کاربرد و اهمیت یادگیری ماشین چیست؟ انتخاب مدل صحیح آن | آسمونی
کد مطلب: 61473 درج نظر
زمان مطالعه: 5 دقیقه
یادگیری ماشین چیست؟

یادگیری ماشین چیست؟

یادگیری ماشین نوعی هوش مصنوعی است که به کاربردهای نرم افزاری این امکان را می دهد تا در پیش بینی خروجی ها، بدون برنامه دقیق برای انجامشان، دقیق تر شوند.
زمان مطالعه: 5 دقیقه

الگوریتم های یادگیری ماشین از داده های تاریخی بعنوان ورودی استفاده می کنند تا بتوانند مقادیر خروجی جدید را پیش بینی کنند. موتورهای پیشنهادی نیز یک نوع کاربرد رایج برای  یادگیری ماشین هستند. موارد دیگر هم شامل شناسایی کلاهبرداری، فیلترینگ اسپم، شناسایی تهدید بدافزار، اتوماسیون پروسه کسب و کار (BPA) و نگهداری و تعمیرات پیشگویانه می شوند. در ادامه، آسمونی جنبه های مهم یادگیری ماشین را شرح می دهد.

اهمیت یادگیری ماشین

یادگیری ماشین اهمیت بسزایی دارد زیرا به سرمایه گذاران یک دید وسیعی از عملکرد مشتری و الگوهای عملیاتی کسب و کار ارائه می دهد؛ همچنین از توسعه و پیشرفت محصولات جدید حمایت می کند. بیشتر کمپانی های پیشتاز امروزی، مانند فیسبوک، گوگل و اوبر، یادگیری ماشین را به یک بخش مرکزی از عملیات های خود تبدیل کرده اند. یادگیری ماشین به یک وجه تمایز رقابتی چشمگیر برای بیشتر کمپانی ها تبدیل شده است.

انواع مختلف یادگیری ماشین

یادگیری ماشین کلاسیک اغلب توسط چگونگی یادگیری الگوریتم برای دقیق تر شدن در پیش بینی هایش دسته ­بندی می­ شود. چهار رویکرد اصلی وجود دارد:

  • یادگیری نظارتی
  • یادگیری غیرنظارتی
  • یادگیری شبه-نظارتی
  • یادگیری تقویتی

برخی از دانشمندان داده الگوریتم تصمیم می گیرند که بر اساس نوع داده هایی که قصد پیش ­بینی دارند از آنها استفاده کنند.

چه کسانی از یادگیری ماشین استفاده می کنند؟

امروزه یادگیری ماشین در دامنه گسترده ای از کاربردها مورد استفاده قرار می گیرد. احتمالاً یکی از معروف ترین نمونه های  یادگیری ماشین، "موتور پیشنهادی" (recommendation motor) است که خوراک (feed) اخبار فیسبوک را تامین می کند.

موتور پیشنهادی

فیسبوک از یادگیری ماشین برای شخصی سازی ارائه خوراک (feed) اعضا با یکدیگر استفاده می کند. اگر یک فرد بارها برای پست های گروهی خاص سر میزند، موتور پیشنهادی شروع به نمایش فعالیت بیشتری از گروه برای او می کند.

از طرفی دیگر، این موتور سعی دارد تا الگوهای معروف را در عملکرد آنلاین افراد تقویت کند. آیا افراد باید الگوها را تغییر دهند و خواندن پست ها از همان گروه را در هفته های بعدی از دست بدهند؟ در اینجاست که خوراک (feed) اخبار به همین ترتیب تنظیم خواهد شد.

علاوه بر موتورهای پیشنهادی، مواردی از جمله گزینه های زیر از یادگیری ماشین استفاده می کنند:

  • مدیریت رابطه مشتری
  • هوش تجاری
  • سیستم های اطلاعات منبع انسانی
  • ماشین های بدون راننده
  • همیاران مجازی

مزیت ها و معایب یادگیری ماشین

یادگیری ماشین در مواردی در زمینه پیش بینی عملکرد مشتری برای شکل دهی سیستم عامل خودروهای بدون راننده به کار رفته است.

هنگامی که بحث مزایا پیش می آید، یادگیری ماشین می تواند به درک عمیق تر سرمایه گذاران از مشتریان کمک کند. الگوریتم های یادگیری ماشین با جمع آوری داده های مشتری و مرتبط سازی آن با رفتارها با گذشت زمان، می تواند مشارکت های یادگیری را یاد بگیرد و به تیم ها در تنظیم توسعه محصول و نوآوری های بازاریابی طبق نیاز مشتری یاری رساند.

اما یادگیری ماشین معایبی هم دارد. اول از همه، می تواند هزینه گزافی داشته باشد. پروژه های یادگیری ماشین معمولاً توسط دانشمندان داده ایجاد می شوند، و آنها هم خواستار حقوق بالایی هستند. همچنین این پروژه ها مستلزم زیرساختار نرم افزاری گران قیمت هستند.

چگونگی انتخاب مدل صحیح یادگیری ماشین:

فرایند مدل مناسب یادگیری ماشین در صورتی که بصورت استراتژیک انتخاب نشود برای حل یک مسئله می تواند زمان بر باشد.

مرحله 1: مسئله را با ورودی های داده های احتمالی که باید برای راه حل مدنظر قرار گیرند ترتیب دهید. این مرحله مستلزم کمک از جانب دانشمندان و کارشناسان داده که دارای درک عمیقی از مسئله اند می باشد.

مرحله 2: جمع آوری داده، فرمت سازی آن و برچسب گذاری داده در صورت لزوم. این مرحله معمولاً توسط دانشمندان داده، با کمک مسئولان داده انجام می شود.

مرحله 3: انتخاب الگوریتم یا الگوریتم ها برای کاربرد و آزمودن برای درک چگونگی اجرای آنها. این مرحله معمولاً توسط دانشمندان داده انجام می شود.

مرحله 4: به تنظیم دقیق خروجی ها ادامه می دهد تا وقتی که آنها به سطح قابل قبولی از دقت برسند. این مرحله معمولاً توسط فیدبک کارشناسانی که دارای درک عمیقی از مسئله هستند انجام می شود.

آینده یادگیری ماشین چگونه خواهد بود؟

ضمن اینکه الگوریتم های یادگیری ماشین چند دهه است که ایجاد شده، اما آنها بعنوان هوش مصنوعی به تازگی به شهرت رسیده اند.

پلتفرم های یادگیری ماشین در میان رقابتی ترین حوزه های سرمایه گذاری، با اکثر فروشندگان ازجمله آمازون، گوگل، مایکروسافت، آی.بی.ام (IBM) و غیره قرار دارند و قصد دارند تا به مشتریان سرویس هایی را ارائه دهند که تمام دامنه فعالیت های یادگیری ماشین را ازجمله جمع آوری داده، پیش بینی داده، دسته بندی داده، ساخت مدل، آموزش و بکارگیری برنامه پوشش دهد.

تکامل یادگیری ماشین

1642:

Blaise Pascal یک ماشین مکانیکی را اختراع کرد که می توانست عملیات جمع، تفریق، ضرب و تقسیم را انجام دهد.

1679:

Gottfried Wihelm Leibniz سیستم کد باینری را ابداع کرد.

1834:

Charles Babbage ایده ای برای دستگاه چندکاره عمومی به ذهنش رسید تا بتواند با کارت های پانچ شده برنامه ریزی شود.

1842:

Ada Lovelace توالی عملیات هایی را برای حل مسائل محاسباتی با استفاده از نظریه ماشین کارت-پانچی چارلز بابیج شرح داد و نخستین برنامه نویس شد.

1847:

George Boole منطق بولین را ایجاد کرد، که شکلی از جبر است که در آن تمام مقادیر می توانند به منظور صحت یا غلط بودن مقادیر باینری کاهش یابند.

1936:

منطق دان انگلیسی و رمزنگار Alan Turing یک ماشین کلی را مطرح کرد که می توانست مجموعه ای از دستورالعمل ها را رمزگشایی و اجرا کند. اثبات نشرشده او متشکل از اساس دانش کامپیوتری است.

1952:

Arthur Samuel برنامه ها را برای کمک به آی.بی.ام (IBM) کامپیوتر ساخت تا در بررسی هایی که انجام می داد ارتقا یابد.

1952:

Madaline نخستین شبکه عصبی مصنوعی شد که برای مسئله دنیای حقیقی به کار رفت: این کار با حذف پیام ازخطوط تلفن محقق یافت.

1985:

شبکه عصبی مصنوعی Terry Sejnowski's و Charles Rosenberg برای تلفظ صحیح 20.000 واژه در یک هفته ارتقا یافت.

1997:

IBM's Deep Blue استادبزرگ شطرنجGarry Kasparov  را شکست داد.

1999:

 کارگاه هوشمند نمونه اولیه  CAD عکس ماماگرام 22.000 خانم را بررسی کرد و 52% سرطان را نسبت به رادیولوژی ها بصورت دقیق تر پیدا کرد.

2006:

Geoffrey Hinton دانشمند کامپیوتر، عبارت "یادگیری عمیق" (Deep learning) را ابداع کرد تا جستجوی شبکه عصبی را شرح دهد.

2012:

یک شبکه عصبی غیرنظارتی که توسط گوگل ایجاد شد، برای تشخیص دسته بندی ها در ویدئوهای یوتیوب با 74.8% صحت یادگیری را انجام داد.

2014:

یک "ربات چت" (chattbot) آزمون را با ارائه 33% از قضاوت های انسانی گذراند که یک نوجوان اوکراینی با نام Eugene Goostman بود.

2014:

Google's AlphaGo از رقابت انسانی در Go دفاع کرد، Go دشوارترین بازی تخته در جهان است.

2016:

سیستم هوش مصنوعی DeepMind، LipNet، واژه های لبخوانی در ویدئو را با صحت 93.4% شناسایی کرد.

2019:

آمازون 70% از سهام بازار را برای همکاران مجازی در ایالات متحده کنترل کرد.

www.Asemooni.com

: برای دریافت مشاوره درباره یادگیری ماشین چیست؟ فرم زیر را تکمیل کنید
پرداخت هزینه مشاوره

معرفی نویسنده:

فارغ‌التحصیل از رشته کارشناسی مترجمی زبان انگلیسی از دانشگاه آبادان
شیفته کتاب، سفر و دلخوشی‌های کوچک
Change YOURSELF; So You Have Done Your Part In Changing The WORLD! ✌

ثبت نظر درباره «یادگیری ماشین چیست؟»

دیدگاه خود را در کادر زیر بنویسید

7 - 3 = ?