نقش یادگیری ماشین در زندگی جوامع امروزی چیست؟

یادگیری ماشین یا همان ماشین لرنینگ که به اختصار ML گفته میشود یکی از زیر شاخه های هوش مصنوعی است که امروزه بسیار پرکاربرد شده است.این عنوان مجموعه ای از تکنیک هاست که سبب شده ما امروزه بسیاری از امور حتی روزمره را برای ما به میزانی اسان کرده که حتی به آن فکر نمیکنیم. اینکه به راحتی گوشی خود را برمیداریم و با نشان دادن تصویر چهره خود در کمتر از چند ثانیه پردازش تصویر انجام میشود و سیستم رمزگذاری آن غیر فعال میشود و یا صدها مثال دیگر که هرروزه هر کدام از ما درگیر آن هستیم.

لازمه رشد هرچه بیشتر حوزه یادگیری ماشین داده های بیشتر است که امروزه میبینیم که داده ها با سرعت بسیار چشم گیری افزایش پیدا کرده است پس میتوان تخمین زد که این حوزه هنوز هم با سرعت بسیاری جای رشد دارد. ما در این مقاله قصد داریم یک تعریف از یادگیری ماشین بیان کنیم و در راستای آن بگوییم این یادگیری ماشین با چه الگوریتم هایی میتواند این اتفاقات به ظاهر عجیب را در زندگی ما رقم بزند.

تعریف یادگیری ماشین

یادگیری ماشین یکی از زیر شاخه های هوش مصنوعی است که در سال های اخیر در سراسر جهان به پیشرفت های چشمگیری دست پیدا کرده و خوشبختانه چند سالی است که برخی شرکت های داخل ایران نیز به این حوزه علاقه مند شده اند.

 شرکت های بزرگ و مشهوری مانند دیجی کالا و علی بابا برای بهبود سیستم های فروش خود از یادگیری ماشین استفاده می کنند در این علم به هوشمند کردن رایانه ها میپردازند بدون انکه مستقیما به ان بگویند چگونه رفتار کند در واقع، در این علم تلاش می‌شود تا با بهره‌گیری از الگوریتم‌ها، یک ماشین به شکلی طراحی شود که بدون آنکه صراحتا برنامه‌ریزی و تک تک اقدامات به آن دیکته شود بتواند بیاموزد و عمل کند. در یادگیری ماشین، ماشین مانند یک کودک خردسال است که می آموزد چگونه این اطلاعات را تحلیل کند و در مواجهه با موارد مشابه چه واکنشی انجام دهد. و در آن به جای برنامه‌نویسی همه چیز، داده‌ها به یک الگوریتم عمومی داده می‌شوند و این الگوریتم است که براساس داده‌هایی که به آن داده شده منطق خود را می‌سازد. یادگیری این الگوریتم‌ها به تقلید از شیوه یادگیری انسان انجام می‌شود و با بیشتر شدن تجربه رایانه، به‌تدریج دقت آن بالاتر می‌رود.

آلن تورینگ در سال ۱۹۵۰ در مقاله‌ای پرسیده بود «آیا ماشین فکر می‌کند؟». سؤالی ساده که سرآغاز پژوهش در مورد یادگیری ماشین بود. یادگیری ماشین، واژه‌ای است که توسط آرتور ساموئل در سال ۱۹۵۹ ابداع شد آرتور ساموئل ( Arthur Samuel ) از نظریه پردازان و محققان هوش مصنوعی در سال 1959 برای اولین بار از یادگیری ماشین با استفاده از نظریه‌ها و الگوهای محاسباتی رونمایی کرد.

انواع الگوریتم های یادگیری ماشین

یادگیری ماشین (Machine Learning) به دو حوزه‌ی اصلی یادگیری با ناظر (Supervised Learning) و یادگیری بدون ناظر (Unsupervised Learning) تقسیم می‌شود . البته دو نوع دیگر نیز وجود دارد: یادگیری نیمه‌نظارتی (Semi-supervised Learning) و یادگیری تقویتی (Reinforcement Learning) که امروزه محل توجه است.

یادگیری نظارت شده

در این نوع یادگیری یک سری ورودی و خروجی از قبل مشخص شده و ماشین سعی دارد تا الگوی میان ورودی و خروجی را بیاموزد. اغلب روش‌های یادگیری ماشین از یادگیری نظارت شده استفاده می‌کنند.

یکی از مثال‌های مرسوم در این نوع یادگیری، تشخیص و فیلترکردن پیام‌های اسپم از بین دیگر پیام‌هاست

یادگیری نظارت نشده

در یادگیری نظارت نشده، الگوریتم باید خود به تنهایی به‌دنبال ساختارهای جالب موجود در داده‌ها باشد. به بیان ریاضی، یادگیری نظارت نشده مربوط به زمانی است که در مجموعه داده فقط متغیرهای ورودی (X) وجود داشته باشند و هیچ متغیر داده خروجی موجود نباشد. به این نوع یادگیری، نظارت نشده گفته می‌شود زیرا برخلاف یادگیری نظارت شده، هیچ پاسخ صحیح داده شده‌ای وجود ندارد و ماشین خود باید به دنبال پاسخ باشد. یادگیری نظارت نشده قابل تقسیم به مسائل خوشه‌بندی و انجمنی است.

یادگیری نیمه‌نظارتی

این نوع یادگیری ماشین  ما بین یادگیری باناظر و بدون ناظر است. در این یادگیری داده های کمی برچسب دار و مقداری هم بدون برچسب در الگوریتم وارد میشوند و زمانی که داده های برچسب دار کافی برای یادگیری با نظارت نداریم از این روش استفاده میشود.

یادگیری تقویتی

در این روش از فرایند آزمون و خطا استفاده میشود و در راستای آن سیستم تصمیم میگیرد که چه عملی به پاداش بالاتر می انجامد. عامل ، محیط و عمل سه مؤلفه‌ی اصلی یادگیری تقویتی محسوب می‌شوند. عامل یادگیرنده یا تصمیم‌گیرنده است، محیط همه‌ی چیزهایی را دربرمی‌گیرد که عامل با آن‌ها تعامل دارد و اقدامات همان کاری است که عامل انجام می‌دهد.

یادگیری تقویتی زمانی محقق میشود که عامل اقدامی را انجام دهد که حداکثر پاداش را داشته باشد و لازمه آن سیاست صحیح عامل است.

زبان برنامه نویسی یادگیری ماشین

امروزه زبان های برنامه نویسی گسترش زیادی پیدا کرده اند به طوری که درحوزه هوش مصنوعی افراد میتوانند از زبان های مختلفی برای کد نویسی استفاده کنند. زبان های زیر از جمله پر کاربرد ترین زبان هاست:

پایتون

متلب

جاوا

سی پلاس پلاس

و ...

حال این سوال پیش می آید که بهترین زبان برنامه نویسی در حوزه یادگیری ماشین چیست؟

برای پاسخ به این سوال باید گفت در حوزه هوش مصنوعی و یادگیری ماشین نمی توان یک زبان برنامه نویسی مشخص اعلام کرد زیرا این مساله کاملا وابسته به برنامه نویس و موضوعی ای هست که قصد کد نویسی آن را دارد.

برای مثال اگر فردی بخواهد در حوزه یادگیری ماشین به پردازش تصویر بپردازد بهتر است از زبان متلب یا پایتون استفاده کند زیرا کتابخانه های متناسب با این موضوع دارد و یا مثلا برای استفاده از روش های آماری در ین حوزه زبان R مناسب است و ...

پس به طور کلی نمیتوان یک زبان را برای این حوزه به عنوان معیار انتخاب کرد و بسته به فعالیت موجود زبان متناسب رو انتخاب کرد.

کاربرد یادگیری ماشین

در دنیای امروز یادگیری ماشین کاربرد های بسیاری دارد و ما خواسته و ناخواسنه در فعالیت های روزمره از یادگیری ماشین کمک میگیریم. در اینجا به برخی از کاربردهای یادگیری ماشین اشاره می‌کنیم.

تشخیص چهره

تشخیص چهره و پردازش تصاویر از رایج ترین کاربرد های یادگیری ماشین است. برای مثال در عکس‌های سیاه‌ سفید،یکی از روش های علامت گذاری میتواند شدت پیکسل ها باشد که به کمک آن، رایانه یک شی یا یک چهره را در تصاویر گوناگون تشخیص دهد.

تشخیص گفتار

ترجمه کلام به متن یک فرایندی است که در راستای آن تشخیص گفتار هم صورت میگیرد. در این تکنولوژی رایانه بر ایاس الگو های نوسان صدا و شدت فرکانس میتواند کلماتی که در یک ویدئو یا فایل صوتی گفته شده را تشخیص دهد و آنها را به متن تبدیل کند

مانند جستجوی صوتی گوگل یا دادن دستور صوتی به گوشی همراه خود برای گرفتن یک شماره یا پیدا کردن یک آدرس

سامانه‌های توصیه‌گر

امروزه در بسیاری از سایت های فروش انلاین از سامانه های توصیه گر استفاده میشود که در آن محصول به مشتری توصیه و معرفی میشود وب‌سایت‌ها با استفاده از یادگیری ماشین رفتار شما را بر اساس سابقه خریدهای قبلی و الگوی جستجوی شما رصد می‌کنند و توصیه‌هایی برای خرید به شما ارائه می‌دهند.

 و بسیاری کاربرد دیگر که در زندگی هایمان قابل لمس است.

تفاوت یادگیری ماشین و یادگیری عمیق

در حوزه یادگیری ماشین و یادگیری عمیق تفاوت های زیادی وجود دارد که ما در این بخش عناوینی از آن را مطرح میکنیم:

• ·       در حوزه یادگیری ماشین برنامه ها از پیچیدگی کمتری برخوردار هستند به همین منظور میتوان روی رایانه های معمولی هم اجرا کرد اما در حوزه یادگیری عمیق به این صورت نیست
• ·       برای راه اندازی سیستم های یادگیری عمیق زمان بسیار بیشتری نسبت به سیستم های یادگیری ماشین لازم است
• ·       رویکرد یادگیری ماشین با یادگیری عمیق تفاوت دارد به این معنی که در یادگیری ماشین از داده های ساختار یافته میتوان استفاده کرد اما در یادگیری عمیق میتوان حجم زیادی از داده های بدون ساختار را با استفاده از شبکه عصبی بررسی کرد
• ·       و عناوین بسیار دیگری که این دو حوزه را از هم متمایز میکند

 آینده یادگیری ماشین

در سال های اخیر یادگیری ماشین و الگوریتم های آن بسیار گسترده شده اند و با توجه به گسترش هوش مصنوعی محبوبیت بیشتری کسب کرده اند.

اکثر سرمایه گذاران بزرگ مانند آمازون، گوگل و سایر کسب و کارها در حال رقابت در حوزه یادگیری ماشین و هوش مصنوعی هستن که در راستای ان در ارائه خدمات به مشتریان از هم پیشی بگیرند.

این فعالیت ها سبب میشود که با روند رشد پر سرعتی که در عصر جدید پیش رو داریم حوزه یادگیری ماشین و یادگیری عمیق به شدت رشد و کاربرد صعودی داشته باشند.

جمع بندی

امروزه بیشتر از انچه فکرش را بکنیم در زندگی روزمره از یادگیری ماشین استفاده میکنیم در حال حاضر داده ها دائماً در حال افزایش هستند برای تجزیه تحلیل این داده ها نیازمند یادگیری ماشین هستیم. زمانی که یادگیری ماشین گسترش پیدا کند در راستای آن ماشین می آموزد که اکثر کارهارا با حداقل خطا انجام دهد و همین امر سبب این میشود که در آینده ای نه چندان دور اتفاقات هیجان انگیز زیادی رخ دهد و این موضوع کامل قابل لمس است که اگر خواهیم از معایب ماشینی شدن هرچه بیشتر اتفاقات چشم پوشی کنیم میتوان گفت رشد هرچه بیشتر یادگیری ماشین به معنای راحت تر شدن زندگی ماست.

نویسنده: نگین بشیری، کارشناس دپارتمان مهندسی برق و کامپیوتر گروه آموزشی پارس پژوهان