یادگیری ماشین چیست؟

یادگیری ماشین

یادگیری ماشین (machine learning) یکی از کاربردهای هوش مصنوعی است که به سیستم ها امکان یادگیری از تجربه هایشان را می دهد. در فن آوری یادگیری ماشین الگوریتم ها داده های ورودی را دریافت می کنند و از روشهای متعددی برای پیش بینی خروجی استفاده می کنند.

فرایند به کار رفته در روش های یادگیری ماشین مشابه داده کاوی است، به این صورت که الگوریتم برای یافتن خروجی، در میان داده ها به دنبال الگوها می گردد و از این طریق خروجی را تولید می کند. وقتی که در اینترنت تبلیغی را مشاهده می کنید که مرتبط با خرید شماست، در واقع با فن آوری یادگیری ماشین مواجه هستید. در این نوع از تبلیغات از سیستم های توصیه گر استفاده می شود تا با استفاده از یادگیری ماشین تبلیغات را شخصی سازی کنند.

مثال هایی از یادگیری ماشین

کاربردهای یادگیری ماشین بسیار زیاد هستند. از کشاورزی و پزشکی گرفته تا بانکداری و بیمه را در بر می گیرند. در ادامه مثال هایی از بکارگیری یادگیری ماشین در دنیای واقعی لیست شده اند.

  • ماشین های خودران گوگل نمونه هایی از کاربردهای یادگیری ماشین هستند.
  • سیستم های توصیه گری که در سایت هایی مانند آمازون و نت فلیکس استفاده می شوند.
  • نظرکاوی که به تجزیه و تحلیل داده های کاربران می پردازد.
  • شناسایی کلاهبرداری یکی از کاربردهای رایج یادگیری ماشین است.

چه کسانی از فن آوری یادگیری ماشین استفاده می کنند؟

بیشتر صنایعی که با داده های انبوه مواجه هستند ارزش یادگیری ماشین را شناخته اند. سازمان ها با به کارگیری یادگیری ماشین، خیلی کارامدتر از گذشته کار می کنند و به ارزش های رقابتی بیشتری دست می یابند.

سرویس های مالی: بانک ها و سازمان های مالی، از یادگیری ماشین به منظور انجام دو فرایند کلیدی استفاده می کنند: دستیابی به بینشی نسبت به داده ها و جلوگیری از کلاهبرداری. این بینش می تواند به شناسایی فرصت ها و سرمایه گذاران مناسب کمک کند و اگر در جایی احتمال وجود کلاهبرداری بود، هشدارهای لازم را بدهد.

مراکز بهداشتی درمانی: به مدد ابزارهای قابل پوشیدن و سنسورها، یادگیری ماشین می تواند داده های مربوط به وضعیت سلامتی افراد را به صورت بلادرنگ دریافت کند. همچنین متخصصان با کمک این فن آوری می توانند داده ها را به منظور یافتن روش درمانی بهتر، تجزیه و تحلیل کنند.

خرده فروشی: سایت هایی که کالایی را مطابق خرید قبلی خریدار، به او پیشنهاد می دهند از یادگیری ماشین استفاده می کنند. خرده فروشان می توانند از یادگیری ماشین برای جمع آوری داده ها ،تحلیل آنها و ایجاد قیمت های بهینه، برنامه ریزی زنجیره ی تامین و موارد دیگر استفاده کنند.

نفت و گاز: یافتن منابع انرژی، تحلیل معادن، پیش بینی خرابی در سنسورهای پالایشگاه، ساده کردن توزیع نفت از جمله کاربردهای یادگیری ماشین در این حوزه است.

حمل و نقل: یادگیری ماشین به یافتن مسیرهای بهینه تر در صنعت حمل و نقل یاری می رساند.

روش های یادگیری ماشین

دو روش اصلی یادگیری ماشین روش نظارتی و بدون نظارت هستند. البته روشهای دیگری نیز وجود دارند که در ادامه به بررسی تعدادی از آن ها می پردازیم.

روشهای نظارتی: روشهای نظارتی الگوریتم هایی هستند که از داده های برچسب دار برای آموزش استفاده می کنند. تعدادی داده ی برچسب دار با خروجی مشخص به عنوان ورودی به الگوریتم داده می شود. الگوریتم نیز برای شناسایی خروجی داده های جدید به بررسی داده های قبلی می پردازد و با تطبیق دادن این داده ی جدید با داده های موجود خروجی را تولید می کند. در کنار این موارد، الگوریتم دائما در حال یادگیری است. از داده های جدید یاد می گیرد و برای پیش بینی خروجی های دیگر از این داده ها استفاده می کند.

روش های بدون نظارت: در این روش از داده های برچسب دار به عنوان ورودی استفاده نمی شود. هدف از این الگوریتم ها بررسی داده های ورودی و یافتن ساختار آن است. این روش برای بررسی داده های مربوط به تراکنش ها مناسب است. برای مثال، می توان بخشی از مشتریان که رفتار مشابهی دارند یا ویژگی های آن ها را شناسایی کرد.

روشهای نیمه نظارتی: مانند روشهای نظارتی هستند با این تفاوت که هم از داده های برچسب دار و هم بدون برچسب استفاده می کنند. این روش برای زمانی مناسب است که هزینه ی برچسب زنی بسیار زیاد می شود. در نتیجه فقط تعدادی از داده های ورودی برچسب دار می شوند. یکی از مثال های این روش شناسایی تصویر فرد در وب کم است.

یادگیری تقویتی: بیشتر در رباتیک و بازی سازی استفاده می شود. در این روش، الگوریتم با آزمون و خطا، فعالیت هایی که بیشترین پاداش را دریافت می کنند شناسایی می کند. در یادگیری تقویتی  سه قسمت اصلی داریم: عامل(تصمیم گیرنده یا یادگیرنده)، محیط (هر چیزی که عامل با آن تعامل دارد) و عملیات (کارهایی که عامل انجام می دهد). هدف عامل یافتن فعالیت هایی است که پاداش را زیاد می کند. اگر فعالیت ها به درستی انتخاب شوند، عامل می تواند با دنبال کردن آنها با زمان کمتری به هدف خود برسد.

منبع یک، منبع دو، منبع تصویر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *