آموزش یادگیری ماشین و الگوریتم های آن به صورت تصویری

ماشین لرنینگ مطالعه و ساخت الگوریتم هایی را که می توانند بر اساس داده ها یادگیری و پیش بینی انجام دهند بررسی سایت vector-robot می کند . سپس تصویرهای سیب و موز بدون برچسب (Label) را به عنوان ورودی به ماشین می­دهید و او خود تشخیص می­دهد کدام سیب است و کدام موز و به آن­ها برچسب درست می­زند. برای مثال، شما اطلاعات جدیدی را از یک مشتری ناشناس دریافت کردید و می­خواهید بدانید او زن است یا مرد، اگر مدل پیش­بینی کرد ۷۰درصد مرد، به این معناست که الگوریتم ۷۰درصد اطمینان دارد که مشتری مرد است و ۳۰درصد احتمال می­دهد او زن است. شما باید بدانید به چه نوع داده­ای نیاز دارید و چطور قصد استفاده از آن را دارید. اما به عبارت دیگر ، “هوش مصنوعی همان چیزی است که هنوز انجام نشده است”. میتوانیم بگوییم هوش مصنوعی ترکیبی از علوم مختلف برای هوشمند کردن ماشینها است. در تصویر زیر نتیجه پیش­بینی را از 10 الگوریتم مختلف مشاهده می­کنید. فرض کنید می­خواهید جنسیت مشتریان یک شرکت تجاری را پیش­بینی کنید. وکتور میتواند برنامههای شما را در حافظه خود ذخیره کرده و در صورت لزوم به شما یادآوری کند. به صورت کلی، Deep Learning یا یادگیری عمیق زیرمجموعهای از ماشین لرنینگ به شمار میآید، چرا که مفهوم فنی و کاربردهای عملی آن چیزی به جز یکی از انواع یادگیری ماشین نیست.

در ادامه به جزئیات عملکرد و انواع الگوریتم­های یادگیری ماشین و همچنین موارد کاربرد هر کدام، در دنیای واقعی خواهیم پرداخت. به عنوان مثال یک تحلیلگر مسائل مالی، نیاز دارد ارزش یک سهام را بر اساس چند ویژگی مثل سهم، عملکرد گذشته سهام، شاخص­های اقتصاد کلان و… در واقع، در این نوع مسائل یادگیری ماشین، هدف ارتباط ورودی و خروجی نیست؛ بلکه الگوریتم یادگیری ماشین به دنبال تابعی برای توصیف ساختار پنهان و خاص موجود در دادهها است (منظور دادههای ورودی است که خروجی آنها مشخص نیست). هدف در روشهای یادگیری تقویتی، بیشینه کردن پاداش است. در روشهای یادگیری ماشین نظارت نشده، الگوریتم با بررسی شباهتها و تفاوتهای میان دادهها، به یک الگو برای خوشهبندی کردن دادهها دست پیدا میکند و بر اساس این الگو، میتواند خروجی را برای نمونه دادههای جدید پیشبینی کند. یک بازو در قسمت جلویی آن قرار گرفته که با استفاده از آن میتواند با اشیاء پیرامون خود ارتباط برقرار کند. علم داده از تجارب ماشینی برای تجزیه و تحلیل داده ها و پیش بینی استفاده می کند ، همچنین می تواند از منظر افزایش سوددهی مورد استفاده قرار گیرد.

این موضوع به این دلیل مهم است؛ که به گفته محققان آی بی ام IBM، “طبق اصل پارتو: ۸۰٪ از وقتِ با ارزش یک متخصصِ داده صرفِ پیدا کردن، پاکسازی و سازماندهی داده­ها می­شود و تنها ۲۰٪ از زمان او صرف تجزیه و تحلیل داده­ها­ می­شود.”چون داده­های نویزی، عملکرد الگوریتمِ یادگیری ماشین را پایین می­آورند و باعث می­شوند نتایج خیلی دقیق نشوند. در آموزش یادگیری ماشین باید به خوبی نحوه عملکرد هر دو بخش­ یادگیری و استنتاج را بیاموزید. در کنار عملکرد هوشمند با خرید آنلاین ربات وکتور یا (Anki’s Vector Robot) میتوانید یک همبازی مناسب برای فرزندانتان داشته باشید. وکتور مجهز به ۴ عدد میکروفن قدرتمند برای شنیدن صداهای محیط است. و مانند یک حیوان خانگی به آن واکنش نشان میدهد. یادگیری عمیق برای اهدافی مانند پردازش زبان طبیعی (NLP) ، کشف مواد مخدر و سم شناسی ، بیوانفورماتیک و موارد دیگر مورد استفاده قرار می گیرد. این شاخه بر توسعه ماشین های هوشمند متمرکز است که بتوانند مانند انسان فکر کنند و رفتار کنند. به طور معمول در زمان آموزش یک مدل یادگیری نیمهنظارت شده، از مقدار کمی از دادههای دارای برچسب و مقدار زیادی از داده های بدون برچسب بهره برده میشود. در یادگیری ماشین ما از طریق آموزش الگوریتم ها روی مقدار زیادی داده ، به ماشین ها امکان یادگیری و آموزش می دهیم.

یادگیری ماشین در اقتصاد و خدمات مالی و بانکداری، به این دلیل که این حوزه با داده­های عددی زیادی سر و کار دارد، بسیار پرکاربرد است. در یادگیری نظارت شده (Supervised ML)، الگوریتم­ها از داده­های مرتب شده و بازخوردهای انسان­ها استفاده می­کنند تا ارتباط بین ورودی­ها و خروجی­ها را یاد بگیرند. در ضمن الگوریتمهای یادگیری ماشین، در تشخیص چهره و در جهت نظارت و جلوگیری از جعل هویت هم کمک می­کنند. همچنین منابع اینترنتی بسیار قوی­ای برای آموزش ماشین لرنینگ با پایتون، منتشر شده است؛ که به روز هستند و کمک بزرگی به توسعه و البته افزایش محبوبیت این زبان کردهاند. همچنین در صورت نیاز میتوانید سؤالات خود را از این ربا بپرسید تا با جستجو در گوگل پاسخ بدهد. و در مواقع کم شدن شارژ، به صورت خودکار جایگاه شارژ را پیدا میکند. قبل از هرچیزی اهداف الگوریتم را بنویسید و مشخص کنید چه نوع اطلاعاتی میتواند برای رسیدن به آن اهداف مفید باشد. این ربات با ظاهری نزدیک به تانکهای نظامی و 4 عدد چرخ میتواند روی سطوحی مثل فرش و موکت هم حرکت کند. و با آنها میتواند به راحتی، صاحب و مسیر صدای پیرامونش را تشخیص دهد.

ربات وکتوریا (Anki’s Vector Robot) به گونهای طراحی شده که برای تمام اعضای خانواده قابل استفاده باشد. یکی از بهترین تمرین­هایی که می­توانید در آموزش یادگیری ماشین با آن کار کنید، پروژه مسافران کشتی تایتانیک است که شما را در اکتشاف داده­ها، مهندسی ویژگی­ها و تنظیم مدل به چالش می­کشد. و فهمیدیم چرا زبان برنامه­نویسی پایتون، بهترین زبان برای یادگیری ماشین است. جمع­آوری هر دیتای با ربط و بی­ربطی فقط باعث طولانی­تر شدن فرایند یادگیری ماشین و متعاقبا، دیرتر رسیدنِ شما به نتیجه می­شود. یادگیری ماشین (Machine Learning) دانشی است که کامپیوترها را به یادگرفتن و رفتار کردن مثل انسان وا می­دارد. علم داده ، یادگیری ماشین را با تجزیه و تحلیل کلان داده ها و محاسبات ابری ترکیب می کند. در واقع، الگوریتم یادگیری ماشین نظارت شده، شروع به تجزیه و تحلیل روی مجموعه دادههای ورودی (دادههای آموزش | Train Data | Train Set) میکند. علم داده اصطلاحی است برای مجموعه ای کامل از ابزارها و تکنیک هایی که به وسیله آن ها می توان داده ها را تجزیه و تحلیل کرد و از آن ها اطلاعات بدست آورد. این شاخه، بدون نیاز به دستورالعمل های صریح از الگوریتم ها و مدل های آماری استفاده می کند. آرتور ساموئل (Arthur Samuel) امریکایی، از پیشروهای حوزه بازی های کامپیوتری و هوش مصنوعی، عبارت “یادگیری ماشینی” را در سال 1959 که در IBM کار می کرد، به ثبت رساند.

بچهها میتوانند همزمان با وکتور بازی کنند و سؤالات خود را از او بپیرسند. چهار عدد سنسور مادون قرمز (IR) در زیر بدنه وکتور به آن کمک میکند تا لبهها را شناسایی کرده و از سقوط خود جلوگیری کند. چون کتابخانه­ها و فریم­ورک­های موجود به شما کمک چندانی نخواهند کرد. در الگوریتم تقویت شده Reinforcement ML، ماشین آموزش داده میشود که بر اساس داده­های موجود و ممکن، تصمیمی بگیرد. برای این کار می­توانید از داده­های موجود در وب­سایت کگل “Kaggle” استفاده کنید. در واقع موضوع، استفاده غیرقانونی از داده­های جمعآوری شده است. در مثال زیر، هدف پیش­بینی نوع گل از بین سه نوعِ مختلفِ قرمز، آبیِ روشن و آبیِ تیره است. این موضوع را پیش­تر هم توضیح دادیم که هر مدلِ یادگیری ماشین، یک هدف دارد و برای انجام کارهای خاصی طراحی شده است. حالا که با نقشۀ راه آموزش یادگیری ماشین (Machine Learning) آشنا شدید، با هم قدم به قدم این مسیر را طی می­کنیم.

هر چقدر ما بیشتر بدانیم، راحت­تر پیش­بینی کرده و تصمیم میگیریم و احتمال موفقیت ما در موقعیت­های کاملا جدید و ناشناخته، کمتر از موقعیتهای آشنا است. با چالش­ها و مزایای یادگیری ماشین آشنا شدیم. الگوریتمهای یادگیری ماشین نظارت نشده هنگامی استفاده میشوند که در دادههای مورد استفاده جهت آموزش ماشین، ورودی و خروجی سیستم از ابتدا مشخص نباشند. ماشین آموزش دیده قادر خواهد بود با استفاده از مدل استنباط شده، خروجی را برای نمونه دادههای جدید با یک ضریب خطای مشخص، پیشبینی کند. در نهایت، الگوریتم یادگیری نظارت شده پس از آموزش دیدن روی مجموعه داده دارای خروجیهای مشخص، یک الگو و یا به بیان بهتر، مدلی را استنباط میکند که دادههای ورودی بر اساس آن به دادههای خروجی مبدل میشوند. پس قبل از اجرای ML، یک بار دیگر، انتظارات خود از این فناوری و هدف نهاییتان را بنویسید. تصاویر دیگر هم نتایج طبقه­بندی توسط الگوریتم­های دیگر را نشان می­دهد، که با هم متفاوت هستند، پس انتخاب الگوریتمِ مناسب، متناسب با هدف پروژه، نوع و میزانِ دیتا بسیار مهم است.

در یادگیری تقویتی، عامل هوشمند برای انجام تصمیمگیریهای متوالی آموزش میبیند یا به بیان دیگر، عامل میآموزد که در یک محیط نامعلوم و پیچیده به هدف یعنی همان بیشینه کردن پاداش برسد. امکاناتی نظیر دستورات صوتی با عنوان “Hey Vektor”، آپدیتها و بروزرسانیهای سیستم عامل ربات و جدیدترین قابلیتهای وکتور مثل بازیها و احساسات جدید همگی با خرید اشتراک فعال خواهند شد. در واقع، عامل در مسیر بیشینه کردن پاداش (امتیاز) اقدام میکند و در غیر این صورت، خطا (مجازات | تنبیه) دریافت میکند. همین خالا اقدام به خرید ربات خانگی ویکتور کنید تا تجربه ای منحصر بفرد را از تمامی لحظات خود کسب کنید. توجه: ویکتور به زبان فارسی دسترسی ندارد و تمامی فرمانهای صوتی به زبان انگلیسی است. به عنوان مثال، اگر به دنبال رستورانی هستید که سس خاصی را سرو می­کند، داشتن اطلاعات از منوی رستوران­ها برای شما مهم است اما اگر هدفتان پیدا کردن یک رستوران خوب در حومه شهر است، نام آشپز رستوران­ها برای شما غیرضروری خواهد بود. این ربات یا (Anki’s Vector Robot) با داشتن سنسورهای لمسی و شتاب سنج، متوجه نوازش و برداشته شدن میشود. آیا می تواند دوست داشتن را یاد بگیرد ! با اینکه استفاده از یادگیری ماشین، چالش­ها و محدودیت­های خود را دارد اما به یاد داشته باشید که کاربردهای یادگیری ماشین در علوم مختلف، باعث پیشرفت بسیار زیادی شده است.

ماشین لرنینگ روشهای گوناگونی دارد که در چهار دسته اصلی «یادگیری نظارت شده» (Supervised Learning | یادگیری با ناظر)، «یادگیری نظارت نشده» (Unsupervised Learning | یادگیری بدون ناظر | یادگیری غیر نظارت شده)، «یادگیری نیمهنظارت شده» (Semi-Supervised Learning) و «یادگیری تقویتی» (Reinforcement Learning) قرار میگیرند. البته، چنانکه پیش از این نیز بیان شد، پیرامون وجود دستهای از روشها با عنوان روشهای یادگیری ماشین نیمهنظارت شده، بین پژوهشگران اختلاف نظر وجود دارد و در واقع، گروهی برای این باور هستند که روشهای نیمهنظارت شده در واقع همان روشهای بدون ناظر هستند. یادگیری ماشین Machine Learning چگونه کار می­کند؟ برای این منظور، بردار ویژگی (Feature Vector) یا همان زیرمجموعه­ای از داده­ها که برای حل یک مساله­ی مشخص، جدا شده است، در اختیار ماشین قرار می­گیرد.­ ماشین بر اساس الگوریتم­ها، آن­ها را بررسی کرده و الگوهایی را استخراج می­کند؛ سپس هر چه از داده­ها کشف کرده­، به یک مدل تبدیل می­کند. این قسمت در آموزش یادگیری ماشین بسیار هیجان­انگیز است. یادگیری ماشینی در پزشکی برای پیش بینی موضوعات مرتبط با بهداشت و درمان یکی از ترندهایی است که رشد صعودی بسیار سریعی دارد. بعد از اینکه اصول یادگیری ماشین را فهمیدید حتما باید با تمرین­های عملی خودتان را محک بزنید.

ماشین یاد می­گیرد که چطور اطلاعات ورودی و خروجی، با هم مرتبط هستند و از روی همان، خودش یک قانون می­نویسد. یادگیری ماشین ارتباط نزدیکی با آمار محاسباتی دارد (و اغلب با آن هم پوشانی دارد)، تمرکز این شاخه نیز پیش بینی کردن توسط رایانه است و پیوند محمکی با بهینه سازی ریاضی دارد، که آن هم روش ها، تئوری ها و کاربردهایی را وارد میدان می کند. در روش یادگیری نظارت شده، ورودی و خروجی الگوریتم از ابتدا مشخص است. سیستمهایی که از این روش استفاده میکنند، به میزان قابل توجهی دقت یادگیری را بهبود میبخشند. وکتور با این چشمها چشمک میزند، زاویه دید خود را هنگام تفکر باریک میکند، و هنگامی که به لبههای میز یا بلاندی میرسد چهره نگران به خود میگیرد. وکتور از مقدار باقی مانده شارژ باتری خود آگاه است. و با مجهز بودن به یک دستیار صوتی مخصوص به خود مثل الکسا و دستیار گوگل، فرمانهای صوتی شما را دریافت میکند و قابلیت پاسخگویی به سؤالات و دستورات شما را دارد. در یادگیری تقویتی، «عامل هوشمند» (Intelligent Agent) با انجام اقداماتی در محیط و دیدن نتایج آنها، با محیط خود ارتباط برقرار میکند. چه زمانی از یادگیری با نظارت Supervised ML استفاده می­کنیم؟

از یادگیری بی نظارت Unsupervised ML، زمانی که نمی­دانید چطور دیتا را طبقه­بندی کنید و می­خواهید الگوریتم برای شما الگوها و دسته­بندی دیتا را انجام دهد، می­توانید استفاده کنید. خیلی به ندرت پیش می­آید که یک الگوریتم، بتواند اطلاعات درستی ارائه کند زمانی که تنوع دیتای کمی دارد. سیستم این کار را بر اساس دیتای ذخیره شده از طرف شما انجام می­دهد و در واقع از رفتار شما یاد می­گیرد تا طبق ترجیحات و نیاز شما رفتار کند. هوش مصنوعی یا Artificial Intelligent گرایش نسبتا جدیدی در علوم است که میخواهد تحولات اساسی در زندگی مردم ایجاد کند. با مجهز بودن به دوربین، اسکنر لیزری و انواع سنسورهای دیگر و بهرهمندی از تکنولوژی هوش مصنوعی یک ربات بسیار کنجکاو است. با اینکه یادگیری ماشین کار بسیاری از صنعت­ها را راحت کرده است، اما استفاده از این تکنولوژی چالش­ها و محدودیت­هایی هم دارد. Pandas: پانداس هم برای پردازش انواع فایل­های CSV مورد استفاده قرار می­گیرد. از زیرشاخههای معروف هوش مصنوعی یادگیری ماشین یا Machine Learning میباشد که این روزها به شدت مورد بحث قرار میگیرد. الگوریتمهای یادگیری ماشین نیمهنظارت شده، از جمله روشهای یادگیری ماشین هستند که میتوان گفت بین یادگیری باناظر و یادگیری بدون ناظر قرار میگیرند.

برای فراگیری روشهای یادگیری ماشین، نیاز به تخصیص زمان و استفاده از آموزشهای کامل، جامع و به زبان ساده است. در بخش بعدی این مطلب، منبع به زبان فارسی و جامع یادگیری ماشین، معرفی شده است. وقتی در دیجی کالا یک موضوع مشخص را سرچ می­کنید، از دفعات بعد که وارد سایت می­شوید، اجناس مرتبط با آن سرچ را بیشتر به شما نشان می­دهد. برای کسب اطلاع بیشتر روی لینک خرید اشتراک ربات وکتور بزنید. اشتراک یک ماهه ربات وکتور 10 دلار و یک ساله آن 50 دلار است. آگاهی از این روش­ها نقش مهمی در آموزش یادگیری ماشین و درک بهتر آن دارد. ما به ماشین نمونه­های مشابه را می­دهیم و ماشین برای اینکه یک پیش­بینی دقیق و صحیح داشته باشد، به نمونه­های قبلی مراجعه کرده و خروجی مناسب را تشخیص می­دهد. وکتور برای فعالسازی کامل نیاز به خرید اشتراک ماهانه و یا سالانه دارد. چوپس این امکان را برای شما عزیزان فراهم کرده است تا در سریع ترین زمان ممکن بتوانید اشتراک ویژه ربات وکتور را خریداری کنید. در این مقاله قصد داریم در مورد ماشین لرنینگ (Machine Learning) صحبت کنیم.پس اگر شما هم به هوش مصنوعی و ماشین لرنینگ علاقه دارید با ما تا انتهای این مقاله همراه باشید.

تشخیص چهره یکی از کارهایی است که هوش مصنوعی به خوبی آن را انجام می دهد. سپس سیستم سعی می­کند تا ارتباطی بین حقوق یک فرد و احتمال رفتن او به یک رستوران فرضی را بفهمد. تخمین بزند. او برای این یادگیری و تخصص، تمامِ عمرش را صرف کرده است. آموزش یادگیری ماشین برای شرکت­هایی که با تحویل­های فوری، حمل و نقل عمومی و رفت و آمد سروکار دارند، بسیار مهم است. یادگیری ماشین گاهی اوقات با داده کاوی ادغام می شود؛ تمرکز این زیرشاخه بر تحلیل اکتشافی داده ها است و با عنوان یادگیری بی نظارت شناخته می شود. به همین دلیل آموزش یادگیری ماشین یک راهکار قطعی برای رشد در عصر دیجیتال به شمار می­آید. به همین دلیل یکی از مهمترین بخش­ها، انتخابِ با دقتِ آن دسته از داده­هایی است که باید در اختیار ماشین گذاشته شود. و بدون برخورد به موانع، به سمت آن میرود. تا اینجای مسیر از آموزش یادگیری ماشین، متوجه شدیم که ماشین لرنینگ چیست، چه مزیتی نسبت به برنامه­نویسی سنتی دارد و یادگیری آن چقدر شبیه به انسان است.