معرفی یادگیری ماشین (Machine Learning)

1- مقدمه

به دلیل ظهور فناوری های جدید محاسباتی، امروزه یادگیری ماشین مانند گذشته نیست. علم یادگیری ماشین از شناخت الگو و تئوری خاصی متولد شده است. این تئوری بیان می‌کند که کامپیوترها از توانایی یادگیری برخوردارند! محققان علاقمند به هوش مصنوعی، تحقیقاتی برای پاسخ به این سوال انجام داده‌اند: آیا کامپیوترها می‌توانند از طریق داده‌هایی که در اختیار آن‌ها قرار می‌گیرند یاد بگیرند یا خیر. ماشین‌های مختلف ممکن است در موقعیت‌های مختلف داده‌های جدیدی دریافت کنند؛ بنابراین باید قادر به سازگاری با هر داده‌ جدیدی باشند. آن‌ها از محاسبات قبلی یاد می‌گیرند تا تصمیمات و نتایج قابل اعتماد و قابل تکرار تولید کنند. جنبه تکراری یادگیری ماشین از این نظر حائز اهمیت است. علم یادگیری ماشین چندان جدید نیست؛ اما علمی است که اخیراً جنبش‌های تازه‌ای پیدا کرده است. بسیاری از الگوریتم‌های یادگیری ماشین از مدت‌ها پیش وجود داشته‌اند. اما توانایی اعمال محاسباتی پیچیده ریاضی در داده‌های بزرگ و با سرعت زیاد از پیشرفت‌های اخیر محسوب می‌شود.

از نظر بسیاری از افراد، عبارات یادگیری عمیق (Deep Learning) و یادگیری ماشین به عنوان واژه هایی قابل تعویض در دنیای هوش مصنوعی قابل استفاده اند. با این حال این درست نیست. هر کس که دنبال درک بهتر زمینه های هوش مصنوعی باشد، باید با درک اصطلاحات و تفاوت های آن شروع کند. در یک جمله: یادگیری عمیق یک زیرمجموعه تخصصی از یادگیری ماشین است که به نوبه خود زیر مجموعه ای از هوش مصنوعی می باشد، به عبارت دیگر یادگیری عمیق یادگیری ماشینی است.

2- یادگیری ماشین چیست؟

همان طور که گفته شد، یادگیری ماشین (Machine Learning) یکی از زیرمجموعه های هوش مصنوعی است که به سیستم ها این امکان را می دهد تا به صورت خودکار یادگیری و پیشرفت داشته باشند بدون اینکه به برنامه نویسی صریحی برای آن نیاز داشته باشند. تمرکز اصلی یادگیری ماشینی بر توسعه برنامه های رایانه ای است که بتوانند به داده ها دسترسی پیدا کنند و از آن برای یادگیری خود استفاده کنند.

فرآیند یادگیری با مشاهدات یا داده ها آغاز می شود، مانند مثال ها، تجارب مستقیم و یا دستور العمل ها، تا به یک الگو در داده ها برسند و بر اساس این مثال هایی که ارائه می شوند، تصمیمات بهتری بگیرند. هدف اصلی آن است که به کامپیوتر این اجازه را بدهیم که بدون دخالت و کمک انسان به طور اتوماتیک یادگیری داشته باشند و بتوانند اقدامات خود را بر مطابق با آن تنظیم کنند.

یادگیری ماشین در تقاطع علوم کامپیوتر و آمار است که از طریق آن، کامپیوتر ها بدون اینکه به طور صریح برنامه ریزی شده باشند، توانایی یادگیری دارند را دریافت می کنند.

3- الگوریتم های یادگیری ماشین

الگوریتم های بسیار مختلفی برای یادگیری ماشین وجود دارد و هر روزه صدها الگوریتم جدید نیز تولید می شوند، و به طور معمول توسط سبک یادگیری (learning style) (مانند یادگیری نظارت شده، یادگیری بدون نظارت، یادگیری نیمه نظارت) و یا با توجه به شباهتشان در فرم و عملکرد (مانند طبقه بندی، برگشت، درخت تصمیم گیری، دسته کردن، یادگیری عمیق و…) گروه بندی می شوند. صرف نظر از سبک یادگیری یا عملکرد، تمام الگوریتم های یادگیری ماشینی به شرح زیر هستند:

نمایش: مجموعه ای از طبقه بندی کننده ها یا زبانی که کامپیوتر آن را می فهمد.
ارزشیابی: همچنین معروف به عملکرد هدف/نمره دهی.
بهینه سازی: روش جست و جو؛ اغلب طبقه بندی کننده ای با بالاترین امتیاز.

هدف اساسی الگوریتم های یادگیری ماشین، تعمیم یادگیری ها به فراتر از نمونه های آموزش داده شده است، یعنی تفسیر موفقیت آمیز داده ها.

4- معایب یادگیری ماشین

این علم می‌تواند تأثیر بسزایی در پیشرفت پردازش اطلاعات داشته باشد، اما خالی از ایراد نیست:

ماشین‌ها قرار است با توجه به الگوها و داده‌ها آموزش ببینند. بنابراین در صورتی که در داده‌های آینده یا الگوها تغییرات کلی وجود داشته باشد، احتمال بروز خطا بسیار زیاد است.
استفاده از این علم و جایگزین کردن کامپیوترها برای کارهای مختلف نیازمند زمان و هزینه زیادی است.
ارائه داده‌ها به ماشین و انتخاب الگوریتم مناسب چالش دیگری است که پیش روی فعالان این حوزه وجود دارد.

5- برخی از روش های یادگیری ماشین

الگوریتم های یادگیری ماشین عمدتاً در دو نوع نظارت شده (Supervised) و نظارت نشده (Unsupervised) دسته بندی می شوند.

الگوریتم یادگیری ماشین نظارت شده می تواند از آن چه که در گذشته آموخته اند و همچنین داده های جدید برچسب گذاری شده، برای پیش بینی آینده استفاده کند. این کار از آنالیز مجموعه داده های آموزشی شروع می شود، الگوریتم یادگیری یک عملکرد استنباطی تولید می کند تا پیش بینی های مربوط به مقادیر خروجی را انجام دهد. این نوع سیستم قادر است پس از آموزش های کافی برای هر داده جدیدی هدف مشخص کند. این الگوریتم یادگیری همچنین می تواند خروجی اش را با خروجی درست و از قبل تعیین شده مقایسه کند و خطاهای موجود را بیابد تا بر اساس آن مدل را اصلاح کند.

در مقابل، زمانی از الگوریتم های یادگیری ماشین بدون نظارت استفاده می شود که اطلاعات مورد نیاز برای آموزش نه طبقه بندی شده باشد و نه برچسب زده باشد. یادگیری بدون نظارت چگونگی اینکه سیستم می تواند توصیف ساختار پنهان از داده های بدون برچسب استنباط کنند، مطالعه می کند. این نوع سیستم خروجی مناسب را مشخص نمی کند و تنها می تواند داده ها را کاوش کند و از داده های برچسب زده نشده ساختارهای پنهان را استنتاج می کند.

الگوریتم یادگیری ماشین نیمه نظارت شده، بین دو نوع قبلی قرار دارد. این سیستم از هر دو نوع داده برچسب زده شده و برچسب نزده شده برای آموزش استفاده می کند. سیستم هایی که از این روش استفاده می کنند، می توانند دقت یادگیری را تا میزان قابل توجهی بهبود ببخشند. معمولا زمانی این نوع یادگیری را انتخاب می کنیم که داده های برچسب زده شده بدست آمده نیاز به منابع ماهر و مرتبط برای آموزش و یادگیری دارند. در غیر این صورت، دستیابی به داده های دارای برچسب معمولاً نیازی به منابع اضافی ندارد.

الگوریتم های یادگیری ماشین تقویت کننده (Reinforcement Learning)، روشی هستند که به وسیله اقدامات با محیط خود در تعامل هستند و خطاها و پاداش ها را کشف می کنند. آزمایش، جست و جوی خطاها و پاداش های تاخیری مهم ترین ویژگی های یادگیری تقویتی هستند. این نوع یادگیری به ماشین ها و عوامل نرم افزار اجازه می دهد تا به طور خودکار، برای به حداکثر رساندن عملکرد خود، رفتار ایده آل خود را مشخص کنند. این سیستم از بازخورد پاداش ساده استفاده می کند تا ببیند کدام عمل بهتر است و این امر به عنوان سیگنال تقویت شناخته شده است.

یادگیری ماشین آنالیز، مقادیر انبوهی از داده ها را امکان پذیر می کند. این یادگیری در شناسایی فرصت های سودآور و یا خطرناک معمولاً نتایج سریعتر و دقیق تری ارائه می کند اما برای آموزش آن ممکن است به زمان و منابع اضافی نیاز داشته باشیم. تلفیقی از یادگیری ماشین و هوش مصنوعی و فناوری های شناختی می تواند در پردازش حجم زیادی از اطلاعات موثر باشد.

6- اهمیت یادگیری ماشین

علاقه مجدد به یادگیری ماشین در میان محققان به دلیل همان عواملی است که باعث محبوبیت بیشتر علم داده کاوی و تجزیه و تحلیل داده‌ها نسبت به زمان‌های گذشته شده است. مهم‌ترین عوامل افزایش توجه و تحقیقات در مورد یادگیری ماشین عبارت است از:

افزایش حجم و نوع داده‌های موجود
نیاز به پردازش محاسباتی ارزان‌تر و قدرتمندتر
نیاز به ذخیره سازی مقرون به صرفه

همه این موارد به معنای امکان تولید سریع و خودکار مدل‌هایی است که بتوانند داده‌های بزرگتر و پیچیده‌تری را تجزیه و تحلیل کنند. این مدل‌ها در عین حال باید بتوانند نتایج سریع‌تر و دقیق‌تری را ارائه دهند؛ حتی در مقیاس‌های بسیار بزرگ. نتیجه مهم و مزیت روش‌های یادگیری ماشین، ساختن مدل‌های دقیق برای یک سازمان است. در نتیجه ایجاد این مدل‌ها شانس آن سازمان برای شناسایی فرصت‌های سودآور یا جلوگیری از خطرات ناشناخته تا حد زیادی افزایش پیدا می‌کند.

یادگیری ماشین نه تنها یک تکنولوژی جدید و کاربردی است بلکه قرار است در آینده نزدیک تغییرات بسیار زیادی را در دنیا ایجاد کند و تاثیرات عمیقی در دنیا و به خصوص حوزه اقتصاد و کسب و کارها خواهد داشت. در ادامه برخی از اطلاعات مربوط به یادگیری ماشین و هوش مصنوعی آورده شده تا میزان اهمیت آن بیشتر درک شود.

مجموع اختراعات ثبت شده در زمینه یادگیری ماشین از سال ۲۰۱۳ تا سال ۲۰۱۷ میلادی دارای نرخ رشد سالانه ترکیبی ۳۴% بوده است و این مسئله باعث شده که این حوزه به رتبه سوم در ثبت اختراع تبدیل شود.

سازمان International Data Corporation (IDC) پیش‌بینی می‌کند که میزان سرمایه گذاری در حوزه هوش مصنوعی و یادگیری ماشین از حدود ۱۲ بیلیون دلار در سال ۲۰۱۷ به حدود ۵۷.۶ بیلیون دلار تا سال ۲۰۲۱ برسد.

در برنامه‌ AHL Dimension program گزارش شد که یک صندوق پوشش ریسک با دارایی ۵.۱ میلیارد دلار بخشی از مدیریت سرمایه خود را به هوش مصنوعی سپرد. الگوریتم‌های یادگیری هوش مصنوعی تا پایان سال ۲۰۱۵ بیش از نیمی از سود صندوق را به خود اختصاص داده بودند و این مسئله در حالی بود که میزان دارایی که به هوش مصنوعی تخصیص داده شده بود بسیار کمتر از سایر بخش‌ها بود.

با افزایش اهمیت کلان داده‌ها و پیچیده شدن فرآیند تجزیه و تحلیل آن‌ها، یادگیری ماشین به یک روش اصلی برای رسیدگی به مسائل مربوط به کلان داده‌ها، تبدیل شده است. در این مواقع یادگیری ماشین می‌تواند به کارهای زیر رسیدگی کند:

امور مالی، محاسبات، نمره‌دهی اعتبارات و تجارت الگوریتمی
پردازش تصویر، بینایی کامپیوتری، تشخیص چهره، تشخیص حرکت و تشخیص شیء
زیست شناسی محاسباتی، تشخیص تومورهای سرطانی، تعیین توالی DNA، کشف دارو و حتی موارد مخدر
تولید انرژی، پیش‌بینی قیمت بازار
ساخت خودرو، حوزه هوافضا
پردازش زبان طبیعی، برنامه‌های تشخیص و شناسایی صدا و زبان
و…

به همین دلیل یادگیری ماشینی به دلیل آوردهایی که برای سرمایه‌گذاران دارد و همچنین تحولاتی که در سایر حوزه‌ها می‌تواند ایجاد کند به یک موضوع داغ تبدیل شده است. این مسئله باعث شده در سراسر جهان بسیاری از افراد خواستار تحصیل در رشته هوش مصنوعی و یادگیری ماشین شوند. همچنین برای افرادی که تخصصی در حوزه هوش مصنوعی ندارند، مطالعه در مورد هوش مصنوعی و توانایی‌های آن به یک مسئله بسیار مهم تبدیل شده است زیرا که در آینده‌ای نزدیک یادگیری ماشین با بسیاری از حوزه‌ها و فرآیندهای آن ادغام می‌شود و به همین دلیل افرادی که می‌خواهند پیشرو باشند باید در مورد آن از قبل بدانند.

در حقیقت زمانی به سراغ یادگیری ماشین می‌رویم که به یک کار و یا مشکل پیچیده‌ای بر بخوریم که نتوان آن را با روش‌های معمول و سنتی حل کرد. یا آنکه با حجم داده‌ها و متغیرهای زیادی روبه‌رو هستیم که پردازش و محاسبه آن‌ها برای نیروی انسانی و به کمک روش‌های سنتی امکان پذیر نیست و حتی فرمول یا معادلاتی را نداریم که به حل آن‌ها کمک کند. به طور کلی اگر به موارد زیر برخوردید، و یا حتی در بسیاری ازموارد دیگر، می‌توانید به سراغ یادگیری ماشین بروید:

قوانین و معادلات که برای انسان بسیار پیچیده هستند، مانند تشخیص چهره و تشخیص گفتار.

انجام یک کار که دائماً در حال تغییر است، مانند تشخیص کلاهبرداری از سوابق معاملات.

کاری که ماهیت داده‌های آن در حال تغییر است و برنامه نیز باید مطابق با این داده‌ها سازگار شود، مانند تجارت خودکار، پیش‌بینی تقاضای انرژی و پیش‌بینی روند خرید.

و…

7- تاریخچه یادگیری ماشین

یادگیری ماشین پدیده‌ای نیست که اخیرا به وجود آمده باشد. در واقع شبکه‌های عصبی برای اولین بار به عنوان یک مفهوم در یک مقاله تحقیقاتی در سال ۱۹۴۳ معرفی شد. اگرچه در روزهای ابتدایی پیشرفت در یادگیری ماشین به دلیل هزینه بالای محاسبات تا حدی کند بود که این حوزه را فقط در دسترس موسسات دانشگاهی بزرگ یا شرکت‌های چند ملیتی قرار می داد. همچنین این مسئله وجود داشت که تهیه داده‌های مورد نیاز برای آموزش سیستم‌ها بسیار دشوار بود. امام امروزه با ظهور اینترنت بسیاری از مشکلات بر سر راه هوش مصنوعی و یادگیری ماشین از بین رفته و با پیشرفت سخت افزارها هزینه‌های تهیه سخت افزارهای مورد نیاز برای پیاده سازی هوش مصنوعی و یادگیری ماشین کاهش یافت که همین مسئله باعث پیشرفت بیشتر این حوزه در سال‌های اخیر شد.

در تصویر زیر می‌توانید خط زمانی یادگیری ماشین را در طول تاریخ مشاهده کنید.

8- تفاوت‌های بین سه مفهوم هوش مصنوعی، یادگیری ماشین و یادگیری عمیق

هوش مصنوعی، یادگیری ماشین و یادگیری عمیق سه مبحث مرتبط با یکدیگر هستند که برخی آن‌ها را با هم اشتباه می‌گیرند. نمودار زیر تفاوت این سه مفهوم را به خوبی نشان می‌دهد.

امیدواریم که این نمودار بتواند هرگونه شک و شبهه و درک اشتباهی را رفع کند و به خوبی تفاوت این سه مفهوم و توانایی‌های هر کدام را به شما بگوید.

هوش مصنوعی (AI) دانش گسترده‌ای در تقلید از توانایی‌های انسان است. یادگیری ماشین زیرمجموعه خاصی از هوش مصنوعی به شمار می‌رود که به یک ماشین آموزش می‌دهد که چگونه یاد بگیرد.

به طور کلی می‌توان گفت مبحث یادگیری ماشین یک روش برای دستیابی به هوش مصنوعی است. البته در بسیاری از شاخه‌ها یادگیری ماشین بسیار پیشرفته و کارآمد است و بدون نیاز به مباحث هوش مصنوعی مورد استفاده قرار می‌گیرد. یادگیری عمیق نیز بخشی تخصصی از یادگیری ماشین است که به مداخله کمتر انسان و مجموعه داده های بیشتری نیاز دارد.

9- فرآیندهای یادگیری ماشین

در ادامه می‌خواهیم فرآیندهای یادگیری ماشین را تجزیه و تحلیل کنیم تا بتوانیم جزئیات آن را درک کنیم.

جمع آوری و تهیه داده

اولین قدم در فرآیند یادگیری ماشین این است که ما دانش و داده مورد نیاز را برای یک ماشین تهیه کنیم. این داده‌ها به دو گروه تقسیم می‌شوند و یک گروه برای آموزش سیستم استفاده می‌شوند و گروه دیگر برای آزمایش سیستم. توجه داشته باشید که ما برای مثال می‌خواهیم نرم‌افزاری بسازیم که بتواند یک فرد را به به محض اینکه در تصویر دید شناسایی کند. برای این کار در ابتدا با جمع آوری داده‌ها یعنی بعنوان مثال عکس‌های افراد، شروع می‌کنیم.

علاوه بر آن باید به این مسئله توجه داشته باشیم که داده‌های انتخابی نماینده کل جمعیت باشند، یعنی در همان مثال تصویر اگر عکس‌هایی که برای آموزش انتخاب می‌کنیم افراد بین ۲۰ تا ۴۰ سال هستند، سیستم فقط توانایی شناخت افرادی با این میزان سن را دارد و اگر تصویری از کودکی به او نشان داده شود دچار مشکل می‌شود. داده‌ها معمولاً به میزان ۸۰/۲۰ و یا ۷۰/۳۰ تقسیم می‌شوند تا اطمینان حاصل شود که مدل پس از آموزش کافی می‌تواند بعداً آزمایش شود.

انتخاب و آموزش یک مدل

دومین مرحله و قدم بعدی در اصول یادگیری ماشین انتخاب یک مدل و آموزش آن است. ما انواع مختلفی از الگوریتم‌ها و مدل‌های یادگیری ماشین داریم که قبلا ایجاد و اصلاح شده‌اند تا بتوانند نوع خاصی از مسئله و یا مشکل را حل کنند. بنابراین، بسته به نیاز و مناسب بودن مدل برای حل مسئله مورد نظر، مدلی را انتخاب کنیم و آموزش دهیم.

ارزیابی یک مدل

یک ماشین الگوها و خصوصیات مختلفی را از داده‌هایی که به آن آموزش داده شده است یاد می‌گیرد و خود را برای تصمیم‌گیری‌هایی در زمینه‌های مختلف مانند شناسایی، طبقه بندی یا پیش بینی داده‌های جدید آموزش می‌دهد. برای بررسی دقیق اینکه ماشین چگونه قادر به اتخاذ این تصمیمات است، پیش بینی‌ها را بر روی داده‌های آموزش داده شده، آزمایش می‌کنند.

برای این کار ابتدا بر روی داده‌های آموزش داده شده کار می‌کنیم و پس از آموزش مدل به اندازه کافی، از آن برای آزمایش بر اساس داده‌ها استفاده می‌کنیم تا بفهمیم برای مثال سیستم چه مقدار در تشخیص چهره موفق عمل می‌کند و چه میزان دقت دارد.

تنظیم و پیش‌بینی ابر پارامترها

در اصطلاحات مربوط به یادگیری ماشین، هایپر پارامترها، پارامترهایی هستند که توسط خود مدل نمی‌توانند تخمین زده شوند، اما ما هنوز نیاز داریم تا آن‌ها را بررسی کنیم، زیرا که نقش بسیار مهمی در افزایش عملکرد مدل دارند.

اگر بخواهیم تعریفی سنتی ارائه دهیم، هایپر پارامترها در یادگیری ماشین، پارامترهایی هستند که باید توسط کاربر برای اجرای الگوریتم، مشخص شوند. پارامترهای کلاسیک به وسیله داده‌ها آموزش داده می‌شوند، در حالی که هایپر پارامترها ممکن است از داده‌ها یاد بگیرند یا نه. به عنوان مثال در یک درخت تصمیم گیری که در تصویر زیر نشان داده شده است، هایپر پارامترها عبارتند از:

تعداد گره های برگ

عمق درخت

حداقل نمونه مورد نیاز برای تقسیم گره

یک مدل می‌تواند تعداد زیادی هایپر پارامتر داشته باشد و فرآیند انتخاب بهترین ترکیب ممکن از بین هایپر پارامترها تنظیم (یا tuning) هایپر پارامتر نام دارد. برخی از روش‌های اساسی برای تنظیم هایپر پارامترها شامل جستجوی شبکه، جستجو تصادفی یا بهینه سازی مبتنی بر گرادیان است. اگر بخواهیم بیش از این روی اصول اولیه یادگیری ماشین تمرکز کنیم ممکن است اصل مطلب از دست برود و مبحث از موضوع اصلی خارج شود اما برای درک کلی فرآیند یادگیری ماشین تا همین میزان کافی است.

پس از اتمام فرآیند بهینه سازی هایپر پارامترها، می توان گفت که مدل یادگیری ماشین ساخته شده است و بسته به میزان موفقیت آن یا به طور دقیق، توانایی پیش بینی آن، می توانیم آن را در دنیای واقعی اجرا و پیاده سازی کنیم. بنابراین ، با کمک روش‌هایی که گفته شد، می توانیم یک الگوریتم یادگیری ماشین بسازیم.

10- زبان برنامه نویسی برای هوش مصنوعی

برای برنامه‌نویسی در هوش مصنوعی و یادگیری ماشین یکی از مسائل مهم انتخاب زبان برنامه نویسی است. برای کسانی که می‌خواهند تازه وارد دنیای هوش مصنوعی شوند، انتخاب زبان برنامه‌نویسی چالشی است که یقیناً با آن رو به رو خواهند شد. این چالش از آن جایی که هوش مصنوعی علمی کامپیوتری است و زبان برنامه نویسی در کامپیوتر اهمیت بسیاری دارد تا حدی قابل درک است. اما باید به این امر توجه کرد که مسئله اصلی در هوش مصنوعی ریاضی و توانایی حل مسئله می‌باشد. قدرت ریاضی شما در هوش مصنوعی و یادگیری ماشین تا حد زیادی تعیین کننده است و باید برای آن بیشتر وقت بگذارید و نگران باشید و تعیین نوع زبان برنامه نویسی اولویت‌های بعدی شما خواهد بود. اما به طور کلی معروف‌ترین و محبوب‌ترین زبان‌های برنامه نویسی برای هوش مصنوعی و یادگیری ماشین پایتون، matlab، C++، Java، LISP، Prolog می‌باشد.

11- کاربردهای یادگیری ماشین

ما تا به اینجای مقاله بیشتر راجع به چیستی و اصول یادگیری ماشین فرآیندها و مفاهیم آن صحبت کردیم. حالا می‌خواهیم به کاربردهای هوش مصنوعی و حوزه‌های مختلفی که از هوش مصنوعی در آن استفاده می‌شود بپردازیم.

شناسایی و پردازش تصاویر

یکی از کاربردهای رایج یادگیری ماشین شناسایی تصویر است. موقعیت‌های بسیاری برای دسته‌بندی اشیاء در تصاویر دیجیتالی وجود دارد و برای این کار می‌توان از یادگیری ماشین استفاده کرد. برای مثال در تصاویر سیاه و سفید هر پیکسل به عنوان یک واحد اندازه گیری استفاده می‌شود. در تصاویر رنگی نیز هر پیکسل یک واحد اندازه گیری برای شدت سه رنگ قرمز، سبز و آبی استفاده می‌شود.

از یادگیری ماشین نیز می‌توان در شناسایی چهره در پردازش تصویر نیز استفاده کرد. در یک دیتابیس برای هر فرد یک دسته بندی جدا جود دارد و الگوریتم‌های یادگیری ماشین با توجه به این تصاویر به تشخیص هویت می‌پردازند. از یادگیری ماشین هم چنین در تشخیص دست خط در نوشته های معمولی یا نسخ خطی چاپ شده نیز استفاده می‌شود.

شناسایی گفتار

یکی دیگر از کاربردهای یادگیری ماشین تبدیل گفتار به متن می‌باشد. این مسئله به شناسایی گفتار کامپیوتری با شناسایی گفتار اتوماتیک نیز معروف است. به کمک شناسایی گفتار یک نرم افزار می‌تواند کلمات موجود در یک گفتار را تشخیص دهد و آن را به یک فایل متنی تبدیل کند. واحد اندازه گیری در اینجا می‌تواند زنجیره ای از اعداد باشد که نماد سیگنال‌های گفتار می‌باشند. همچنین می توانیم سیگنال گفتار را با شدت در باندهای مختلف فرکانس زمانی تقسیم کنیم. شناسایی گفتار می‌تواند در برنامه‌هایی کاربرد داشته باشد که رابط تعاملی صوتی دارند و یا قابلیت جستجی صوتی و… دارند.

تشخیص بیماری

از یادگیری ماشین می‌توان در تکنیک‌ها و ابزارهایی که برای تشخیص بیماری‌ها کاربرد دارند استفاده کرد. از این تکنولوژی می‌توان برای تجزیه و تحلیل پارامترهای بالینی و ترکیب آن‌ها برای پیش‌بینی آگاهی از پیشرفت بیماری، استخراج اطلاعات پزشکی، تحقیقات برای رسیدن به نتیجه، برنامه ریزی درمانی و نظارت بر بیمار استفاده کرد. این موارد از کاربردهای موفق استفاده از متدهای یادگیری ماشین می‌باشد. استفاده از الگوریتم‌های یادگیری ماشین همچنین می‌تواند به ادغام سیستم‌های کامپیوتری و بخش‌های مراقبت بهداشتی نیز کمک کند.

تحلیل آماری

در امور اقتصادی یکی از مسائل مهم بدست آوردن استراتژی‌های کوتاه مدت برای خرید و فروش اوراق بهادار می‌باشد. برای بدست آوردن این استراتژی‌ها، کاربر از الگوریتم‌های معاملاتی برای خرید و فروش اوراق بهادار بر اساس عواملی مانند همبستگی های تاریخی و متغیرهای عمومی اقتصادی متمرکز استفاده می‌کند. یادگیری ماشین می‌تواند برای بدست آوردن این الگوریتم‌های استراتژی کوتاه مدت بسیار کاربردی باشد.

انجمن‌های یادگیری

منظور از انجمن‌های یادگیری روند توسعه بینش بین محصولات مختلف می‌باشد. یعنی به عنوان مثال اینکه بفهمیم چگونه محصولات غیر مرتبط می‌توانند با یکدیگر مرتبط باشند. یکی از کاربردهای یادگیری ماشین، مطالعه ارتباط بین کالاهایی است که مردم خریداری می‌کنند. اگر شخصی محصولی را خریداری کند، به او محصولات مشابه نشان داده می‌شود زیرا بین این دو محصول رابطه وجود دارد. زمانی که محصول جدیدی در بازار عرضه می‌شود، برای افزایش فروش می‌تواند از این طریق با محصولات قدیمی همراه می شود.

دسته بندی

منظور از دسته بندی قرار دادن هر فرد، شیء و… در دسته‌های مختلف تحت مطالعه می‌باشد. دسته بندی به تجزیه و تحلیل اندازه گیری‌های یک شی کمک می کند تا دسته ای را که به آن تعلق دارد را شناسایی کنیم. برای ایجاد یک رابطه کارآمد، تحلیلگران از داده‌ها استفاده می کنند. به عنوان مثال، قبل از اینکه یک بانک تصمیم به توزیع وام بگیرد، مشتریان دارای توانایی بازپرداخت وام را ارزیابی می‌کند. بانک در حقیقت با در نظر گرفتن عواملی مانند درآمد مشتری، پس انداز و سابقه مالی و… این کار را انجام می‌دهد. این اطلاعات از تجزیه و تحلیل و دسته بندی داده‌های گذشته در مورد وام بدست می‌آید.

پیش بینی

یادگیری ماشین می‌تواند در سیستم‌های پیش‌بینی کاربرد داشته باشد. برای مثال با توجه به چیزی که در بالا برای ارائه وام در بانک گفته شد، برای محاسبه احتمال خطای سیستم نیاز به طبقه بندی داده‌های موجود در گروه‌های مختلف دارد. این مجموعه به کمک قوانین تعیین شده توسط تحلیلگران تعریف می‌شود. پس از طبقه بندی، می‌توان احتمال خطا را باز هم به کمک یادگیری ماشین محاسبه کرد. این محاسبات می‌تواند در همه بخش‌ها برای اهداف متنوع استفاده شود. پیش بینی یکی از بهترین کاربردهای یادگیری ماشین است.

استخراج

یکی از کاربردهای بسیار خوب یادگیری ماشین استخراج اطلاعات می‌باشد. در این جا یادگیری ماشین به فرآیند استخراج اطلاعات ساختاری از داده های بدون ساختار کمک می‌کند. به عنوان مثال یادگیری ماشین به استخراج اطلاعات مورد نظر در بین صفحات وب ، مقالات، وبلاگ ها ، گزارش های تجاری و ایمیل می‌پردازد. بانک اطلاعاتی یا همان دیتابیس رابطه‌ی خروجی تولید شده را با استخراج اطلاعات حفظ می‌کند. فرآیند استخراج توسط یادگیری ماشین مجموعه ای از اسناد را به عنوان ورودی می گیرد و داده‌های ساختارمند را از آن بیرون می‌کشد.

رگرسیون

می‌توان از یادگیری ماشین هم چنین برای رگرسیون نیز استفاده کرد. در رگرسیون می توان از اصل یادگیری ماشین برای بهینه سازی پارامترها استفاده کرد. همچنین می‌توان برای کاهش خطای تقریبی و محاسبه نزدیک‌ترین نتیجه ممکن از یادگیری ماشین استفاده کرد. همچنین می‌توان برای بهینه سازی عملکرد نیز از یادگیری ماشین استفاده کنیم و می توان برای تغییر ورودی‌ها تا رسیدن به نزدیکترین نتیجه ممکن یادگیری ماشین را به کار گرفت.

سرویس‌های مالی

یادگیری ماشین ظرفیت‌های زیادی برای به کارگیری در حوزه مالی و بانکی دارد. با استفاده از یادگیری ماشین و هوش مصنوعی می‌توان خدمات مالی محبوبی را ارائه داد. یادگیری ماشین می‌تواند به بانک‌ها و موسسات مالی کمک کند تا تصمیمات دقیق‌تری بگیرند، به ارائه خدمات مالی کمک کند تا بسته شدن یک حساب را قبل از وقوع تشخیص دهند، الگوی هزینه مشتریان را پیگیری کنند، تجزیه و تحلیل بازار را انجام دهند، ردیابی الگوهای هزینه را به ماشین‌های هوشمند آموزش دهند و در نهایت الگوریتم‌های یادگیری ماشین می توانند گرایش‌ها و ترندهای پیش رو را به راحتی شناسایی کنند و در زمان واقعی واکنش نشان دهند.

برخی از کاربردهای جالب یادگیری ماشین که شما را شگفت زده خواهد کرد!

حالا می‌خواهیم به برخی از کاربردهای شگفت انگیز یادگیری ماشین بپردازیم که باعث تعجب شما خواهند شد و برای آن‌ها مثال‌های عینی بیاوریم.

ایجاد الگوریتم هایی که می توانند آثار هنری را تجزیه و تحلیل کنند:

محققان آزمایشگاه هنر و هوش مصنوعی در دانشگاه راتگرز می خواستند ببینند که آیا الگوریتم رایانه ای می تواند نقاشی ها را براساس سبک، ژانر و هنرمندان آن آثار به آسانی تشخیص بدهد و آن‌ها را طبقه بندی کند. این محققان کار را با شناسایی و آموزش ویژگی های بصری برای طبقه بندی سبک نقاشی به هوش مصنوعی کردند. الگوریتم های توسعه یافته یادگیری ماشین و هوش مصنوعی آن‌ها سبک های نقاشی را در بانک اطلاعاتی با دقت ۶۰٪ طبقه بندی کرده و از انسان‌های معمولی غیر متخصص نیز در تشخیص و دسته بندی آثار فراتر رفت و بهتر عمل کرد.

محققان فرض کردند که از ویژگی‌های بصری برای طبقه بندی سبک (یعنی یک مسئله با یادگیری نظارت شده) نیز می توان برای تعیین تأثیرات هنری هم استفاده کرد (یک مسئله یادگیری بدون نظارت). آن‌ها در ادامه برای شناسایی اشیاء خاصی از الگوریتم های طبقه بندی شده و آموزش داده شده بر روی تصاویری که در Google بود، استفاده کردند. آن‌ها این الگوریتم ها را روی بیش از ۱۷۰۰ نقاشی از ۶۶ هنرمند مختلف که بیش از ۵۵۰ سال کار می کردند، آزمایش کردند. این الگوریتم‌ها به راحتی آثار مربوط به هم را نیز شناسایی کردند.

بهینه سازی مصرف انرژی HVAC در ساختمان های بزرگ:

سیستم های گرمایشی ، تهویه و تهویه مطبوع (HVAC) در ساختمان های اداری، بیمارستان ها و سایر ساختمان های تجاری بزرگ معمولاً ناکارآمد هستند زیرا تغییر الگوهای آب و هوا، هزینه‌های متغیر انرژی یا خصوصیات حرارتی ساختمان را در نظر نمی گیرند.

پلت فرم‌ نرم افزاری مبتنی بر ابر Building IQ می‌تواند به راحتی این مشکل را برطرف کند. این پلت فرم از الگوریتم های پیشرفته و متدهای یادگیری ماشین برای پردازش مداوم مقدار گیگابایت‌های زیادی از اطلاعاتی مانند داده‌های کنتور برق، دماسنج و سنسورهای فشار HVAC و همچنین هزینه هوا و انرژی را دریافت و پردازش کند. به طور خاص، از یادگیری ماشین برای تقسیم داده ها و تعیین سهم نسبی انرژی گاز، برق، بخار و انرژی خورشیدی در فرآیندهای گرمایش و سرمایش استفاده می شود. پلت فرم Building IQ در طی زمان عادی میزان مصرف انرژی HVAC را در ساختمان‌های تجاری در مقیاس‌های بزرگ بین ۱۰تا ۲۵٪ کاهش می دهد.

در مقالات آینده به یادگیری ماشین در دنیای CG پرداخته خواهد شد.

12- منابع

گردآورنده: بهار دادفر