یادگیری ماشین با پایتون و کاربرد های آن در مهندسی پزشکی

 در این مقاله میخواهیم در مورد یادگیری ماشین با پایتون و کاربرد های آن صحبت کنیم.در ابتدا به مفهوم یادگیری ماشین می پردازیم و با الگوریتم های آن نیز آشنا می شویم. و در نهایت به یادگیری ماشین با پایتون و کاربرد های آن در علوم مختلف می پردازیم.
یادگیری ماشین یا ماشین لرنینگ (Machine Learning) یکی از زیر مجموعه‌های هوش مصنوعی است که به سیستم‌ها این امکان را می دهد تا به صورت خودکار یادگیری و پیشرفت داشته باشند بدون اینکه به برنامه نویسی صریحی برای آن داشته باشند. یادگیری ماشین هم چنین شاخه‌ای از  علوم کامپیوتر است که بر استفاده از داده‌ها و الگوریتم‌ها برای تقلید از روشی که انسان‌ها یاد می‌گیرند تمرکز دارد و به تدریج دقت آن را بهبود می‌بخشد. در ادامه به تاریخچه یادگیری ماشین می پردازیم.

تاریخچه یادگیری ماشین

یادگیری ماشین پدیده‌ای نیست که اخیرا به وجود آمده باشد. شبکه‌های عصبی برای اولین بار به عنوان یک مفهوم در یک مقاله تحقیقاتی در سال 1943 معرفی شد. اگرچه در روزهای ابتدایی پیشرفت در یادگیری ماشین به دلیل هزینه بالای محاسبات تا حدی کند بود که این حوزه را فقط در دسترس موسسات دانشگاهی بزرگ یا شرکت‌های چند ملیتی قرار می داد. همچنین این مسئله وجود داشت که تهیه داده‌های مورد نیاز برای آموزش سیستم‌ها بسیار دشوار بود. اما امروزه با ظهور اینترنت بسیاری از مشکلات بر سر راه هوش مصنوعی و یادگیری ماشین از بین رفته و با پیشرفت سخت افزارها هزینه‌های تهیه سخت افزارهای مورد نیاز برای پیاده سازی هوش مصنوعی و یادگیری ماشین کاهش یافت که همین مسئله باعث پیشرفت بیشتر این حوزه در سال‌های اخیر شد.

تا اواخر دهه 1970، بخشی از هوش مصنوعی بود و به تنهایی مطرح نبود. سپس، خود به خود از هوش مصنوعی جدا شد و به عنوان یکی از زیر مجموعه های مهم هوش مصنوعی قرار گرفت و بدین صورت یادگیری ماشین به یک ابزار پاسخ بسیار مهم برای رایانش ابری و تجارت الکترونیک تبدیل شد و در انواع فناوری های پیشرفته مورد استفاده قرار می گیرد. به طور کلی یادگیری ماشین را با زبان های مختلفی انجام میدهند که یکی از مهم ترین و پرکاربرد ترین آن ها یادگیری ماشین با پایتون است.

یادگیری ماشین و الگوریتم های آن

الگوریتم‌های بسیار مختلفی برای یادگیری ماشین وجود دارد و هر روزه صدها الگوریتم جدید نیز تولید می شوند، و به طور معمول توسط سبک یادگیری (learning style) (مانند یادگیری نظارت شده، یادگیری بدون نظارت، یادگیری نیمه نظارت) و یا با توجه به شباهتشان در فرم و عملکرد ( مانند طبقه بندی، برگشت، درخت تصمیم گیری، دسته کردن، یادگیری عمیق و…) گروه بندی می شوند. صرف نظر از سبک یادگیری یا عملکرد، تمام الگوریتم‌های یادگیری ماشینی به شرح زیر هستند:

• نمایش: مجموعه ای از طبقه بندی کننده‌ها یا زبانی که کامیوتر آن را می فهمد.
• ارزشیابی:  همچنین معروف به عملکرد هدف/نمره دهی.
• بهینه سازی: روش جست و جو؛ اغلب طبقه بندی کننده ای با بالاترین امتیاز.

برای اجرا کردن این الگوریتم ها نیاز به یک بستری از نوع برنامه نویسی می باشد. به طور مثال یادگیری ماشین با پایتون و یا با متلب انجام می شود.

تفاوت‌های هوش مصنوعی، یادگیری ماشین و یادگیری عمیق

هوش مصنوعی مفهومی کلی است. به هر تکنولوژی که مسائل پیچیده را به شیوه‌ای شبیه به ذهن انسان حل می‌کند هوش مصنوعی می‌گویند. در پروژه‌های هوش مصنوعی برای ساخت ابزارهای فناوری از فرایندهای ذهن و بدن انسان تقلید و الهام گرفته می‌شود و حاصل آن ساخت ماشین‌هایی است که وظایف را حتی بهتر از انسان انجام می‌دهند.

یادگیری ماشین ، یادگیری عمیق و شبکه عصبی هر سه زیر مجموعه هوش مصنوعی می باشد. که یادگیری عمیق خود زیر مجموعه یادگیری ماشین است. علاوه بر یادگیری ماشین با پایتون ، یادگیری عمیق و شبکه عصبی را نیز با پایتون انجام میدهند.

یادگیری عمیق که زیرمجموعه‌ای از یادگیری ماشین است به شیوه‌ای مشابه با یادگیری ماشین عمل می‌کند. اما این دو تفاوت‌هایی هم دارند. طراحی یادگیری ماشین به شکلی است که در هر عملکردی به‌تدریج بهتر عمل می‌کند، اما هنوز به راهنمایی نیاز دارد. اگر یک الگوریتم پیش‌بینی نادرستی را انجام دهد، مهندسان باید وارد عمل شوند و تنظیماتی را دوباره انجام دهند. اما در یادگیری عمیق، یک الگوریتم می‌تواند به‌تنهایی تعیین کند که آیا پیش‌بینی انجام شده دقیق است یا نه و تنظیمات لازم را انجام دهد. در ادامه به کاربرد یادگیری ماشین با پایتون میپردازیم.

یادگیری ماشین با پایتون در زمینه های مختلفی کاربرد دارد. یادگیری ماشین در زمینه های زیر کاربرد دارد:

• شبکه های اجتماعی : آنالیز های حساس ، فیلتر کردن، اسپم ها و ....
• حمل و نقل : نظارت بر امنیت ، کنترل ترافیک هوایی و ...
• خدمات مالی : معاملات الگوریتمی ، مدیریت پورتوفولیو ، تشخیص کلاه برداری و....
• بهداشت و درمان : کشف دارو ، تشخیص بیماری ، عمل جراحی به کمک ربات ها و ...
• فروشگاه اینترنتی: پشتیبانی از مشتریان، پیشنهاد محصولات ، تبلیغات و...
• دستیار مجازی : دستیار هوشمند ، پردازش زبان طبیعی ...

به طور مثال از یکی از کاربردهای مهم یادگیری ماشین با پایتون در زمینه پزشکی می باشد که در برای تشخیص بیماری و همچنین شناسایی تصاویر استفاده میشود. از یادگیری ماشین می‌توان در تکنیک‌ها و ابزارهایی که برای تشخیص بیماری‌ها کاربرد دارند استفاده کرد. از این تکنولوژی می‌توان برای تجزیه و تحلیل پارامترهای بالینی و ترکیب آن‌ها برای پیش‌بینی آگاهی از پیشرفت بیماری، استخراج اطلاعات پزشکی، تحقیقات برای رسیدن به نتیجه، برنامه ریزی درمانی و نظارت بر بیمار استفاده کرد. این موارد از کاربردهای موفق استفاده از متدهای یادگیری ماشین می‌باشد. استفاده از الگوریتم‌های یادگیری ماشین با پایتون همچنین می‌تواند به ادغام سیستم‌های کامپیوتری و بخش‌های مراقبت بهداشتی نیز کمک کند.

یکی از کاربردهای رایج یادگیری ماشین شناسایی تصویر است. برای دسته‌بندی اشیاء در تصاویر دیجیتالی  می‌توان از یادگیری ماشین استفاده کرد. برای مثال در تصاویر سیاه و سفید هر پیکسل به عنوان یک واحد اندازه گیری استفاده می‌شود. در تصاویر رنگی نیز هر پیکسل یک واحد اندازه گیری برای شدت سه رنگ قرمز، سبز و آبی استفاده می‌شود. از یادگیری ماشین نیز می‌توان در شناسایی چهره در پردازش تصویر نیز استفاده کرد. در یک دیتابیس برای هر فرد یک دسته بندی جدا جود دارد و الگوریتم‌های یادگیری ماشین با توجه به این تصاویر به تشخیص هویت می‌پردازند. از یادگیری ماشین هم چنین در تشخیص دست خط در نوشته های معمولی یا نسخ خطی چاپ شده نیز استفاده می‌شود. در زمینه پزشکی نیز از این تکنیک برای شناسایی و اندازه بافت های سرطانی نیز استفاده می کنند که پردازش این تصاویر به عهده مهندسین پزشک است.

جمع بندی

همانطور که گفته شد ماشین لرنینگ یا همان یادگیری ماشین در عصر امروز کاربرد های بسیاری در همه زمینه ها از جمله علوم مهندسی دارد. باتوجه به پیشرفت روز فزون هوش مصنوعی در جهان محققان و دانشجویان باید مهارت خود را در زمینه های هوش مصنوعی از جمله یادگیری ماشین با پایتون و یادگیری عمیق با پایتون افزایش دهند.

نویسنده: سمانه خان بیگی، کارشناس دپارتمان مهندسی پزشکی گروه آموزشی پارس پژوهان