یادگیری ماشینی چیست و چرا اهمیت زیادی دارد؟ - چای قند پهلو

آیا کامپیوترها می توانند یاد بگیرند؟

تعریف کردن هوش کار سختی است. همه ما می دانیم که منظورمان از هوش چیست اما توصیف دقیق آن کار ساده ای نیست. صرف نظر از احساس و خودآگاهی، یک توصیف دقیق برای هوش می تواند توانایی یادگیری مهارت های نو، جذب دانش و به کار بردن آن ها در موقعیت های نو برای رسیدن به نتیجه مطلوب باشد.

با توجه به مشکل بودن تعریف هوش، تعریف دقیق هوش مصنوعی هم کار ساده ای نخواهد بود. به زبان بسیار ساده، اگر یک دستگاه محاسباتی قادر به انجام کاری باشد که معمولا احتیاجمند استدلال انسانی و هوش است، می گوییم که از هوش مصنوعی استفاده می نماید.

به اسم مثال، اسپیکرهای هوشمند مانند آمازون اکو و گوگل نست می توانند دستورهای شفاهی ما را بشنوند، صداها را به اسم کلمات تفسیر نمایند، معنای کلمات را استخراج نمایند و در نهایت سعی می نمایند خواسته های ما را برآورده نمایند. در این میان می توانیم به درخواست هایی مانند پخش موسیقی، جواب یک سؤال یا خاموش کردن چراغ ها اشاره کنیم.

در همه تعاملات، به جز چیزهای بسیار ساده، این درخواست ها به کامپیوترهای موجود در فضای ابری منتقل می گردد که بیشترین پردازش های سنگین مربوط به هوش مصنوعی را انجام می دهند. فرمان صوتی تجزیه می گردد، معنا استخراج می گردد، پاسخ آماده می گردد و در نهایت این اطلاعات به اسپیکر هوشمند راه پیدا می نماید.

یادگیری ماشینی اساس بیشتر سیستم های هوش مصنوعی است که با آن ها در تعامل هستیم. بعضی از این سیستم ها به شکل گجت های هوشمند موجود در خانه ها هستند و بعضی دیگر بخشی از خدماتی هستند که به صورت آنلاین استفاده می کنیم. پیشنهادهایی که یوتیوب برای پخش ویدیوهای نو ارائه می نماید و پلی فهرست هایی که به طور اتوماتیک در اسپاتیفای ایجاد می شوند مبتنی بر یادگیری ماشینی هستند. موتورهای جست وجو از یادگیری ماشینی استفاده می نمایند و فروشگاه های آنلاین برای پیشنهاد خریدهای نو بر اساس فعالیت های کاربران از این فناوری بهره می برند.

کامپیوترها می توانند به مجموعه بزرگی از داده ها دسترسی داشته باشند. آن ها می توانند کارهایی که برای انسان ها سخت و بسیار وقت گیر است را با سرعت زیاد و به دفعات انجام دهند. بنابراین اگر یادگیری احتیاج به دانش، تمرین و بازخورد عملکرد دارد، پس کامپیوتر باید یک کاندیدای ایدئال باشد.

البته این موضوع به معنای آن نیست که کامپیوتر می تواند واقعا به معنای انسانی فکر کند یا اینکه درک و تفکر مشابه انسان ها داشته باشد. اما می تواند یاد بگیرد و با تمرین کردن بهتر می گردد. روی هم رفته مهندسان برای اینکه بتوانند مفاهیم نو را به کامپیوترها یاد دهند باید چه چالش هایی را پشت سر بگذارند؟

شبکه های عصبی

مغز حیوانات شبکه ای از نورون ها را در خود جای داده است. نورون ها می توانند سیگنال ها را طریق سیناپس به نورون های دیگر منتقل نمایند. این اقدام کوچک که میلیون ها بار تکرار می گردد، باعث ایجاد فرایندهای فکری و خاطرات ما می گردد.

با الهام از شبکه های عصبی بیولوژیکی، شبکه های عصبی مصنوعی ایجاد شدند تا بعضی از ویژگی های همتایان ارگانیک خود را تقلید نمایند. از دهه 1940، سخت افزارها و نرم افزارهایی توسعه داده شده اند که شامل هزاران یا میلیون ها گره (Node) هستند. این گره ها، مانند نورون ها، سیگنال ها را از گره های دیگر دریافت می نمایند. آن ها بعلاوه می توانند سیگنال هایی را برای ارائه به دیگر گره ها ایجاد نمایند. این گره ها به طور همزمان قادر به ارسال و دریافت سیگنال از گره های متعددی هستند.

اگر یک حیوان به این نتیجه برسد که حشرات زرد و سیاه رنگ در حال پرواز همواره نیش دردناکی می زنند، آن حیوان از تمام حشرات زرد و سیاه در حال پرواز اجتناب خواهد نمود. مگس گلزار (یک نوع زنبور) از این ترس استفاده می نماید. این حشره مانند زنبور بی عسل زرد و سیاه است اما نیش ندارد. حیواناتی که با زنبور بی عسل برخورد داشته اند و یک درس دردناک یاد گرفته اند، دیگر کاری با مگس گلزار ندارند. آن ها یک حشره با رنگ زرد و سیاه می بینند و تصمیم می گیرند که وقت عقب نشینی است. اما این واقعیت که مگس گلزار در یک محدوده خاص در هوا می تواند شناور باقی بماند، حتی در نظر گرفته نمی گردد؛ ولی زنبور بی عسل نمی تواند.

اهمیت پرواز و راه راه سیاه تمام چیزهای دیگر را زیر سایه خود می برد. اهمیت این سیگنال ها وزن دهی به آن اطلاعات نامیده می گردد. شبکه های عصبی مصنوعی هم می توانند از وزن دهی استفاده نمایند. یک گره نباید تمام ورودی های خود را به طور برابر در نظر بگیرد و باید بعضی سیگنال ها را نسبت به دیگران ترجیح دهد.

یادگیری ماشینی از آمار برای یافتن الگوها در مجموعه داده هایی که بر روی آن ها آموزش دیده، استفاده می نماید. یک مجموعه داده ممکن است شامل کلمات، اعداد، تصاویر، تعاملات کاربر مانند کلیک در وب سایت یا هر چیز دیگری باشد که می تواند به صورت دیجیتالی ثبت و ذخیره گردد. سیستم باید بخش های اساسی اطلاعات دریافتی را تعیین کند و سپس آن ها را با الگوهایی که در مجموعه داده شناسایی نموده تطبیق دهد.

اگر یک سیستم می خواهد یک گل را شناسایی کند، باید طول ساقه، اندازه و شکل برگ، رنگ، تعداد گلبرگ ها و دیگر چیزها را تشخیص دهد. البته در واقعیت، سیستم به اطلاعات بسیار بیشتری احتیاج پیدا می نماید. زمانی که سیستم جزئیات نمونه را به دست می آورد، فرایند تصمیم گیری را شروع می نماید و با این کار از بین داده های موجود به نتیجه می رسد.

یک سیستم یادگیری ماشینی با به روزرسانی الگوریتم های خود از اشتباهات صورت گرفته درس می گیرد تا بتواند مسائل مربوط به استدلال خود را اصلاح کند. پیچیده ترین نوع شبکه های عصبی، شبکه های عصبی عمیق هستند. از نظر مفهومی، این سیستم ها از تعداد زیادی شبکه های عصبی تشکیل شده اند که بر روی یکدیگر قرار گرفته اند. همین فرایند به سیستم این توانایی را می دهد که حتی الگوهای کوچک را در فرایندهای تصمیم گیری خود شناسایی و از آن ها استفاده کند.

این لایه ها معمولا برای وزن دهی اطلاعات استفاده می شوند. به اصطلاح لایه های مخفی می توانند به اسم لایه های متخصص عمل نمایند. آن ها سیگنال های وزن دهی شده را درباره یک ویژگی واحد از موضوع تست ارائه می دهند. به اسم مثال درباره گل، ممکن است لایه های مخفی برای شناسایی شکل برگ ها یا اندازه جوانه ها استفاده شوند.

انواع مختلف یادگیری

سه تکنیک اصلی برای آموزش سیستم های یادگیری ماشینی وجود دارد؛ یادگیری با نظارت، یادگیری بدون نظارت و یادگیری تقویتی.

یادگیری با نظارت

یادگیری با نظارت رایج ترین روش برای آموزش سیستم ها است. در یادگیری تحت نظارت، داده ها قبل از ارائه به سیستم برچسب گذاری و ساختاربندی می شوند تا معیارهای استفاده شده در فرایند تصمیم گیری برای سیستم یادگیری ماشینی تعریف گردد. به اسم مثال یوتیوب برای پیشنهاد ویدیوهای نو به کاربران از این روش بهره می برد.

یادگیری بدون نظارت

یادگیری بدون نظارت احتیاجی به آماده سازی داده ها ندارد. این یعنی داده ها از قبل برچسب گذاری نمی شوند. سیستم داده ها را اسکن می نماید و الگوها را شناسایی می نماید. تکنیک های یادگیری بدون نظارت برای امنیت فضای مجازی با اندازه موفقیت بالا به کار گرفته شده اند. سیستم های تشخیص نفوذ که با یادگیری ماشینی تقویت شده اند، می توانند فعالیت شبکه های غیرمجاز را تشخیص دهند زیرا با الگوهای رفتاری مشاهده شده از طرف کاربران مجاز مطابقت ندارند.

یادگیری تقویتی

یادگیری تقویتی در مقایسه با دو روش دیگر سن و سال کمتری دارد. به زبان ساده، یک الگوریتم یادگیری تقویتی از آزمون و خطا و بازخورد برای رسیدن به یک مدل بهینه از رفتار به منظور دستیابی به یک هدف تعیین استفاده می نماید. این امر مستلزم بازخورد افرادی است که به کوشش های سیستم با توجه به تأثیر مثبت یا منفی رفتار آن در رسیدن به هدف، امتیاز می دهند.

جنبه کاربردی هوش مصنوعی

به علت کاربردهای زیادی که یادگیری ماشینی در حوزه های مختلف پیدا نموده، از آن تحت اسم جنبه کاربردی هوش مصنوعی یاد می نمایند. سیستم های مبتنی بر یادگیری ماشینی ارزش زیادی دارند و فریمورک های تجاری زیادی برای بهره گیری از این تکنولوژی ایجاد شده است.

اگر احتیاج فوری به این تکنولوژی ندارید و بیشتر می خواهید با استفاده از زبان های برنامه نویسی مانند پایتون تا حدی با یادگیری ماشینی آشنا شوید، منابع رایگان خیلی خوبی در این زمینه ارائه شده است. به اسم مثال می توانیم به فریم ورک متن باز Torch و مجموعه ای از ابزارهای ارائه شده در سایت Scikit-Learn اشاره کنیم که با زبان برنامه نویسی پایتون سازگار هستند. برای پردازش تصاویر می توانید از فریم ورک Caffe بهره ببرید و Keras هم یکی دیگر از فریم ورک های یادگیری ماشینی مبتنی بر پایتون محسوب می گردد.

منبع: How To Geek