علوم کامپیوتری, مقالات
یادگیری ماشین چیست؟ انواع، کاربرد، مزایا ومعایب
مرداد
یادگیری ماشین چیست؟ انواع، کاربردها و مزایا ومعایب
در این مقاله قصد داریم در مورد یادگیری ماشین صحبت کنیم.
فهرست مطالب
- 1- یادگیری ماشین چیست؟
- 2- زمینه های گسترش یادگیری ماشین
- 3- انواع یادگیری ماشین
- 4- کاربردهای یادگیری ماشین
- 5- مزایا و معایب یادگیری ماشین
- 6- نحوه انتخاب مدل یادگیری ماشین مناسب
- 7- آینده یادگیری ماشین
- 8- تاریخچه تکامل یادگیری ماشین
- 9- تفاوت بین هوش‌مصنوعی، یادگیری ماشین و یادگیری عمیق
1- یادگیری ماشین چیست؟
یادگیری ماشین (ML) نوعی هوش‌مصنوعی (AI) است که به برنامه‌های نرم‌افزاری اجازه می‌دهد تا در پیش‌بینی نتایج، بدون اینکه به صراحت برای این کار برنامه‌ریزی شده باشند، دقیق‌ترعمل کنند. الگوریتم‌های یادگیری ماشین از داده‌های تاریخی به عنوان ورودی برای پیش بینی مقادیر خروجی جدید استفاده‌می‌کنند. موتورهای توصیه گر یک مورد رایج برای یادگیری ماشین هستند. سایر کاربردهای محبوب عبارتند از: تشخیص تقلب، فیلتر کردن هرزنامه، شناسایی تهدید بدافزار، اتوماسیون فرآیند کسب و کار (BPA) و نگهداری و تعمیرات پیش بینانه.
یادگیری ماشین چگونه کارمیکند؟
مشابه نحوه کسب دانش و درک مغز انسان، یادگیری ماشین به ورودی‌هایی مانند داده‌های آموزشی یا نمودارهای دانش برای درک موجودیت‌ها، حوزه‌ها و ارتباطات بین آنها متکی‌است. با تعریف نهادها، یادگیری عمیق‌می‌تواند آغاز شود. فرآیند یادگیری ماشین با مشاهدات یا داده‌هایی مانند نمونه‌ها و مثال‌ها، تجربه‌های مستقیم یا دستورالعمل ها آغاز می‌شود. به این ترتیب که پس از دریافت اطلاعات، به دنبال الگوهایی در داده‌ها می گردد تا بتواند براساس مثال‌های ارائه شده‌استنتاج کند. هدف اصلی یادگیری ماشین این‌است که به رایانه‌ها اجازه دهد به طور مستقل و بدون دخالت یا کمک انسان، یاد بگیرند و اقدامات لازم را براساس آموزه‌های خود تدبیر و تنظیم کنند.
چرا یادگیری ماشین مهم‌است؟
یادگیری ماشین به عنوان یک مفهوم، مدت زیادی‌است که وجود داشته‌است. اصطلاح “یادگیری ماشین” توسط‌آرتور ساموئل، دانشمند کامپیوتر در IBM و پیشگام در هوش‌مصنوعی و بازی‌های کامپیوتری ابداع شد. ساموئل یک برنامه کامپیوتری برای بازی چکرز طراحی کرد.به این صورت که با هرچه بیشتر اجرا شدن برنامه، الگوریتم‌های پیش‌بینی، بیشتر از الگوها و تجربه ها یاد می‌گرفتند.
به عبارت دیگر، یادگیری ماشین، تجزیه و تحلیل و ساخت الگوریتم‌هایی را بررسی‌می‌کند که‌می‌توانند از داده‌ها یاد بگیرند و پیش بینی کنند.از این رو، یادگیری ماشین بسیارمهم است، چراکه به شرکت‌ها دیدی از روند رفتار مشتری و الگوهای عملیاتی تجاری‌می‌دهد و همچنین از توسعه محصولات جدید پشتیبانی‌می‌کند. بسیاری از شرکت‌های پیشرو امروزی، مانند فیسبوک، گوگل و اوبر، یادگیری ماشین را به بخش مرکزی عملیات خود تبدیل کرده‌اند.یادگیری ماشین برای بسیاری از شرکت‌ها به یک تمایز رقابتی مهم تبدیل شده‌است.چراکه‌می‌تواند مشکلات و مسائل مطرح شده را با سرعت و مقیاسی حل کند که توسط‌ذهن انسان، آن هم به تنهایی قابل انجام نیست.با مقادیر عظیمی از توانایی محاسباتی برای یک کار واحد یا چندین کار خاص، می‌توان ماشین‌ها را برای شناسایی الگوها و روابط بین داده‌های ورودی و خودکارسازی فرآیندهای معمول آموزش داد.
داده‌ها به عنوان کلید هستند:
الگوریتم‌هایی که یادگیری ماشین را هدایت می‌کنند، برای دستیابی به موفقیت بسیار مهم هستند. الگوریتم‌های یادگیری ماشین یک مدل ریاضی را، بر اساس داده‌های نمونه که به عنوان «داده‌های آموزشی» شناخته‌می‌شوند، می‌سازند تا بدون برنامه‌ریزی صریح، پیش‌بینی یا تصمیم‌گیری کند. این ویژگی‌می‌تواند گرایش‌هایی را در داده‌ها نشان‌دهد که کسب‌وکارها می‌توانند‌از آنها برای بهبود تصمیم‌گیری و بهینه‌سازی راندمان خود استفاده‌کنند.
پایه هوش‌مصنوعی:
یادگیری ماشین پایه و اساس سیستم‌های هوش‌مصنوعی را که فرآیندها را خودکار می‌کنند و مشکلات کسب وکار مبتنی بر داده را به‌طور مستقل حل‌می‌کنند، فراهم‌می‌کند. این ویژگی، شرکت‌ها را قادر می سازد تا توانایی‌های انسانی خاص را جایگزین یا تقویت کنند. برخی از برنامه‌های رایج یادگیری ماشین که ممکن‌است در دنیای واقعی دیده شوند، عبارتند از ربات‌های چت، ماشین‌های خودران و تشخیص‌گفتار.
2- زمینه های گسترش یادگیری ماشین
یادگیری ماشین، علمی تخیلی نیست و در حال حاضر به طور گسترده توسط‌بسیاری از مشاغل، برای پیشبرد نوآوری و افزایش کارایی فرآیند، استفاده‌می‌شود. در سال 2021، 41 درصد از شرکت‌ها در نتیجه همه‌گیری، به گسترش هوش‌مصنوعی خود سرعت دادند. که البته 31 درصد از شرکت‌ها یا از قبل در حال تولید هوش‌مصنوعی بودند و یا به طور فعال فناوری‌های هوش‌مصنوعی را اجرا می‌کردند و این تازه واردان به آن ها ملحق شدند. در ادامه به بررسی زمینه هایی که به طور گسترده از یادگیری ماشین استفاده‌می‌شود، پرداخته شده‌است.
امنیت داده‌ها:
مدل‌های یادگیری ماشین می‌توانند آسیب‌پذیری‌های امنیتی داده‌ها را قبل از تبدیل شدن به نقض، شناسایی کنند. با نگاهی به تجربیات گذشته، مدل‌های یادگیری ماشین می‌توانند فعالیت‌های پرخطر آینده را پیش‌بینی کنند، و این بدان معناست که می‌توان ریسک را به طور فعال کاهش داد.
فعالییت های مالی:
بانک‌ها، کارگزاری‌های تجاری و شرکت‌ها از الگوریتم‌های یادگیری ماشین برای خودکارسازی معاملات و ارائه خدمات مشاوره مالی به سرمایه‌گذاران استفاده‌می‌کنند. به عنوان مثال، بانک آمریکا از یک ربات چت به نام اریکا برای خودکارسازی پشتیبانی مشتری استفاده‌می‌کند.
مراقبت‌های بهداشتی:
یادگیری ماشین در حوزه بهداشت نیز برای تجزیه و تحلیل مجموعه‌های عظیم داده‌های مراقبت‌های بهداشتی جهت تسریع در کشف بیماری‌ها و درمان‌ها، بهبود نتایج بیماری، و خودکارسازی فرآیندهای معمول برای جلوگیری از خطای انسانی‌استفاده می‌شود. به عنوان مثال، واتسون IBM از داده کاوی برای ارائه اطلاعات به پزشکان‌استفاده می‌کند که می‌توانند از آنها برای شخصی‌سازی درمان بیماراستفاده‌کنند.
تشخیص‌تقلب:
در بخش مالی و بانکی از هوش‌مصنوعی برای تجزیه و تحلیل مستقل تعداد زیادی از تراکنش ها، به منظور کشف فعالیت های جعلی در زمان واقعی‌استفاده می‌شود. شرکت خدمات فناوری Capgemini ادعا می‌کند که سیستم‌های تشخیص‌تقلب می‌توانند با استفاده‌از یادگیری ماشین و تجزیه و تحلیل زمان، بررسی تقلب را تا 70 درصد به حداقل برسانند و دقت‌تشخیص را تا 90 درصد بهبود بخشند.
خرده فروشی:
محققان و توسعه دهندگان هوش‌مصنوعی از الگوریتم‌های یادگیری ماشین برای توسعه موتورهای توصیه گرهوش‌مصنوعی استفاده‌می‌کنند که بر اساس انتخاب‌های گذشته خریداران و همچنین داده‌های تاریخی، جغرافیایی و جمعیتی، پیشنهادات محصول مرتبط را ارائه می‌دهند.
3- انواع یادگیری ماشین
انواع مختلف یادگیری ماشین چیست؟
یادگیری ماشین کلاسیک اغلب بر اساس نحوه یادگیری یک الگوریتم در پیش‌بینی دقیقتر، طبقه‌بندی‌می‌شود. چهار رویکرد اساسی در یادگیری ماشین وجود دارد که عبارتند از: یادگیری تحت نظارت، یادگیری بدون نظارت، یادگیری نیمه نظارتی و یادگیری تقویتی.
نوع الگوریتمی که دانشمندان داده‌های الگوریتمی، برای‌استفاده انتخاب می‌کنند بستگی به نوع داده‌هایی دارد که می‌خواهند پیش‌بینی‌کنند.
یادگیری تحت نظارت:
الگوریتم‌های یادگیری ماشین تحت نظارت، آنچه را که در گذشته آموخته‌اند، با استفاده از نمونه‌های برچسب‌گذاری‌شده برای پیش‌بینی رویدادهای آینده، روی داده‌های جدید اعمال می‌کنند. با تجزیه و تحلیل یک مجموعه داده آموزشی شناخته‌شده، الگوریتم یادگیری یک تابع استنباط شده برای پیش بینی مقادیر خروجی تولید می‌کند. این سیستم می‌تواند اهدافی را برای هر ورودی جدید پس از آموزش کافی ارائه کند.همچنین می‌تواند خروجی خود را با خروجی صحیح و مورد نظر مقایسه کند تا خطاها را پیدا کند و مدل را براساس آن اصلاح کند.
یادگیری بدون نظارت:
الگوریتم‌های یادگیری ماشین بدون نظارت زمانی استفاده‌می‌شوند که اطلاعات مورد استفاده برای آموزش نه طبقه‌بندی‌شده و نه برچسب‌گذاری شده‌باشند.در واقع، یادگیری بدون نظارت به بررسی اینکه چگونه سیستم‌ها می‌توانند تابعی را، برای توصیف یک ساختار پنهان از داده‌های بدون برچسب استنتاج‌کنند، می‌پردازد. دراین الگوریتم، در هیچ نقطه‌ای، سیستم خروجی صحیح را با قطعیت نمی‌داند و مقدار آن را از استنتاج مجموعه داده‌ها مشخص‌می‌کند.
یادگیری نیمه نظارت‌شده:
این رویکرد برای یادگیری ماشین، شامل ترکیبی از دو نوع قبلی است. دانشمندان داده، ممکن‌است الگوریتمی را در نظر بگیرند که عمدتاً داده‌های آموزشی آن برچسب‌گذاری شده‌باشند، اما این مدل آزاد است که داده‌ها را به تنهایی کشف کند و درک‌خود را از مجموعه داده‌ها توسعه‌دهد.
یادگیری تقویتی:
الگوریتم‌های یادگیری ماشین تقویتی یک روش یادگیری‌هستند که با تولید کنش‌ها و کشف خطا یا پاداش با محیط‌خود در تعامل‌هستند. مرتبط ترین ویژگی‌های یادگیری تقویتی جستجوی آزمون و خطا، و پاداش تاخیری است. این روش به ماشین‌ها و عوامل نرم‌افزار اجازه می‌دهد تا به طور خودکار رفتار ایده‌آل را در یک زمینه خاص تعیین‌کنند تا عملکرد آن را به حداکثر برسانند. فیدبک پاداش ساده، که به عنوان سیگنال تقویتی شناخته می‌شود، برای یادگیری عامل و تشخیص بهترین عمل، لازم‌است.
یادگیری ماشین تحت نظارت چگونه کار می‌کند؟
یادگیری ماشین تحت نظارت، به دانشمند داده جهت آموزش الگوریتم با ورودی‌های برچسب دار و خروجی‌های دلخواه نیازدارد. استفاده از الگوریتم‌های یادگیری نظارت‌شده در زمینه های زیر بسیار مناسب‌هستند:
- طبقه بندی باینری: تقسیم داده‌ها به دو دسته.
- طبقه بندی چند کلاسه: انتخاب بین بیش از دو نوع پاسخ.
مدل سازی رگرسیون: پیش بینی مقادیر پیوسته.
Ensembling: ترکیب پیش‌بینی‌های چندین مدل یادگیری ماشین برای تولید یک پیش‌بینی دقیق.
یادگیری ماشین بدون نظارت چگونه کارمیکند؟
الگوریتم‌های یادگیری ماشین بدون نظارت نیازی به برچسب گذاری داده‌ها ندارند. آنها، داده‌های بدون برچسب را غربال می‌کنند تا به دنبال الگوهایی باشند که می‌توانند برای گروه بندی نقاط داده در زیر مجموعه‌ها استفاده‌شوند. اکثر انواع یادگیری عمیق، از جمله شبکه‌های عصبی، الگوریتم های بدون نظارت‌هستند. استفاده از الگوریتم‌های یادگیری بدون نظارت در زمینه های زیر بسیار مناسب‌می‌باشد:
خوشه بندی: تقسیم مجموعه داده‌ها به گروه‌ها براساس شباهت.
تشخیص ناهنجاری: شناسایی نقاط داده غیرعادی در یک مجموعه داده.
داده کاوی: شناسایی مجموعه‌ای از آیتم‌ها در یک مجموعه داده که اغلب با هم اتفاق‌می‌افتد.
کاهش ابعاد: کاهش تعداد متغیرها در یک مجموعه داده.
یادگیری نیمه نظارتی چگونه کارمیکند؟
در یادگیری نیمه نظارت‌شده، دانشمندان داده، مقدار کمی از داده‌های آموزشی برچسب‌گذاری‌شده را به یک الگوریتم تغذیه‌می‌کنند. از این طریق، الگوریتم، ابعاد مجموعه داده‌ها را می‌آموزد و می‌تواند آنها را روی داده‌های جدید و بدون برچسب اعمال‌کند. عملکرد الگوریتم‌ها معمولاً زمانی بهبود می‌یابد که روی مجموعه داده‌های برچسب‌گذاری شده آموزش‌ببینند. اما برچسب زدن داده‌ها می‌تواند زمان بر و پرهزینه باشد. یادگیری نیمه نظارتی بین عملکرد یادگیری تحت نظارت و کارایی یادگیری بدون نظارت قرار دارد. برخی از زمینه‌هایی که در آن از یادگیری نیمه نظارتی استفاده‌می‌شود عبارتند از:
ترجمه: آموزش الگوریتم ها برای ترجمه زبان براساس کمتر از یک فرهنگ لغت کامل از کلمات.
تشخیص تقلب: شناسایی موارد تقلب زمانی که فقط چند نمونه مثبت وجودداشته‌باشد.
برچسب‌گذاری داده‌ها: الگوریتم‌هایی که روی مجموعه‌های داده کوچک آموزش داده شده‌اند، می‌توانند یاد بگیرند که برچسب‌های داده را به طور خودکار به مجموعه‌های بزرگ‌تر اعمال‌کنند.
یادگیری تقویتی چگونه کارمیکند؟
یادگیری تقویتی با برنامه ریزی یک الگوریتم با یک هدف مشخص و مجموعه ای از قوانین تعیین شده برای دستیابی به آن هدف کارمیکند. دانشمندان داده، همچنین الگوریتم را طوری برنامه‌ریزی‌می‌کنند که به دنبال پاداش‌های مثبت باشد ( و زمانی دریافت‌می‌کند که عمل انجام‌شده برای رسیدن به هدف نهایی مفید بوده باشد) و از مجازات‌ها اجتناب کند ( و زمانی دریافت‌می‌کند که عمل انجام‌شده موجب دور شدن از هدف نهایی شده‌باشد). یادگیری تقویتی اغلب در زمینه‌های زیر کاربرددارد:
رباتیک: ربات‌ها می‌توانند با‌استفاده از این تکنیک، انجام وظایف دنیای فیزیکی را بیاموزند.
بازی ویدیویی: از یادگیری تقویتی برای آموزش ربات ها برای انجام تعدادی بازی ویدیویی استفاده‌شده‌است.
مدیریت منابع: با توجه به منابع محدود و یک هدف تعریف شده، یادگیری تقویتی می‌تواند به شرکت‌ها در برنامه ریزی نحوه تخصیص منابع کمک‌کند.
4- کاربردهای یادگیری ماشین
چه کسانی از یادگیری ماشین استفاده‌می‌کنند و برای چه مواردی استفاده‌می‌شود؟
امروزه یادگیری ماشین در طیف وسیعی از کاربردها استفاده‌می‌شود. شاید یکی از معروف‌ترین نمونه‌های یادگیری ماشین در عمل، موتور توصیه‌گر باشد که منبع خبری فیسبوک را تامین‌می‌کند. فیس بوک از یادگیری ماشین برای شخصی سازی نحوه ارائه فید هر عضو استفاده‌می‌کند. اگر عضوی مکرراً برای خواندن پست‌های یک گروه خاص توقف کند، موتور توصیه گر شروع به نمایش بیشتر فعالیت آن گروه در فید‌می‌کند. در پشت صحنه، موتور در حال تلاش برای تقویت الگوهای شناخته‌شده در رفتار آنلاین اعضا‌است. اگر کاربر الگوهای خود‌را تغییر‌دهد و نتواند پست‌های آن گروه را در هفته‌های آینده بخواند، فید مربوط به اخبار نیز مطابق با آن تنظیم‌می‌شود و تغییر‌می‌کند. علاوه بر موتورهای توصیه گر، کاربردهای دیگری برای یادگیری ماشین وجود دارد که عبارتند از:
مدیریت ارتباط با مشتری:
نرم‌افزار مدیریت ارتباط با مشتری یا CRMمی‌تواند از مدل‌های یادگیری ماشین برای تجزیه و تحلیل ایمیل‌ها استفاده‌کند و اعضای تیم فروش را وادار کند که ابتدا به مهم‌ترین پیام‌ها پاسخ‌دهند. همچنین، سیستم‌های پیشرفته ترمی‌توانند پاسخ‌های بالقوه موثر را نیز توصیه‌کنند.
هوش تجاری:
فروشندگان BI و آنالیزگرها از یادگیری ماشین در نرم افزار خود‌برای شناسایی نقاط داده بالقوه مهم، الگوهای نقاط داده و ناهنجاری‌ها استفاده‌می‌کنند.
سیستم‌های اطلاعات منابع انسانی:
سیستم‌های اطلاعات منابع انسانی یا HRISمی‌توانند از مدل‌های یادگیری ماشین برای فیلتر کردن برنامه‌ها و شناسایی بهترین نامزدها برای یک موقعیت مشخص استفاده‌کنند.
ماشین‌های خودران:
الگوریتم‌های یادگیری ماشین حتی‌می‌توانند این امکان را برای یک خودروی نیمه‌خودران فراهم کنند که یک شی نسبتا غیرقابل مشاهده را تشخیص دهد و به راننده هشداردهد.
دستیاران مجازی:
دستیارهای هوشمند معمولاً مدل‌های یادگیری ماشین تحت نظارت و بدون نظارت را برای تفسیر گفتار طبیعی و متن ترکیب‌می‌کنند.
5- مزایا و معایب یادگیری ماشین
موارد استفاده از یادگیری ماشین از پیش بینی رفتار مشتری تا تشکیل سیستم عامل برای خودروهای خودران می‌تواند‌متفاوت‌باشد. وقتی صحبت از مزایا‌می‌شود، یادگیری ماشین می‌تواند‌به شرکت‌ها کمک کند تا مشتریان‌خود را در سطح عمیق تری درک‌کنند. الگوریتم‌های یادگیری ماشین‌می‌توانند با جمع‌آوری داده‌های مشتری و ارتباط آن با رفتارها در طول زمان، الگوهایی را بیاموزند و به تیم‌ها کمک‌کنند تا ابتکارات توسعه محصول و بازاریابی را مطابق با تقاضای مشتری تنظیم‌کنند.
برخی از شرکت‌ها از یادگیری ماشین به عنوان محرک اصلی در مدل‌های تجاری‌خود استفاده‌می‌کنند. برای مثال، اوبر از الگوریتم‌هایی برای تطبیق رانندگان با مسافران استفاده‌می‌کند و گوگل از یادگیری ماشین برای نمایش تبلیغات سواری در جستجوها استفاده‌می‌کند.
اما یادگیری ماشین با معایبی نیز همراه‌است. اول از همه، ممکن‌است گران‌باشد. پروژه‌های یادگیری ماشین معمولاً توسط دانشمندان داده، هدایت می‌شوند که حقوق بالایی دارند. این پروژه ها همچنین به زیرساخت نرم افزاری نیاز دارند که فراهم کردن آن می‌تواند بسیار پرهزینه‌باشد. همچنین مسئله سوگیری یادگیری ماشین نیز مطرح‌است.
الگوریتم‌های آموزش داده‌شده بر روی مجموعه داده‌هایی که جمعیت‌های خاصی را حذف‌می‌کنند یا حاوی خطا هستند، می‌توانند به مدل‌های نادرست منجر شوند که در بهترین حالت، شکست می‌خورند و در بدترین حالت، تبعیض‌آمیز‌هستند. هنگامی که یک شرکت فرآیندهای اصلی کسب و کار را بر اساس مدل‌های مغرضانه قرار می‌دهد، ممکن‌است با آسیب‌های قانونی و اعتباری مواجه‌شود.
6- نحوه انتخاب مدل یادگیری ماشین مناسب
فرآیند انتخاب مدل یادگیری ماشین مناسب برای حل یک مسئله، اگر به صورت استراتژیک مورد توجه قرار نگیرد، می‌تواند زمان برباشد. در ادامه مراحل قابل توجه جهت انتخاب مدل یادگیری ماشین آورده شده‌است.
مرحله‌اول: مسئله را با ورودی های داده بالقوه ای که باید برای راه حل در نظر گرفته‌شوند، تراز کنید.
این مرحله به کمک دانشمندان داده و کارشناسانی نیاز دارد که درک عمیقی از مسئله دارند.
مرحله‌دوم: داده‌ها را جمع آوری کنید، قالب بندی کنید و در صورت لزوم داده‌ها را برچسب گذاری‌کنید.
این مرحله معمولاً توسط دانشمندان داده و با کمک مشاجره گران داده هدایت می‌شود.
مرحله‌سوم: الگوریتم(های) مورد استفاده را انتخاب و آزمایش‌کنید و بررسی‌کنید که تا چه میزان خوب عمل‌می‌کنند.
این مرحله معمولاً توسط دانشمندان داده انجام‌می‌شود.
مرحله‌چهارم: به تنظیم دقیق خروجی‌ها تا رسیدن به سطح قابل قبولی از دقت ادامه‌دهید.
این مرحله معمولاً توسط دانشمندان داده با فیدبک کارشناسانی که درک عمیقی از مسئله دارند، انجام می‌شود.
7- آینده یادگیری ماشین
در حالی که الگوریتم‌های یادگیری ماشین برای دهه‌ها وجود داشته‌اند، اما با توجه به رشد هوش‌مصنوعی به محبوبیت جدیدی دست یافته‌اند. به ویژه مدل‌های یادگیری عمیق، که پیشرفته ترین برنامه‌های کاربردی هوش‌مصنوعی امروزی را تقویت‌می‌کنند. پلتفرم‌های یادگیری ماشین از رقابت‌پذیرترین حوزه‌های فناوری هستند، با اکثر فروشندگان عمده از جمله آمازون، گوگل، مایکروسافت، IBM و غیره، برای ثبت نام مشتریان برای خدمات پلتفرمی که طیفی از فعالیت‌های یادگیری ماشین را پوشش‌می‌دهند، از جمله جمع‌آوری داده‌ها، آماده‌سازی داده‌ها ، طبقه بندی داده‌ها، ساخت مدل، آموزش و استقرار برنامه. رقابت‌می‌کنند.
با افزایش اهمیت یادگیری ماشین برای عملیات تجاری و کاربردی تر شدن هوش‌مصنوعی در تنظیمات سازمانی، جنگ پلت فرم یادگیری ماشین تشدیدمی‌شود. تحقیقات مداوم در زمینه یادگیری عمیق و هوش‌مصنوعی به طور فزاینده‌ای بر توسعه برنامه‌های کاربردی عمومی تر متمرکز شده‌است. مدل‌های هوش‌مصنوعی امروزی به آموزش گسترده نیازدارند تا الگوریتمی تولید‌کنند که برای انجام یک کار، بسیار بهینه شده‌باشد. اما برخی از محققان در حال بررسی راه‌هایی برای انعطاف‌پذیرتر کردن مدل‌ها هستند و به دنبال تکنیک‌هایی هستند که به ماشین اجازه می‌دهد تا زمینه‌های آموخته‌شده از یک کار را به وظایف مختلف آینده اعمال کند.
8- تاریخچه تکامل یادگیری ماشین
یادگیری ماشین چگونه تکامل یافته‌است؟
1642 – بلز پاسکال ماشینی مکانیکی اختراع‌کرد که می‌توانست جمع، تفریق، ضرب و تقسیم را انجام‌دهد.
1679 – گوتفرید لایبنیتس سیستم کد دودویی را ابداع‌کرد.
1834 – چارلز ببیج ایده یک دستگاه همه منظوره عمومی را که می‌تواند با کارت‌های پانچ برنامه‌ریزی شود را ارائه‌کرد.
1842 – آیدا لاولیس دنباله‌ای از عملیات را برای حل مسائل ریاضی با‌استفاده از دستگاه تئوری پانچ چارلزببیج توصیف‌کرد و از این رو به عنوان اولین برنامه نویس تاریخ معرفی‌شد.
1847 – جورج بول منطق بولی را ایجاد کرد، شکلی از جبر که در آن همه مقادیر را می‌توان به مقادیر دودویی true یا false تقلیل‌داد.
1936 – آلن تورینگ، منطق‌دان و رمزنگار انگلیسی، ماشینی جهانی را پیشنهاد‌کرد که می‌توانست مجموعه‌ای از دستورالعمل‌ها را رمزگشایی و اجراکند. اثبات های منتشر شده از او، اساس علم کامپیوتر محسوب می‌شود.
تکامل یادگیری ماشین
1952 – آرتور ساموئل برنامه‌ای ایجاد‌کرد تا به رایانه IBM کمک کند که هرچه بیشتر بازی کند در چکرز بهترشود.
1959 – مادلین اولین شبکه عصبی مصنوعی‌است‌که برای یک مشکل واقعی‌استفاده شده‌است: حذف پژواک از خطوط تلفن.
1985 – شبکه عصبی مصنوعی تری سجنوفسکی و چارلز روزنبرگ به‌خود آموخت که چگونه 20000 کلمه را در یک هفته به درستی تلفظ‌کند.
1997 – دیپ بلو از IBM، گری کاسپارف، استاد بزرگ شطرنج را شکست‌داد.
1999 – یک ایستگاه کاری هوشمند نمونه اولیه CAD 22000 ماموگرافی را بررسی کرد و سرطان را 52 درصد دقیقتر از رادیولوژیست‌ها تشخیص‌داد.
2006 – جفری هینتون، دانشمند کامپیوتر، اصطلاح یادگیری عمیق را برای توصیف تحقیقات شبکه عصبی اختراع‌کرد.
2012 – یک شبکه عصبی بدون نظارت ایجاد‌شده توسط گوگل یاد گرفت که گربه‌ها را در ویدیوهای یوتیوب با دقت 74.8 درصد تشخیص‌دهد.
2014 – AlphaGo گوگل، قهرمان انسان را در Go، دشوارترین بازی رومیزی در جهان، شکست‌داد.
2016 – LipNet، سیستم هوش‌مصنوعی DeepMind، کلمات لب خوان را در ویدیو با دقت 93.4 درصد شناسایی‌می‌کند.
2019 – آمازون 70 درصد از سهم بازار دستیاران مجازی را در ایالات متحده در اختیارگرفت.
9- تفاوت‌بین هوش‌مصنوعی، یادگیری ماشینی و یادگیری عمیق
هوش‌مصنوعی:
هوش‌مصنوعی اساساً مکانیزمی‌است که از طریق مجموعه ای از قوانین (الگوریتم) هوش انسانی را در ماشین‌ها ادغام‌می‌کند و ترکیبی از دو کلمه‌است: “مصنوعی” به معنای چیزی که توسط انسان یا چیزهای غیر طبیعی ساخته‌شده‌است و “هوش” به معنای توانایی درک یا تفکر بر اساس آن. اساسا هوش‌مصنوعی بر سه جنبه (مهارت) اصلی تمرکزدارد: یادگیری، استدلال و اصلاح‌خود برای به دست‌آوردن حداکثر کارایی ممکن.
یادگیری ماشین:
یادگیری ماشین اساساً مطالعه/فرآیندی‌است که سیستم (رایانه) را از طریق تجربیاتی که داشته‌است، به طور خودکار آموزش می‌دهد، و بدون برنامه‌ریزی صریح بهبودمی‌یابد. در واقع، یادگیری ماشین یک برنامه یا زیر مجموعه از هوش‌مصنوعی‌است. یادگیری ماشین بر توسعه برنامه‌ها تمرکز‌می‌کند تا بتواند با دسترسی به داده‌ها، از آنها برای‌خود استفاده‌کند و الگوهای احتمالی در حال شکل‌گیری را شناسایی و طبق مثال‌هایی که برای آنها ارائه شده‌است، تصمیمات بهتری در آینده اتخاذکند. هدف اصلی یادگیری ماشین این‌است که به سیستم‌ها اجازه‌دهد تا خودشان از طریق تجربه بدون هیچ گونه مداخله یا کمک انسانی یادبگیرند.
یادگیری عمیق:
یادگیری عمیق اساساً بخشی فرعی از خانواده گسترده‌تر یادگیری ماشین است‌که از شبکه‌های عصبی (مشابه نورون‌هایی که در مغز ما کار‌می‌کنند) برای تقلید از رفتار مغز انسان استفاده‌می‌کند. الگوریتم‌های یادگیری عمیق بر مکانیزم الگوهای پردازش اطلاعات تمرکز‌می‌کنند تا احتمالاً الگوها را دقیقاً مانند مغز انسان شناسایی‌کرده و اطلاعات را بر اساس آن طبقه‌بندی‌کند.
در ادامه جدول تفاوت بین هوش‌مصنوعی، یادگیری ماشین و یادگیری عمیق آورده شده‌است:
مراجع
What Is Machine Learning? A Definition
Difference Between Artificial Intelligence vs Machine Learning vs Deep Learning