کامپیوترهای امروزی با فناوری یادگیری ماشین می‌توانند بسیاری از موضوعات را پیش‌بینی کنند. فرقی نمی‌کند شما به دنبال پیش‌بینی آب‌وهوا هستید یا وضعیت بازار سهام را بررسی می‌کنید؛ با استفاده از ماشین لرنینگ این کار امکان‌پذیر است.
یادگیری ماشین(machine learning) و یادگیری عمیق (deep learning) دو مفهومی هستند که الگوهای داده‌ای را کشف میکنند. با این وجود، این دو مفهوم تفاوت‌هایی تکنیکی با یکدیگر دارند. ماشین لرنینگ و دیپ‌لرنینگ برپایه هوش مصنوعی بنا شده‌اند و می‌توان گفت یادگیری عمیق بخشی خاص از یادگیری ماشین است.
یادگیری ماشین و یادگیری عمیق داده‌ها را آموزش می‌دهند. این دو فناوری پس از آموزش، تست داده‌ها و مدل‌سازی بهترین مدل داده‌ای را ارائه میکنند. مدل‌های یادگیری عمیق تمایل به ساخت بهتر مدل‌های یادگیری ماشین دارند.
الگوریتم‌های یادگیری ماشین برخی مواقع با آموزش داده‌ها برنامه‌ریزی می‌شوند و گاهی جواب‌های مشخصی ندارند. یادگیری ماشین روشی برای تنظیم و کشف روش‌ها و الگوریتم‌هایی است که براساس آن کامپیوترها توانایی یادگیری پیدا میکنند.
یادگیری ماشین زیرمجموعه‌ای از فناوری هوش مصنوعی است. این فناوری بر اساس تجربیات ماشین آموزش دیده پیش‌بینی‌هایی را به کاربران ارائه می‌دهد. یادگیری ماشین که ما این روزها به عنوان مفهوم تازه‌ای در جهانمان به آن نگاه می‌کنیم، مفهوم جدیدی نیست.
تاریخچه یادگیری ماشین(machine learning)
۶۱سال پیش آرتور ساموئل (Arthur Samuel) که از پیشگامان هوش مصنوعی در دنیاست، یادگیری عمیق را ابداع کرد. ساموئل یادگیری ماشین را حوزه‌ای از تحقیقات می‌دانست که در آن، کامپیوترها توانایی یادگیری بدون برنامه‌ریزی را دارند.
با وجود اینکه آرتور ساموئل در سال ۱۹۵۹ واژه ماشین لرنینگ را ابداع کرد، تفکر در خصوص افکار ماشین کمی قدیمی‌تر است. همه کسانی‌که به نوعی با کامپیوتر سر و کار دارند، اسم آلن تورینگ، سازنده ماشین تورینگ را شنیده‌اند.
سال ۱۹۵۰ آلن تورینگ (Alan Turing) در یکی از مقاله‌های خود سوالی را مطرح کرد. تورینگ در مقاله‌اش نوشته بود «آیا ماشین فکر می‌کند؟» و همین موضوع سرآغاز پژوهش‌های گسترده در مورد هوش مصنوعی شد.
کاربردهای ماشین لرنینگ
یکی از اصلی‌ترین کاربردی‌های هوش مصنوعی و یادگیری ماشین در فروشگاه‌های اینترنتی است. الگوریتم‌های یادگیری ماشین، با استفاده از مجموعه داده‌های آموزشی (training data set) عملیات یادگیری را انجام می‌دهند و مدل‌های موردنیاز را می‌سازند.
سپس زمانی که داده‌های جدیدی به الگوریتم یادگیری ماشین معرفی می‌شوند، سیستم می‌تواند بر اساس مدل ایجاد‌شده، فرایند پیش‌بینی را انجام دهد. این فرایند دقیقا همان چیزی است که وقتی شما خرید اینترنتی انجام می‌دهید و محصولات پیشنهادی را از طریق سایت دریافت می‌کنید، متوجه می‌شوید.
حتما برای شما هم پیش آمده که محصولی را بخرید، پس از مدتی به سایتی که از آن خرید کرده‌اید مراجعه کنید و سایت به شما پیشنهادهایی مشابه بدهد. این پیش‌بینی‌ها با بهره‌گیری از فرایند الگوریتم یادگیری ماشین انجام می‌شود.
کامپیوترهای امروزی با فناوری یادگیری ماشین می‌توانند بسیاری از موضوعات را پیش‌بینی کنند. فرقی نمی‌کند شما به دنبال پیش‌بینی آب‌وهوا هستید یا وضعیت بازار سهام را بررسی می‌کنید؛ با استفاده از ماشین لرنینگ این کار امکان‌پذیر است.
یادگیری ماشین می‌تواند عادات خرید کاربران را تشخیص دهد. به همین خاطر گوگل، آمازون، نتفلیکس، فیس‌بوک، لینکدین و شرکت‌هایی که کاربران زیادی برای خدمات‌رسانی دارند، از یادگیری ماشین با هدف آنالیز و تغییر رفتار مشتری استفاده میکنند.
الگوریتم‌های شبکه‌های عصبی مصنوعی
یادگیری عمیق اصطلاح دیگری است که این روزها زیاد درباره‌اش می‌شنویم. در حقیقت دیپ‌لرنینگ همان یادگیری ماشین با سطوحی عمیق‌تر است. شبکه‌های عصبی در ارتباطات هوشمند موثر هستند.
در دهه ۱۹۴۰ و ۱۹۵۰ میلادی سلول‌های عصبی هوشمند به عنوان قدمی برای فعالیت‌های هوش مصنوعی مورد استفاده قرار می‌گرفتند. به این شبکه‌های عصبی پرسپترون می‌گفتند. پرسپترون یکی از الگوریتم‌های یادگیری ماشین است.
این الگوریتم در سال ۱۹۵۷ توسط فرانک روزنبلت اختراع شد و از اولین شبکه‌های عصبی مصنوعی در دنیاست. شبکه‌های عصبی امروزی از پرسپترون‌ها استفاده میکنند. یادگیری‌های نظارت شده از شبکه‌های عصبی همانند دیگر یادگیری‌های ماشین عمل میکنند.
یک شبکه عصبی عمیق در یک مشکل واقعی ممکن است بیش از ۱۰ لایه پنهان داشته باشد. توپولوژی آن نیز ممکن است ساده یا پیچیده باشد. هرچه لایه‌های بیشتری در شبکه وجود داشته باشد، یادگیری عمیق ویژگی‌های بیشتری را می‌تواند تشخیص دهد.
متاسفانه، هرچه لایه‌های بیشتری در شبکه وجود داشته باشد، زمان بیشتری صرف محاسبه آن خواهد شد و تمرین سخت‌تر خواهد بود. شبکه‌های عصبی مصنوعی (CNN) اغلب به منظور افزایش بینش ماشین مورد استفاده قرار می‌گیرند.
شبکه‌های عصبی مصنوعی به طور معمول از منابع مدیریتی، همگشتی(شبکه‌های عصبی پیچشی) و شبکه عصبی یکسوساز استفاده میکنند. لایه‌های همگشتی به طور ساده انتگرال بسیاری از مناطق با همپوشانی کوچک را می‌پذیرد.
لایه تجمع منابع مدیریتی شکلی از نمونه‌گیری غیرخطی را اجرا می‌کند. در یک لایه متصل سلول‌های عصبی با همه لایه‌های قبلی در ارتباط هستند. یادگیری عمیق پایه و اساس چت‌بات‌هایی مثل الکسا، فیس‌بوک و اینستاگرام را شکل داده است.
یادگیری عمیق در زندگی روزمره و سبک زندگی آنها تاثیرات بسزایی گذاشته است. از مصرف‌گرایی به واسطه معرفی محصولات تازه‌ای که هوش مصنوعی پیشنهاد می‌دهد که بگذریم، یادگیری عمیق در شبکه‌های اجتماعی الگوریتم مسئول معرفی افراد یا صفحه‌های جدید به کاربران است.
همچنین استارتاپ‌ها و شرکت‌های تجاری از الگوریتم‌های یادگیری عمیق و یادگیری ماشین برای تبلیغات خود استفاده میکنند. این الگوریتم‌ها می‌توانند بر اساس سلیقه کاربران مختلف به شخصی‌سازی تبلیغات کمک کنند.
منبع: هفته نامه شنبه
