یادگیری ماشین به زبان ساده به چه معناست و چه مراحلی دارد؟

یادگیری ماشین به زبان ساده یعنی چه؟ در این مطلب سعی کرده‌ایم با زبانی ساده یکی از فناوری‌های روز دنیا را توضیح دهیم و بگوییم جایگاه آن در هوش مصنوعی کجاست و چه تفاوت‌هایی با هوش مصنوعی دارد و چه کاربردهایی دارد.

یادگیری ماشین به زبان ساده

با اینکه بیشتر مردم این نکته را نمی‌دانند، یادگیری ماشین به‌شدت فراگیر شده است. چه خبر داشته باشید چه نه، یادگیری ماشین یا Machine Learning بسیاری از برنامه‌های کاربردی را که هر روز از آن‌ها استفاده می‌کنید کنترل می‌کند. امروزه یادگیری ماشین صنایع بی‌شماری را متحول کرده است. این فناوری زیربنایی برای بسیاری از برنامه‌های تلفن هوشمند ماست، از دستیارهای مجازی مانند Siri گرفته تا پیش‌بینی الگوهای ترافیک با Google Maps.

شاید به‌عنوان یک غیرمتخصص تنها چیزی که برای‌تان مهم است این باشد که برنامه‌های کاربردی خوب و با دقت و کارایی بالا در گوشی هوشمندتان داشته باشید و خیلی علاقه‌ای به دانستن پشت‌پرده‌ی این نرم‌افزارها نداشته باشید، اما اگر قصد دارید در حوزه‌ی تکنولوژی فعالیت کنید، باید مفهوم یادگیری ماشین را بدانید؛ زیرا خواسته یا ناخواسته، با آن درگیر خواهید بود. کاربردهای یادگیری ماشین روزبه‌روز در حال افزایش است و به‌نوعی تمامی صنایع را دربرخواهد گرفت.
حال بیایید باهم تعاریف ساده‌ای از یادگیری ماشین را بررسی کنیم.

تعاریف ساده از یادگیری ماشین

اگر بخواهیم خیلی ساده یادگیری ماشین را تعریف کنیم، یادگیری ماشین وظیفه‌ی هوشمندترکردن کامپیوترها بدون آموزش صریح به آن‌ها درمورد چگونگی رفتارشان است. ماشین این کار را با شناسایی الگوها در داده‌ها انجام می‌دهد، به‌ویژه برای داده‌های متنوع و با ابعاد بالا، مانند تصاویر و سوابق سلامتی بیمار.

در اصطلاح کلاسیک، یادگیری ماشین نوعی هوش‌مصنوعی است که امکان یادگیری خود از داده‌ها را فراهم می‌کند و سپس آن یادگیری را بدون نیاز به دخالت انسان روی وظیفه‌ی دیگری اعمال می‌کند.

به‌طور کلی، یادگیری ماشین زیرمجموعه‌ای از علوم کامپیوتر یا Computer Science است که اعمال مفاهیم آماری روی داده‌های مشاهده‌شده برای تولید فرایندی را شامل است که می‌تواند در انتها به انجام‌دادن برخی وظایف دست یابد.

جایگاه یادگیری ماشین در هوش مصنوعی

در این بخش می‌خواهیم بدانیم که یادگیری ماشین دقیقاً کجای حوزه‌ی هوش‌مصنوعی قرار دارد؟ چه ارتباطی میان هوش مصنوعی و یادگیری ماشین وجود دارد؟ آیا این دو یک چیز هستند؟

درواقع یادگیری ماشین زیرشاخه‌ای از هوش مصنوعی است که به‌طور کلی به‌عنوان توانایی ماشین برای تقلید از رفتار هوشمند انسان تعریف می‌شود. سیستم‌های هوش مصنوعی به‌منظور انجام‌دادن وظایف پیچیده، به‌روشی مشابه نحوه‌ی حل مشکلات انسان‌ها، استفاده می‌شوند.

هدف هوش‌مصنوعی ایجاد مدل‌های کامپیوتری است که مانند انسان «رفتارهای هوشمند» انجام می‌دهند. این به‌معنای ماشین‌هایی است که می‌توانند یک صحنه‌ی بصری را تشخیص دهند، متنی را که به‌زبان طبیعی نوشته شده است بفهمند یا عملی را در دنیای فیزیکی انجام دهند.

یادگیری ماشین یکی از راه‌های استفاده از هوش‌مصنوعی است. در دهه‌ی ۱۹۵۰ آرتور ساموئل (Arthur Samuel)، پیشگام هوش مصنوعی، یادگیری ماشین را به‌عنوان «رشته‌ی تحصیلی‌ای که به رایانه‌ها توانایی یادگیری بدون برنامه‌ریزی صریح را می‌دهد» تعریف کرد.

پس می‌توان گفت یادگیری ماشین جزوی از هوش مصنوعی محسوب می‌شود که به ما این امکان را می‌دهد تا بتوانیم به اهدافی که هوش مصنوعی دنبال می‌کند دست یابیم؛ پس نمی‌توانیم این دو را جدا از هم در نظر بگیریم. یادگیری ماشین هم بخش کوچکی از هوش مصنوعی است که امروزه بسیار در دست‌یابی به اهداف مدنظر در حوزه‌ی هوش مصنوعی به کمک محققان آمده است.

مراحل یادگیری ماشین به زبان ساده

مرحله‌های یادگیری ماشین به‌صورت خلاصه و با زبانی ساده از این قرار است:

مرحله‌ی ۱: جمع‌آوری داده‌ها

با توجه به مسئله‌ای که می‌خواهیم حل کنیم، باید داده‌هایی را تجزیه‌وتحلیل و جمع‌آوری کنیم و آن‌ها را به مدل خود ارائه کنیم. کیفیت و کمیت اطلاعاتی که به دست می‌آوریم بسیار مهم است؛ زیرا به‌طور مستقیم بر عملکرد مدل‌مان تأثیر می‌گذارد. ممکن است این اطلاعات را در یک پایگاه داده موجود داشته باشیم یا لازم باشد آن را از اول ایجاد کنیم.

مرحله‌ی ۲: آماده‌سازی داده

اکنون زمان خوبی است تا داده‌های خود را نمایش دهیم (Visualize) و بررسی کنیم که آیا بین فیچرهای (Feature) مختلفی که به دست آورده‌ایم، همبستگی وجود دارد یا خیر. انتخاب فیچرها ضروری است؛ زیرا فیچرهایی که انتخاب می‌کنید مستقیماً بر زمان اجرا و نتایج تأثیر می‌گذارند.

علاوه‌براین باید میزان داده‌ها را برای هر کلاس متعادل کنیم؛ زیرا ممکن است یادگیری به سمت نوعی پاسخ جهت‌گری کند و مدل نتایج دقیقی ارائه نکند. همچنین در این مرحله باید داده‌ها را به دو گروه تقسیم کنیم: یکی برای آموزش و دیگری برای ارزیابی مدل که می‌تواند تقریباً به نسبت ۸۰/۲۰ تقسیم شود، اما بسته به مورد و حجم داده‌ها می‌تواند متفاوت باشد.

مرحله‌ی ۳: انتخاب مدل

مدل‌های مختلفی وجود دارد که می‌توانیم با توجه به هدفی که داریم آن‌ها را انتخاب کنیم.

درواقع بسته به داده‌هایی که قرار است پردازش کنیم، مانند تصاویر، صدا، متن و مقادیر عددی، مدل‌های مختلفی وجود دارد.

مرحله‌ی ۴: آموزش مدل

در این مرحله باید مجموعه‌داده‌ی خود را آموزش دهیم تا شاهد بهبود تدریجی در نرخ پیش‌بینی باشیم. به یاد داشته باشید که وزن‌های مدل خود را به‌صورت تصادفی مقداردهی کنید. وزن‌ها مقادیری هستند که بر روابط بین ورودی‌ها و خروجی‌ها تأثیر می‌گذارند؛ هر چه بیشتر آن‌ها را آموزش دهیم، به‌طور خودکار الگوریتم انتخاب‌شده آن‌ها را تنظیم می‌کند.

مرحله‌ی ۵: ارزیابی

حال باید عملکرد مدل ایجادشده را دربرابر مجموعه‌داده‌های ارزیابی که حاوی ورودی‌هایی است که مدل از قبل ندیده است بررسی کنیم و دقت مدل از قبل آموزش‌دیده‌مان را مشخص کنیم. اگر دقت کمتر یا مساوی ۵۰ درصد باشد، آن مدل مفید نخواهد بود؛ زیرا این موضوع مانند این است که برای تصمیم‌گیری یک سکه پرتاپ کنیم. اگر به ۹۰ درصد یا بیشتر برسیم، می‌توانیم به نتایجی که مدل می‌دهد اطمینان داشته باشیم.

مرحله‌ی ۶: تنظیم پارامتر

اگر در حین ارزیابی، پیش‌بینی‌های خوبی به دست نیاوریم و دقت مدل‌مان حداقل مدنظر نباشد، این امکان وجود دارد که مشکلات بیش‌برازش (Overfitting) یا کم‌برازش (Underfitting) داشته باشیم. در این صورت باید برخی از پارامترهای مدل را تغییر دهیم تا مشکل حل شود.

مرحله‌ی ۷: پیش‌بینی یا استنتاج

اکنون آماده‌ی استفاده از مدل یادگیری ماشین خود برای استنباط نتایج در سناریوهای واقعی هستیم.

برای آشنایی بیشتر با یادگیری ماشین این مطلب را مطالعه کنید:

یادگیری ماشین (Machine Learning) چیست و چگونه کار می‌کند؟

یادگیری علم داده و یادگیری ماشین در کافه‌تدریس

اگر دوست دارید به دنیای علم داده و یادگیری ماشین وارد شوید، کافه‌تدریس یکی از بهترین گزینه‌های شماست. ما در کافه‌تدریس ۱۶۰ ساعت آموزش کاملاً کارگاهی و صفر تا صدی را در قالب کلاس آنلاین و ویدئوهای آموزشی ارائه می‌کنیم.

شرکت در این کلاس‌های آنلاین و استفاده از ویدئوهای آموزشی، در کنار مشاوره مستمر و وبینارهای منظم آموزشی، به‌همراه کار روی پروژه‌های واقعی، به شما کمک می‌کند ضمن یادگیری علم داده و یادگیری ماشین، بتوانید رزومه و پروفایل خود را به‌صورت تخصصی تکمیل کنید و به دنیای جذاب دیتاساینس وارد شوید.

برای آشنایی با دوره‌های جامع یادگیری علم داده کافه‌تدریس روی این لینک کلیک کنید:

کلاس‌های آنلاین علم داده کافه‌تدریس