یادگیری ماشین چیست؟
یادگیری ماشین چیست؟
آرتور ساموئل، به دلیل ابداع اصطلاح “یادگیری ماشین” با تحقیقات خود در مورد بازی چکرز شناخت می شود. رابرت نیلی، استاد خودخوانده چکرز، این بازی را در سال 1962 روی یک کامپیوتر IBM 7094 انجام داد و به رایانه باخت. در مقایسه با آنچه امروزه می توان انجام داد، این شاهکار، پیش پا افتاده به نظر می رسد، اما نقطه عطفی بزرگ در زمینه هوش مصنوعی به حساب می آید.
در چند دهه گذشته، پیشرفتهای تکنولوژیکی در زمینه ذخیرهسازی و پردازش، باعث به وجود آمدن برخی محصولات نوآورانه مبتنی بر یادگیری ماشینی، مانند موتور توصیهای نتفلیکس و خودروهای خودران شده است.
یادگیری ماشینی جزء مهمی از حوزه رو به رشد علم داده است. از طریق استفاده از روش های آماری، الگوریتم ها برای طبقه بندی یا پیش بینی و کشف بینش های کلیدی در پروژه های داده کاوی، آموزش داده می شوند. این بینشها متعاقباً تصمیمگیری را در برنامهها و کسبوکارها هدایت میکنند و به طور ایدهآل بر معیارهای رشد کلیدی تأثیر میگذارند. با ادامه گسترش و رشد داده های بزرگ، تقاضای بازار برای متخصصین داده افزایش می یابد. از این متخصصین برای شناسایی مرتبط ترین سؤالات تجاری و پاسخ آنها کمک گرفته می شود.
الگوریتمهای یادگیری ماشین معمولاً با استفاده از چارچوبهایی که توسعه راهحل را تسریع میکنند، مانند، تانسور جریان و پی تورچ، ایجاد میشوند
آرتور ساموئل، به دلیل ابداع اصطلاح “یادگیری ماشین” با تحقیقات خود در مورد بازی چکرز شناخت می شود. رابرت نیلی، استاد خودخوانده چکرز، این بازی را در سال 1962 روی یک کامپیوتر IBM 7094 انجام داد و به رایانه باخت. در مقایسه با آنچه امروزه می توان انجام داد، این شاهکار، پیش پا افتاده به نظر می رسد، اما نقطه عطفی بزرگ در زمینه هوش مصنوعی به حساب می آید.
در چند دهه گذشته، پیشرفتهای تکنولوژیکی در زمینه ذخیرهسازی و پردازش، باعث به وجود آمدن برخی محصولات نوآورانه مبتنی بر یادگیری ماشینی، مانند موتور توصیهای نتفلیکس و خودروهای خودران شده است.
یادگیری ماشینی جزء مهمی از حوزه رو به رشد علم داده است. از طریق استفاده از روش های آماری، الگوریتم ها برای طبقه بندی یا پیش بینی و کشف بینش های کلیدی در پروژه های داده کاوی، آموزش داده می شوند. این بینشها متعاقباً تصمیمگیری را در برنامهها و کسبوکارها هدایت میکنند و به طور ایدهآل بر معیارهای رشد کلیدی تأثیر میگذارند. با ادامه گسترش و رشد داده های بزرگ، تقاضای بازار برای متخصصین داده افزایش می یابد. از این متخصصین برای شناسایی مرتبط ترین سؤالات تجاری و پاسخ آنها کمک گرفته می شود.
الگوریتمهای یادگیری ماشین معمولاً با استفاده از چارچوبهایی که توسعه راهحل را تسریع میکنند، مانند، تانسور جریان و پی تورچ،ایجاد میشوند
یادگیری ماشین چگونه کار می کند
- فرآیند تصمیم گیری: به طور کلی، الگوریتم های یادگیری ماشین برای پیش بینی یا طبقه بندی استفاده می شوند. بر اساس برخی از داده های ورودی، که می توانند دارای برچسب یا بدون برچسب باشند، الگوریتم شما قادر به پیش بینی خواهد بود.
- یک تابع خطا: یک تابع خطا، پیش بینی را ارزیابی می کند. اگر نمونه های شناخته شده وجود داشته باشد، یک تابع خطا می تواند مقایسه ای برای ارزیابی دقت مدل پیش بینی کننده انجام دهد.
- یک فرآیند بهینه سازی مدل: اگر مدل بتواند بهتر با نقاط داده در مجموعه آموزشی فیت شود، وزن ها برای کاهش اختلاف بین مثال شناخته شده و پیش بینی ای که مدل انجام می دهد، تنظیم می شوند. الگوریتم این فرآیند “ارزیابی و بهینه سازی” را تکرار می کند و وزن ها را به طور مستقل تا رسیدن به آستانه دقت به روز می کند.
روش های یادگیری ماشین
یادگیری ماشین تحت نظارت
یادگیری نظارت شده، همچنین به عنوان یادگیری ماشین نظارت شده شناخته می شود، با استفاده اش از مجموعه داده های برچسب گذاری شده برای آموزش الگوریتم ها برای طبقه بندی داده ها یا پیش بینی دقیق نتایج، تعریف می شود. همانطور که داده های ورودی به مدل وارد می شود، مدل وزن خود را تا زمانی که به طور مناسب برازش داده شود تنظیم می کند. این به عنوان بخشی از فرآیند اعتبار سنجی متقاطع برای اطمینان از اینکه مدل از برازش بیش از حد یا عدم تناسب اجتناب می کند، رخ می دهد . یادگیری تحت نظارت به سازمان ها کمک می کند تا انواع مشکلات دنیای واقعی را در مقیاس بزرگ حل کنند، مانند طبقه بندی هرزنامه ها در یک پوشه جداگانه از صندوق ورودی شما. برخی از روشهای مورد استفاده در یادگیری نظارت شده عبارتند از: شبکههای عصبی، خلیجهای ساده، رگرسیون خطی، رگرسیون لجستیک، جنگل تصادفی و ماشین بردار پشتیبان (SVM).
یادگیری ماشینی بدون نظارت
یادگیری بدون نظارت ، همچنین به عنوان یادگیری ماشین بدون نظارت شناخته می شود، از الگوریتم های یادگیری ماشین برای تجزیه و تحلیل و خوشه بندی مجموعه داده های بدون برچسب استفاده می کند. این الگوریتم ها الگوهای پنهان یا گروه بندی داده ها را بدون نیاز به دخالت انسان کشف می کنند. توانایی این روش در کشف شباهتها و تفاوتها در اطلاعات، آن را برای تجزیه و تحلیل دادههای اکتشافی، استراتژیهای فروش متقابل، تقسیمبندی مشتری، و تشخیص تصویر و الگو ایدهآل میکند. همچنین برای کاهش تعداد ویژگیهای یک مدل از طریق فرآیند کاهش ابعاد استفاده میشود. تجزیه و تحلیل مؤلفه اصلی (PCA) و تجزیه ارزش منفرد (SVD) دو رویکرد رایج برای این کار هستند. سایر الگوریتمهای مورد استفاده در یادگیری بدون نظارت شامل شبکههای عصبی، خوشهبندی k-means و روشهای خوشهبندی احتمالی است.
یادگیری نیمه نظارتی
یادگیری نیمهنظارتی واسطهای شاد بین یادگیری تحت نظارت و بدون نظارت است. در طول آموزش، از یک مجموعه داده برچسبدار کوچکتر برای هدایت طبقهبندی و استخراج ویژگی از یک مجموعه داده بزرگتر و بدون برچسب استفاده میکند. یادگیری نیمه نظارت شده می تواند مشکل نداشتن داده های برچسب گذاری شده کافی برای الگوریتم یادگیری نظارت شده را حل کند. همچنین اگر برچسب گذاری داده های کافی بسیار پرهزینه باشد، کمک می کند.
یادگیری ماشین تقویت شده
سیستم IBM Watson® که برنده خطر شد! چالش در سال 2011 یک مثال خوب است. این سیستم از یادگیری تقویتی برای یادگیری زمان تلاش برای پاسخ (یا سؤال) استفاده کرد، کدام مربع را روی تخته انتخاب کرد، و چه مقدار شرط بندی کرد – به خصوص در دو برابرهای روزانه.
الگوریتم های یادگیری ماشین معمول:
- شبکه های عصبی : شبکه های عصبی نحوه عملکرد مغز انسان را با تعداد زیادی گره پردازشی مرتبط شبیه سازی می کنند. شبکه های عصبی در تشخیص الگوها خوب هستند و نقش مهمی در کاربردهایی از جمله ترجمه زبان طبیعی، تشخیص تصویر، تشخیص گفتار و ایجاد تصویر دارند.
- رگرسیون خطی: این الگوریتم برای پیش بینی مقادیر عددی بر اساس رابطه خطی بین مقادیر مختلف استفاده می شود. به عنوان مثال، این تکنیک می تواند برای پیش بینی قیمت خانه بر اساس داده های تاریخی برای منطقه مورد استفاده قرار گیرد.
- رگرسیون لجستیک: این الگوریتم یادگیری نظارت شده برای متغیرهای پاسخ طبقهای، مانند پاسخهای «بله/خیر» به سؤالات، پیشبینی میکند. می توان از آن برای برنامه هایی مانند طبقه بندی هرزنامه و کنترل کیفیت در خط تولید استفاده کرد.
- خوشه بندی: با استفاده از یادگیری بدون نظارت، الگوریتم های خوشه بندی می توانند الگوهای موجود در داده ها را شناسایی کنند تا بتوان آنها را گروه بندی کرد. رایانه ها می توانند با شناسایی تفاوت های بین اقلام داده ای که انسان ها نادیده گرفته اند، به دانشمندان داده کمک کنند.
- درخت تصمیم: درخت تصمیم را می توان هم برای پیش بینی مقادیر عددی (رگرسیون) و هم برای طبقه بندی داده ها به دسته ها استفاده کرد. درختان تصمیم از یک دنباله انشعاب از تصمیمات مرتبط استفاده می کنند که می تواند با یک نمودار درختی نمایش داده شود. یکی از مزایای درخت تصمیم این است که بر خلاف جعبه سیاه شبکه عصبی، اعتبارسنجی و ممیزی آسان است.
- جنگلهای تصادفی: در یک جنگل تصادفی، الگوریتم یادگیری ماشین با ترکیب نتایج تعدادی درخت تصمیم، یک مقدار یا دسته را پیشبینی میکند.
کاربردهای یادگیری ماشین در جهان واقعی
تشخیص گفتار: همچنین با نامهای تشخیص خودکار گفتار (ASR)، تشخیص گفتار رایانهای یا گفتار به متن نیز شناخته میشود و قابلیتی است که از پردازش زبان طبیعی (NLP) برای ترجمه گفتار انسان به قالب نوشتاری استفاده میکند. بسیاری از دستگاههای تلفن همراه برای انجام جستجوی صوتی – به عنوان مثال سیری – یا بهبود دسترسی برای ارسال پیامک، تشخیص گفتار را در سیستمهای خود گنجاندهاند.
خدمات مشتری: خدمات مشتری: چت رباتهای آنلاین جایگزین عوامل انسانی در طول سفر مشتری میشوند و طرز فکر ما را در مورد تعامل با مشتری در وبسایتها و پلتفرمهای رسانههای اجتماعی تغییر میدهند. چت باتها به سؤالات متداول (پرسشهای متداول) درباره موضوعاتی مانند حمل و نقل پاسخ میدهند، یا توصیههای شخصی، فروش محصولات متقابل یا پیشنهاد اندازهها را به کاربران ارائه میدهند. به عنوان مثال می توان به عوامل مجازی در سایت های تجارت الکترونیک اشاره کرد. رباتهای پیامرسان، با استفاده از Slack و Facebook Messenger. و کارهایی که معمولاً توسط دستیارهای مجازی و دستیارهای صوتی انجام می شود.
بینایی رایانه: این فناوری هوش مصنوعی رایانهها را قادر میسازد تا اطلاعات معنیداری را از تصاویر دیجیتال، ویدیوها و سایر ورودیهای بصری به دست آورند و سپس اقدام مناسب را انجام دهند. بینایی کامپیوتر با پشتیبانی از شبکه های عصبی کانولوشنال دارای کاربردهایی در برچسب گذاری عکس در رسانه های اجتماعی، تصویربرداری رادیولوژی در مراقبت های بهداشتی و خودروهای خودران در صنعت خودروسازی است.
موتورهای توصیه: با استفاده از دادههای رفتار مصرف گذشته، الگوریتمهای هوش مصنوعی میتوانند به کشف روندهای دادهای که میتوانند برای توسعه استراتژیهای فروش متقابل مؤثرتر مورد استفاده قرار گیرند، کمک کنند. این رویکرد توسط خرده فروشان آنلاین برای ارائه توصیه های مربوط به محصول به مشتریان در طول فرآیند پرداخت استفاده می شود.
معاملات خودکار سهام: پلتفرمهای معاملاتی با فرکانس بالا مبتنی بر هوش مصنوعی که برای بهینهسازی پرتفوی سهام طراحی شدهاند، هزاران یا حتی میلیونها معامله را در روز بدون دخالت انسان انجام میدهند.
تشخیص تقلب: بانک ها و سایر موسسات مالی می توانند از یادگیری ماشینی برای شناسایی تراکنش های مشکوک استفاده کنند. یادگیری تحت نظارت می تواند یک مدل را با استفاده از اطلاعات مربوط به تراکنش های جعلی شناخته شده آموزش دهد. تشخیص ناهنجاری می تواند تراکنش هایی را شناسایی کند که غیر معمول به نظر می رسند و مستحق بررسی بیشتر هستند.
چالش های یادگیری ماشین
تکینگی تکنولوژیک
در حالی که این موضوع توجه عمومی زیادی را به خود جلب می کند، بسیاری از محققان نگران این ایده نیستند که هوش مصنوعی در آینده نزدیک از هوش انسانی پیشی بگیرد. تکینگی تکنولوژیک به عنوان هوش مصنوعی قوی یا ابر هوش نیز شناخته می شود. فیلسوف نیک بوستروم، ابرهوشی را اینگونه تعریف میکند: «هر عقلی که عملاً در هر زمینهای، از جمله خلاقیت علمی، خرد عمومی و مهارتهای اجتماعی، عملکرد بسیار بهتری از بهترین مغزهای انسان داشته باشد». علیرغم این واقعیت که ابرهوشی در جامعه قریب الوقوع نیست، ایده آن سوالات جالبی را ایجاد می کند زیرا ما استفاده از سیستم های خودمختار مانند اتومبیل های خودران را در نظر می گیریم. این غیرواقعی است که فکر کنیم یک ماشین بدون راننده هرگز تصادف نمی کند، اما در این شرایط چه کسی مسئول و مسئول است؟ آیا هنوز باید وسایل نقلیه خودران توسعه دهیم، یا آیا ما این فناوری را به وسایل نقلیه نیمه خودران که به مردم کمک می کند تا با خیال راحت رانندگی کنند محدود می کنیم؟ هیئت منصفه هنوز در این مورد صحبت نمی کند، اما این ها انواع بحث های اخلاقی هستند که با توسعه فناوری جدید و خلاقانه هوش مصنوعی در حال وقوع هستند.
تاثیر هوش مصنوعی بر مشاغل
در حالی که بسیاری از ادراک عمومی از هوش مصنوعی در مورد از دست دادن شغل متمرکز است، این نگرانی احتمالاً باید دوباره اصلاح شود. با هر فن آوری جدید و مخرب، می بینیم که تقاضای بازار برای نقش های شغلی خاص تغییر می کند. به عنوان مثال، وقتی به صنعت خودرو نگاه می کنیم، بسیاری از تولیدکنندگان، مانند جنرال موتورز، روی تولید خودروهای الکتریکی تمرکز می کنند تا با ابتکارات سبز هماهنگ شوند. صنعت انرژی از بین نمی رود، اما منبع انرژی در حال تغییر از مصرف سوخت به برق است.
به روشی مشابه، هوش مصنوعی تقاضا برای مشاغل را به مناطق دیگر سوق خواهد داد. باید افرادی وجود داشته باشند که به مدیریت سیستم های هوش مصنوعی کمک کنند. هنوز باید افرادی وجود داشته باشند که مشکلات پیچیده تری را در صنایعی که به احتمال زیاد تحت تأثیر تغییرات تقاضای شغل قرار می گیرند، مانند خدمات مشتری، حل کنند. بزرگترین چالش هوش مصنوعی و تأثیر آن بر بازار کار، کمک به افراد برای انتقال به نقشهای جدید مورد تقاضا خواهد بود.
حریم خصوصی
حریم خصوصی معمولاً در زمینه حریم خصوصی داده ها، حفاظت از داده ها و امنیت داده ها مورد بحث قرار می گیرد. این نگرانی ها به سیاست گذاران اجازه داده است که در سال های اخیر گام های بیشتری بردارند. به عنوان مثال، در سال 2016، قانون GDPR برای محافظت از داده های شخصی افراد در اتحادیه اروپا و منطقه اقتصادی اروپا ایجاد شد و به افراد کنترل بیشتری بر داده های خود داد. در ایالات متحده، ایالت های جداگانه در حال توسعه سیاست هایی هستند، مانند قانون حفظ حریم خصوصی مصرف کنندگان کالیفرنیا (CCPA)، که در سال 2018 معرفی شد و از کسب و کارها می خواهد که مصرف کنندگان را در مورد جمع آوری داده های خود آگاه کنند. قوانینی مانند این شرکت ها را وادار کرده است که در نحوه ذخیره و استفاده از اطلاعات شخصی قابل شناسایی (PII) تجدید نظر کنند.
تعصب و تبعیض
مواردی از تعصب و تبعیض در تعدادی از سیستم های یادگیری ماشینی سوالات اخلاقی زیادی را در مورد استفاده از هوش مصنوعی ایجاد کرده است. چگونه میتوانیم در برابر تعصب و تبعیض محافظت کنیم، وقتی که دادههای آموزشی ممکن است توسط فرآیندهای انسانی مغرضانه تولید شوند؟ در حالی که شرکتها معمولاً نیت خوبی برای تلاشهای اتوماسیون خود دارند، رویترز برخی از عواقب پیشبینی نشده استفاده از هوش مصنوعی در شیوههای استخدام را برجسته میکند. آمازون در تلاش خود برای خودکارسازی و سادهسازی یک فرآیند، ناخواسته بین نامزدهای شغلی بر اساس جنسیت برای نقشهای فنی تبعیض قائل شد و این شرکت در نهایت مجبور شد پروژه را کنار بگذارد. بررسی کسب و کار هاروارد سوالات مهم دیگری را در مورد استفاده از هوش مصنوعی در شیوه های استخدام مطرح کرده است، مانند اینکه از چه داده هایی باید بتوانید هنگام ارزیابی یک نامزد برای یک نقش استفاده کنید.
تعصب و تبعیض به عملکرد منابع انسانی نیز محدود نمی شود. آنها را می توان در تعدادی از برنامه های کاربردی از نرم افزار تشخیص چهره گرفته تا الگوریتم های رسانه های اجتماعی یافت.
همانطور که کسبوکارها از خطرات هوش مصنوعی آگاهتر میشوند، در این بحث پیرامون اخلاق و ارزشهای هوش مصنوعی نیز فعالتر شدهاند. برای مثال، IBM محصولات تشخیص و تجزیه و تحلیل چهره با هدف کلی خود را غروب کرده است. آرویند کریشنا، مدیرعامل آیبیام نوشت: «آیبیام قاطعانه مخالف است و استفاده از هر فناوری، از جمله فناوری تشخیص چهره ارائه شده توسط سایر فروشندگان، برای نظارت انبوه، پروفایلهای نژادی، نقض حقوق و آزادیهای اولیه بشر، یا هر هدفی که سازگار نیست را نپذیرد و نمیپذیرد. با ارزشها و اصول اعتماد و شفافیت ما.»
مسئوليت
از آنجایی که قانون قابل توجهی برای تنظیم شیوه های هوش مصنوعی وجود ندارد، هیچ مکانیسم اجرایی واقعی برای اطمینان از اجرای هوش مصنوعی اخلاقی وجود ندارد. انگیزههای فعلی برای اخلاقی بودن شرکتها، پیامدهای منفی یک سیستم هوش مصنوعی غیراخلاقی است. برای پر کردن این شکاف، چارچوبهای اخلاقی به عنوان بخشی از همکاری بین اخلاقشناسان و محققان برای کنترل ساخت و توزیع مدلهای هوش مصنوعی در جامعه پدیدار شدهاند. با این حال، در حال حاضر، اینها فقط برای راهنمایی هستند. برخی تحقیقات نشان می دهد که ترکیبی از مسئولیت های توزیع شده و فقدان آینده نگری در مورد پیامدهای بالقوه برای جلوگیری از آسیب به جامعه مفید نیست.
برای اجاره سرورهای ارزان پشت این شکل کلیک کنید.
تجربه استفاده از لپتاپ و سرور ارزان و قدرتمند با استفاده از سرورهای شبیه سازان
اینجا کلیک کنید
11 دیدگاه
به گفتگوی ما بپیوندید و دیدگاه خود را با ما در میان بگذارید.
Wow Thanks for this review i find it hard to get excellent answers out there when it comes to this subject material thank for the blog post website
Wow Thanks for this article i find it hard to come across good quality data out there when it comes to this material appreciate for the publish site
Wow Thanks for this site i find it hard to see excellent resources out there when it comes to this content thank for the guide website
Wow Thanks for this article i find it hard to get a hold of good specifics out there when it comes to this subject matter thank for the publish site
Wow Thanks for this thread i find it hard to find awesome advice out there when it comes to this subject material thank for the publish website
Wow Thanks for this write-up i find it hard to acquire great resources out there when it comes to this content appreciate for the write-up site
nice blog mate.. amazing content.. this one i search for. thank you
Wow Thanks for this piece of writing i find it hard to come across great particulars out there when it comes to this subject matter appreciate for the blog post website
Wow Thanks for this page i find it hard to find awesome info out there when it comes to this blog posts thank for the publish website
Wow Thanks for this review i find it hard to realize beneficial answers out there when it comes to this material thank for the write-up site