یکی از بزرگ‌ترین اهداف و دغدغه‌های هوش مصنوعی موفق شدن در ساخت ماشین‌هایی است تا بتواند عملکردهای یک انسان واقعی  را شبیه سازی کند. ویژگی‌هایی مثل درک احساسات، قدرت تصمیم گیری، استدلال و از همه مهم‌تر یادگیری ماشین. شاید تابه‌حال برای شما هم سؤال بوده باشد که ماشین‌ها و یا سیستم‌های مبتنی بر هوش مصنوعی چگونه یاد می‌گیرند؟ چگونه آموزش می‌بینند و یا چگونه قدرت تشخیص پیدا می‌کنند. جواب تمام این سؤالات در زیرشاخه‌ای از هوش مصنوعی به نام یادگیری ماشین نهفته است. اما واقعاً یادگیری ماشین چیست؟ در این مقاله قصد داریم از هر بعدی این سؤال را بررسی کنیم و در مورد این زیرشاخه مهم از علم هوش مصنوعی بحث کنیم و شما را بیشتر با این حوزه آشنا کنیم. در ادامه با آرتیجنس همراه باشید.

یادگیری ماشین یا Machine Learning چیست؟

یادگیری ماشین یکی از مهم‌ترین زیرشاخه‌های هوش مصنوعی است که می‌تواند ماشین را قادر به یادگیری کند. در یادگیری ماشین به جای اینکه دستورالعمل‌های مربوط به تشخیص و تجزیه و تحلیل به صورت تک به تک و ایستا به ماشین داده شود از یک الگوریتم برای این کار استفاده می‌شود. با استفاده از این الگوریتم ماشین قادر خواهد بود به صورت اتوماتیک از روی داده‌ها آموزش ببیند و در موجهه با داده جدید قدرت تشخیص داشته باشد. هدف اصلی از یادگیری ماشینی این است که ماشین بتواند بدون دخالت بشر و تنها با استفاده از داده‌ها و الگوریتمی که در اختیار دارد، شروع به یادگیری کند. علاوه بر این یادگیری ماشین این امکان را می‌دهد تا ماشین بتواند از اشتباهات خود بیاموزد و رفته‌رفته نرخ خطا کاهش و نرخ تشخیص درست افزایش یابد.

تاریخچه یادگیری ماشین :

یادگیری ماشین مبحث جدید نیست با ردگیری تاریخچه آن می‌توان تا سال 1950 در تاریخ به عقب بازگشت. زمانی که الن تورینگ با مطرح کرد این سؤال که "آیا ماشین‌ها می‌توانند فکر کنند؟" زمینه را برای ظهور علم یادگیری ماشین فراهم کرد. الن تورینگ ریاضی دان و دانشمند کامپیوتر بود که امروزه هم او را به عنوان پدر علم کامپیوتر و هوش مصنوعی می‌شناسند. تورینگ در تلاش برای طراحی ماشینی بود که در مواجهه و مکالمه با یک داور انسانی بتواند او را متقاعد کند که واقعاً با یک انسان مکالمه می‌کند و نه یک ماشین. سال‌ها پس از تورینگ در سال 1959 آرتور ساموئل یکی از پیشگامان هوش مصنوعی با بهره گیری از زمینه‌ای که توسط تورینگ ایجاد شده بود، اولین کسی بود که از واژه ماشین لرنینگ استفاده کرد و تلاش کرد با استفاده از این حوزه تحقیقاتی، قدرت یادگیری اتوماتیک را به ماشین‌ها اضافه کند.

انواع روش یادگیری در یادگیری ماشین :

تا اینجا با تعریف کلی  یادگیری ماشینی آشنا شدیم و آموختیم که تمرکز اصلی این حوزه از هوش مصنوعی بر یادگیری ماشین‌ها معطوف است. در ادامه مقاله یادگیری ماشین به انواع روش‌هایی که برای یادگیری ماشین استفاده می‌شود، اشاره خواهیم کرد و توضیحاتی مختصر در مورد آنها خواهیم داد. 

یادگیری نظارت شده (Supervised Learning) :

در این روش از یادگیری همان طور که از نام آن پیدا است، یک ناظر وجود دارد، یک دانشمند داده که داده‌های مربوط به یادگیری ماشین را علامت گذاری می‌کند و یا به اصطلاح لیبل می‌زند. ماشین با استفاده از این داده‌های لیبل زده شده شروع به یادگیری از روی ویژگی‌های داده می‌کند و آموزش می‌بیند. ماشین پس از آموزش با داده‌های لیبل زده شده قادر خواهد بود داده جدید را تشخیص دهد. در واقع در این روش از آموزش یک سری داده به عنوان داده‌های آموزشی در نظر گرفته می‌شود و پاسخ‌های آنها مشخص می‌شود. برای مثال تعدادی تصویر از عدد 1 و 2 را در نظر بگیرید. در ابتدا داده‌های آموزشی هر کدام لیبل مربوط به خود را خواهند داشت یعنی عدد 1 لیبل 1 و عدد 2 لیبل عدد 2 را خواهد داشت. ماشین با استفاده از این داده‌های لیبل شده مشخصات و ویژگی‌های مربوط به اعداد 1 و 2 را شناسایی کرده و یاد می‌گیرد. پس از مرحله آموزش اگر دادة جدیدی به غیر از داده‌های آموزشی به ماشین داده شود، ماشین قادر خواهد بود عدد 1 و 2 را از داده‌های جدید تشخیص دهد. 

یادگیری نظارت نشده (Unsupervised Learning) :

در این روش از آموزش دیگر ناظری در کار نیست و داده‌ها فاقد لیبل هستند. در این روش خود ماشین با استفاده از الگوریتم‌های مربوط به یادگیری ماشین بدون ناظر تلاش می‌کند از روی ویژگی‌ها و خصوصیات داده‌ها، الگوی خاصی بین آنها پیدا کند و آن‌ها را با استفاده از الگوریتم خوشه بندی یا Clustering دسته بندی کند. تشخیص تصاویر از میوه‌های گوناگون از روی ویژگی‌های آنها می‌تواند مثالی از یادگیری ماشین بدون ناظر باشد. 

یادگیری تقویتی (Reinforcement Learning) :

در این روش ماشین با استفاده از یک الگوریتم و فرایند آزمون و خطا آموزش می‌بیند. به این صورت که اگر ماشین به سؤالات جواب درست دهد پاداش می‌گیرد و اگر جواب غلط دهد جریمه می‌شود. با این روش رفته‌رفته ماشین می‌آموزد تا چگونه جریمه‌ها را کم کرده و بیشتر پاداش بگیرد. بازی شطرنج کامپیوتر با یک انسان نمونه‌ای از این نوع یادگیری است. در این بازی ماشین از نتیجه به دست آمده از حرکت فعلی برای بهبود بخشیدن به حرکت بعدی خود استفاده می‌کند و می‌آموزد.

مراحل یادگیری ماشین :

فرایند یادگیری ماشین در مراحل مختلفی اتفاق می‌افتد که در ادامه به آنها اشاره می‌کنیم و هر کدام از مراحل را بررسی می‌کنیم.

جمع آوری و کار با داده‌ها :

اساس کار یادگیری ماشین با داده‌هاست و داده‌های مناسب و نرمال شده یکی از مهم‌ترین قسمت‌های فرایند یادگیری است. در این مرحله داده‌های مربوط به مدل یادگیری ماشین جمع‌آوری شده و به روش‌های مختلف تبدیل به داده‌های آماده پردازش می‌شوند و یا به اصطلاح نرمالایز می‌شوند. داده‌ها به دو بخش داده‌های آموزشی و داده‌های تستی تقسیم می‌شوند. از داده‌های آموزشی برای آموزش مدل و از داده‌های تستی برای تست عملکرد مدل پس از آموزش استفاده می‌شود.

انتخاب الگوریتم و مدل مناسب و آموزش :

مرحله بعدی استفاده از یک مدل مناسب برای آموزش، با داده‌های موجود است. الگوریتم و مدل‌های از قبل طراحی شده‌ای وجود دارد که شما می‌توانید متناسب با نیاز خود یکی از آنها و یا ترکیبی از چند مدل را برای آموزش انتخاب کنید. در این مرحله داده‌هایی که برای آموزش مدل در نظر گرفته شده بودند به مدل داده می‌شود و مدل شروع به آموزش از روی آن داده‌ها می‌کند.

اعتبارسنجی :

پس از مرحله انتخاب مدل و آموزش آن، نوبت به اعتبارسنجی می‌رسد. در این مرحله با استفاده از متدهای مختلف شروع به اعتبارسنجی مدل می‌شود. اعتبارسنجی مدل با استفاده از داده‌هایی که برای تست در نظر گرفته شده انجام می‌شود. مدل پس از آموزش با داده‌های تست اعتبارسنجی می‌شود تا مشخص شود میزان خطا و یا درستی مدل چقدر است. در این مرحله با توجه به جواب به دست آمده هایپر پارامترها تنظیم می‌شوند. 

کاربردهای یادگیری ماشین :

همان طور که قبلاً اشاره شد، یادگیری ماشین یکی از شاخه‌های مهم هوش مصنوعی است که در زمینه‌های مختلفی از آن استفاده می‌شود.

ربات‌های معامله گر :

یکی از زمینه‌هایی که اخیراً به شدت مورد توجه معامله گران بازارهای مالی قرار گرفته، استفاده از ربات‌های معامله گر در معاملات است. این ربات‌ها با استفاده از مدل‌های یادگیری ماشین سهامی که مستعد رشد هستند را شناسایی کرده و به معامله گر معرفی می‌کند.

پزشکی :

پزشکی یکی دیگر از زمینه‌هایی است که در آن به شدت از ماشین لرنینگ استفاده می‌شود. تشخیص غدد و تومورهای سرطانی فقط گوشه‌ای از کاربردهای یادگیری ماشین در پزشکی است.

تشخیص چهره :

سیستم‌های تشخیص چهره در سازمان‌ها و ادارات مختلف هم یکی دیگر از سیستم‌های هوش مصنوعی است که به کمک یادگیری ماشین طراحی شده است. تشخیص چهره با استفاده از یادگیری ماشین دقت بیشتری نسبت به نمونه‌های قبلی خود که از به صورت سنتی و جزء به جزء برنامه نویسی شده‌اند دارد.

شبکه های اجتماعی :

حجم داده‌های رد و بدل شده در شبکه‌های اجتماعی سرسام آور است. امروزه صاحبان شبکه‌های اجتماعی با استفاده از این داده و بهره گیری از مدل‌های پیشرفته یادگیری ماشین، قادر هستند علایق و سلیقه‌های کاربران خود را تشخیص داده و محتوای مناسب و مطابق سلیقه کاربران خود را به آن‌ها نمایش دهند.

نتیجه گیری :

شاید به جرات می‌توان گفت عصر اخیر متعلق به هوش مصنوعی و هوشمندسازی ماشین‌هاست. شاید تا همین چند سال قبل کسی باورش نمی‌شد که یک ماشین قدرت یادگیری داشته باشد ولی امروز به لطف هوش مصنوعی و یادگیری ماشینی این رؤیا به حقیقت پیوسته است. از چت‌بات‌ها گرفته تا سیستم‌های هوشم مصنوعی مبتنی بر صوت، از سیستم‌های تشخیص غده‌های سرطانی پیش از رشد گرفته تا پیش بینی تغییرات اقلیمی و آب و هوایی، همه و همه فقط گوشه‌ای از کاربردهای یادگیری ماشین در زندگی بشر است. چیزی که در مورد یادگیری ماشین قطعی است، این است که این پیشرفت‌ها پایان کار نیست و این علم پتانسیل برای شکوفایی بیشتر را دارد. به این ترتیب می‌توانیم در آینده‌ای نه چندان دور انتظار داشته باشیم که ماشین‌های هوشمند سازی شده با یادگیری ماشین به چنان هوشمندی برسد تا بتواند جای برخی افراد متخصص در برخی امور را بگیرد.