می‌کند تا بهتر الگوریتم‌های یادگیری ماشین رو درک کنید.

شرکت در دوره‌های آموزشی: شرکت در دوره‌های آموزشی به شما تا حد زیادی کمک می‌کند که ماشین لرنینگ را از پایه یاد بگیرید.

یکی از دوره‌هایی که تا حد زیادی به یادگیری شما در این مسیر کمک می‌کند، شرکت در دوره‌ یادگیری ماشین با پایتون جهاد دانشگاهی صنعتی شریف است که از مفاهیم مقدماتی آغاز می‌شود و تا مباحث پیشرفته ادامه دارد.

پروژه‌های عملی انجام دهید:

بهترین راه برای تمرین و تثبیت یادگیری، انجام پروژه‌های عملی است. پروژه‌های کوچک و بزرگ تا حد زیادی به شما کمک می‌کند تا مفاهیم مختلف را یاد بگیرید.

چرا یادگیری ماشین اهمیت دارد؟

ماشین لرنینگ از این جهت اهمیت زیادی دارد که در صنایع مختلف استفاده می‌شود. بنابراین این علم در آینده تا حد زیادی می‌تواند در مباحث مختلف کمک کننده باشد.

یادگیری ماشین در شرکت‌ها بسیار اهمیت دارد از این جهت که به شرکت‌ها روندی از رفتار مشتری و الگو‌های تجاری می‌دهد. بسیاری از شرکت‌های پیشرو امروزی مثل گوگل، فیسبوک، اوبر یادگیری ماشین را اصل فعالیت‌های خود قرار داده‌اند. در نتیجه امروزه استفاده از یادگیری ماشین به یک مزیت رقابتی مهم برای شرکت‌ها تبدیل شده است.

ماشین لرنینگ با حفظ سرمایه و زمان تا حد زیادی به سازمان شما کمک می‌کند و  به افراد اجازه می‌دهد تا کارها را سریع‌تر و کارآمدتر انجام دهند. از طریق راه‌حل‌های دستیار مجازی، یادگیری ماشین کارهایی را که در غیر این صورت باید توسط یک نماینده زنده انجام شود، خودکار می‌کند. این باعث آزاد شدن زمان با ارزش نماینده می‌شود که می‌تواند از آن برای تمرکز بر نوع مراقبت از مشتری استفاده کرد که انسان‌ها بهترین عملکرد را دارند.

سخن پایانی

در نهایت باید بگوییم که یادگیری ماشین به طور مستقیم و غیر مستقیم در زندگی روزمره ما استفاده می‌شود. این فناوری هر روزه به طور چشمگیری در حال پیشرفت است و به افراد کمک می‌کند تا تصمیمات بهتر و هوشمند‌تری بگیرند و تنها در یک صنعت خاص استفاده نمی‌شود بلکه به تمامی صنایع کمک می‌کند. در همین راستا در دپارتمان علم داده جهاد دانشگاهی صنعتی شریف، با توجه به نیاز بازار کار، دوره‌های آموزشی ویژه ورود به بازار کار طراحی کرده‌ایم.