از لحاظ مفهومی، ماشین لرنینگ (Machine Learning) یا یادگیری ماشینی زیر مجموعه ای از هوش مصنوعی (Artificial Intelligence) یا به اختصار AI به حساب می آید.
در این ساختار، «هوش مصنوعی» به معنی سیستم یا برنامه ای است که می تواند عملکردی مشابه انسان داشته باشد.
فهرست عناوین این مطلب
ماشین لرنینگ چیست؟
ماشین لرنینگ به عنوان بخشی از هوش مصنوعی، شامل سیستم هایی است که توانایی یادگیری دارند. این یادگیری می تواند با و یا بدون حضور یک مربی یا ناضر باشد که در ادامه توضیح داده می شود.
یادگیری عمیق (Deep Learning) چیست؟
همانطور که در تصویر مشاهده می شود، بخش بندی بعدی مربوط به دیپ لرنینگ است. سیستم های یادگیری عمیق مبتنی بر شبکه های عصبی (Neural Network) هستند. این مبحث خود شامل دوره ها و منابع آموزشی مستقلی می شود.
سه الگوریتم پایه در یادگیری ماشین (ماشین لرنینگ)
به طور کلی متناسب با اینکه یادگیری در ماشین لرنینگ به چه طریقی انجام می شود، سه نوع یادگیری در این علم، مطرح می شود.
یادگیری با ناظر (Supervised Learning – Inductive)
در الگوریتم های ماشین لرنینگ سوپروایزد، خروجی هایی که برای هر داده ورودی باید به دست بیاید، مشخص شده اند. به بیان دیگر هدف اصلی در Supervised Learning ارایه یک تابع است که بتواند با دریافت وروردی، به خروجی از پیش تعیین شده برسد.
در این الگوریتم های یادگیری با ناظر،تا زمانی که مدل ساخته شده به سطح مورد نظری از دقت در دستیابی به خروجی های از پیش تعیین شده برد، فرآیند یادگیری ادامه پیدا می کند. در ادامه مثال هایی از Supervised Learning معرفی می شود:
- Regression
- Decision Tree
- Random Forest
- KNN
- Logistic Regression
الگوریتم Supervised Learning خود به دو شاخه اصلی زیر تقسیم می شوند:
- رگرشن (با تلفظ انگلیسی) یا رگرسیون (با تلفظ فرانسوی) (Regression)
- رده بندی (Classification)
یادگیری بدون ناظر (Unsupervised Learning – Inductive)
در یادگیری بدون ناظر، داده های ورودی به سیستم داده می شوند ولی خروجی نهایی مثل الگوریتم های Supervised Learning از پیش مشخص و آماده نیست. این خود سیستم است که باید بتواند بر اساس ساختار و الگوی داده های ورودی و روش آزمون و خطا، خروجی را ایجاد کند. در واقع در Unsupervised Learning برخلاف Supervised Learning پیشبینی یا برآورد، انجام نمی شود. در ادامه مثال هایی از Unsupervised Learning معرفی می شود:
- Apriori algorithm
- K-means
* از الگوریتم های Unsupervised Learning اغلب برای خوشه بندی (Clustering) داده ها استفاده می شوند.
یادگیری نیمه نظارتی (Semi Supervised Learning – Inductive) یا یادگیری تقویتی (Reinforcement Learning)
در یادگیری نیمه نظارتی، ماشین یاد می گیرد که تصمیم مشخصی را اتخاذ نماید. روند انجام کار در Semi Supervised Learning به این صورت است که ماشین همواره با استفاده از روش صحیح و خطا و کسب تجربه به دانش بیشتری دست یافته و سعی می کند در هر زمان دقیقترین جواب ممکن را ارایه کند. در ادامه مثال هایی از Semi Supervised Learning معرفی می شود:
- Markov Decision Process
در ادامه برای جمع بندی مطالب گفته شده، دو مثال مطرح می کنیم.
1. مثالی از یادگیری ماشین با ناظر (Supervised Learning)
مجموعه ای داده شامل متراژ و قیمت تعدادی خانه است. وروردی مدل ماشین لرنینگ، متراژ خانه ها و خروجی آن قیمت خانه ها است. به بیانی دیگر در فاز آموزش و یادگیری ماشین، داده های ورودی برچسب گذاری شده اند و قیمت هر خانه از پیش مشخض شده است.
در این مثال انتظار می رود که سیستم طراحی شده بتواند متراژ یک خانه را به عنوان ورودی گرفته و قیمت آن را به عنوان خروجی تخمین بزند. در واقع، در Supervised Learning پیش بینی و تخمین مطرح است. برای مثال:
- خانه A به مساحت 1متر قیمت 1000 تومان
- خانه B به مساحت 2متر قیمت 2000 تومان
- خانه C به مساحت 3متر قیمت 3000 تومان
تابع مورد نظر باید با توجه به داده های بالا باید رابطه بین قیمت و متراژ را به دست بیاورد و بتواند قیمت خانه D به مساحت 5 متر را محاسبه کند. در این مثال از رگرسیون (Regression) استفاده می شود و تابع هدف نیز به صورت پیوسته است.
اگر بخواهیم داده ها را رده بندی کنیم از Classification استفاده می کنیم. مثلا داده ها را به این صورت برچسب گذاری می کنیم که خانه های پایین تر از 2.500 تومان ارزان و بالای 2.500 تومان گران قیمت در نظر گرفته بشوند. حال مدل ساخته شده باید بتواند تشخیص دهد که خانه D با توجه به قیمت محاسبه شده گران است یا ارزان.
در رده بندی (Classification) تابع هدف مقدار گسسته می گیرد.
2. مثالی از یادگیری ماشین بدون ناظر (Unsupervised Learning)
در الگوریتم های خوشه بندی (Clustering) به عنوان نمونه ای از الگوریتم های ماشین لرنینگ بدون ناظر، هدف گروه بندی داده ها بر اساس ماهیت آن ها و متناسب با خواسته ما از سیستم است. در این الگوریتم برای مثال مجموعه ای از اشکال مختلف بدون هیچگونه طبقه بندی از پیش تعیین شده و قانون مشخص به عنوان ورودی به سیستم داده می شوند. در یادگیری ماشین بدون ناظر، سیستم با توجه به بررسی داده های وروردی الگوهایی برای خوشه بندی داده ها ارایه می کند.
