یادگیری ماشین چیست و چه کاربردی دارد؟

پس از یک مطالعه کامل از این کتاب , شما قادر خواهید بود که سیستمهای پیچیده هوش مصنوعی را بسازید , مصاحبه مبتنی بر ML را مشخص کنید و حتی کسبوکار خود را نیز آغاز کنید . در حال حاضر نیز، برنامهنویسان و طراحان وبسایتها میکوشند تا Sketch ها را به کمک Artificial Intelligence به کدهای Html تبدیل کنند که این خود نشان از آغاز هوشمندسازی روندهای برنامهنویسی در آینده نزدیک دارد. تفکراتی که ابتدای امر به هوش مصنوعی توجه نشان دادند مربوط به فلاسفه کلاسیک، ریاضیدانان و منطقدانانی است که نمادها را به صورت مکانیکی دستکاری کردند و درنهایت منجر به اختراع کامپیوتر دیجیتالی قابلبرنامهریزی به نام کامپیوتر آتاناسوف بری (ABC) در دهه ۱۹۴۰ شد. دهه ۱۹۵۰ زمانی بود که پیشرفتهای بسیاری در حوزه هوش مصنوعی به ثمر رسید و یافتههای تحقیقاتی در حوزه هوش مصنوعی توسط بسیاری از محققان کامپیوتر و سایر محققان، در سطح بالایی مطرح شد. هوش مصنوعی از جمله فناوریهایی است که تا به امروز توانسته به نحو بسیار منعطفی با صنایع بسیاری ادغام شود.

چهار دسته اصلی سیستم هوش مصنوعی، هر یک بخشی از این فناوری را پیش میبرند؛ ماشین واکنشی، ابتداییترین نوع هوش مصنوعی است که صرفاً به سناریوهای فعلی واکنش نشان میدهد و نمیتواند برای تصمیمگیری در زمان حال به دادههای آموزش داده شده یا تکراری تکیه کند. در این روش، دادههای ما دسته بندی و برچسب گذاری نشدهاند. برای سادگی، ما فقط از ۲ ویژگی استفاده میکنیم که مدل ما برای انجام عملیات خود از آنها استفاده میکند. مورد محبوب استفاده از تشخیص تصویر و تشخیص چهره، تگ شدن توسط دوستان در شبکه های اجتماعی است. در ادامه می توانید توضیحاتی در مورد هوش مصنوعی و سرفصل های موجود در این کتاب به همراه لینک دانلود PDF کتاب را مشاهده کنید. یکی از مشکلات اساسی این حوزه آسیبهای جانی و مالی فراوانی است که هر ساله به بسیاری وارد میشود. بسیاری از الگوریتمهای جدید همراه با خود سیستم ارائهشدهاند. با توجه به اینکه همه برنامهها و نرمافزارهای اینترنتی در دهه ۱۹۰۰ ساخته شده بودند، بعضی از سیستمها در انطباق با فرمت سال جدید ۲۰۰۰ به مشکل برخوردند. در حال حاضر، الگوریتم های یادگیری ماشین به طور گسترده ای توسط برنامه های مختلف تشخیص گفتار استفاده می شود.

فرایند یادگیری با مشاهدات یا داده ها مانند مثالها، تجربه مستقیم یا دستورالعمل ها آغاز می شود تا براساس الگوهایی که ارائه می دهیم، به دنبال الگوهای موجود در داده ها باشیم و در آینده تصمیمات بهتری بگیریم. آغاز میشود و در این دادهها به دنبال یافتن الگوهایی هستیم که به گرفتن تصمیمات بهتر در آینده کمکمان کند. مایکروسافت، کینکت را برای Xbot 360 آغاز کرد که اولین ابزار بازی بود که حرکت بدن انسان را با استفاده از یک دوربین سه بعدی و آشکارسازی مادون قرمز دنبال کرد. بله متفاوت هستن. اگر بخوایم با یک مثال ساده این تفاوت رو بیان کنیم میشه گفت در صورتی که بینایی ماشین رو مثل بدن یک انسان تصور کنیم، بینایی کامپیوتر در واقع مغز و سیستم عصبی این انسان به حساب میاد. در این بخش دانلود کتاب هوش مصنوعی به زبان فارسی در قالب فایل PDF در ۲۵ فصل و ۴۶۸ صفحه آماده کرده ایم که کتابی مناسب جهت یادگیری مباحث موجود در هوش مصنوعی می باشد. در زیر یک لیست از شاخه های هوش مصنوعی آمده است، اما به یقین برخی از شاخه ها وجود ندارند، زیرا هنوز کسی آن ها را نشناخته است. روش های یادگیری ماشین در ۷ مرحله ذکرشده در زیر تقسیم میشود.

هوش مصنوعی ، وابسته به کامپیوترهای مورد استفاده برای فهم هوش انسانی می باشد، ولی لازم نیست که خودش را به روش هایی که به صورت زیستی قابل مشاهده اند محدود نماید. درواقع در این روش سیستم با محیط ارتباط برقرار کرده و با استفاده از بازخوردهایی که دریافت میکند، خودش را ارتقا میدهد. این روش یک متد یادگیری ماشین است که از آزمون و خطا برای تقویت و بهبود عملکرد خود بهره میبرد. پلتفرمهای شبکه های اجتماعی از شخصیسازی فیلد خبری تا هدفگیری بهتر تبلیغات، از ماشین لرنینگ در جهت بهبود منافع خود و کاربران استفاده میکنند. با آموزش این مدل، باید آزمایش شود تا ببینیم آیا در موقعیتهای دنیای واقعی بهخوبی عمل میکند یا خیر. باید بگوییم بله. کامپیوترها میتوانند در موقعیتهای جدید، دادههای جدیدی دریافت کرده و خودشان را با این دادهها سازگار کنند، از محاسبات قبلی یاد بگیرند و تصمیمات و قابل تکراری بگیرند. این مدل از مداخله انسانی استقلال پیدا میکند و بر اساس مجموعه دادهها و آموزش خود نتیجهگیری میکند. معمولاً در این روش، مقدار اندکی از دادهها دارای برچسب و حجم زیادی از آنها بدون برچسب هستند. هدف اصلی یادگیری ماشین هم این است که به کامپیوترها اجازه بدهیم که بدون مداخله یا کمک انسان بتوانند به صورت اتوماتیک یاد بگیرند و اقداماتی را تنظیم کنند.

پردازش زبان طبیعی (NLP): افزایش تواناییهای NLP در اپلیکیشنهای هوش مصنوعی از جمله چت باتها سایت vector-robot و دستیارهای مجازی. امروزه تعدادی از وبسایتها این امکان را برای چت کردن با نماینده پشتیبانی مشتری در حین جستجو کاربران در سایت ارائه میدهند. این امکان وجود دارد که شما از آن بهعنوان یک روش استفاده میکنید و حتی از آن اطلاعی ندارید. وقتی از گوگل استفاده میکنیم ، گزینه ای بانام “جستجوی صوتی” وجود دارد ، این مورد تحت تشخیص گفتار قرار می گیرد و این یک برنامه محبوب برای یادگیری ماشین است. آلفاگو از دیپمایند گوگل، یک برنامه کامپیوتری است که بازی بزرگ «گو» را انجام میدهد و قهرمانان مختلفی (انسانها) را شکست داده است. در اصل یادگیری ماشین بر توسعهی برنامههای کامپیوتری تمرکز دارد که میتواند به دادهها دسترسی یافته و با استفاده از آنها، به خودی خود یاد بگیرد. یادگیری ماشینی بر توسعه برنامه های رایانه ای متمرکز است که می توانند به داده ها دسترسی پیدا کنند و از آنها برای یادگیری خود استفاده کنند. هدف اصلی این است که کامپیوترها بهطور خودکار بدون دخالت یا کمک انسان یاد بگیرند و بر اساس آن اقدامات را تنظیم کنند. هدف اصلی این است که به کامپیوترها اجازه دهید بدون دخالت و کمک انسان به طور خودکار یاد بگیرند و اقدامات را بر اساس آن تنظیم کنند.

تشخیص گفتار فرآیندی است برای تبدیل دستورالعمل های صوتی به متن، و همچنین به عنوان “گفتار به متن” یا “تشخیص گفتار رایانه ای” شناخته می شود. فیلم ربات دیگری به نام R2-D2 را به عنوان دوست C-3PO نمایش میدهد که یک آدم ماشینی مکانیک فضایی است که میتواند مانند انسان صحبت کنند. به عنوان تعریفی دیگر، دانش و مهندسی ساخت ماشین های هوشمند و مخصوصاً برنامه های کامپیوتری هوشمند می باشد. پایتون یک زبان برنامه نویسی کامپیوتری است که اغلب برای ساخت وب سایت ها و نرم افزارها، خودکارسازی وظایف و انجام تجزیهوتحلیل داده ها استفاده میشود. این اولین پرسپترون چند لایه در نظر گرفته میشود و ایواخننکو اغلب بهعنوان پدر یادگیری عمیق در نظر گرفته میشود. این اولین باری بود که به این کلمه اشاره شد. در ادامه لیستی از سایر کتابهایی که برای علاقهمندان به ماشین لرنینگ مناسب است، نیز آورده شده است. پس از مدتی کمکم شرایط تغییر کرد. در سایت هوشیو شما از آخرین پیشرفت ها، رویدادها و اخبار هوش مصنوعی در سطح ایران و جهان مطلع می شوید، پس مارو دنبال کنید. از ابزارهای مفید دیگری که AI میتواند برای این بخش فراهم آورد،خلاصهسازی اخبار و گزارشها برای انتشار است.

در مقابل، الگوریتم های ماشین لرنینگ بدون نظارت هنگامی استفاده می شوند که اطلاعات مورد استفاده برای آموزش نه طبقه بندی شده و نه دارای برچسب باشند. ماشین لرنینگ (Machine Learning) یکی از زیرمجموعههای هوش مصنوعی است که به لطف آن، میتوانیم سیستمهایی داشته باشیم که به صورت خودکار و بدون برنامه ریزی صریح، یاد بگیرند و پیشرفت کنند. مک کارتی، لیسپ را طراحی کرد که مشهورترین و همچنان محبوبترین زبان برنامه نویسی در تحقیقات هوش مصنوعی است. جیمز اسلاگل دانشمند کامپیوتر، سنت (انتگرالگیر خودکار نمادین) را طراحی کرد که یک برنامه ذهنی حل مسئله بود و تمرکز آن بر انتگرال نمادین در حساب دیفرانسیل سال دوم دبیرستان بود. بهنظر این گروه از آنجایی که میتوان رباتها و ماشینها را صرفاً برای کارویژههای مشخص طراحی کرد، کمکم این فناوریها جای نیروی کار انسانی را در بخشهای مختلف خواهند گرفت. پردازش زبان طبیعی آموزش زبان انسانی به ماشینهاست. فرایند خرید- حمل- رسیدن به مشتری از طریق وسایل نقلیه خودکار میتواند به شکل بهینه انجام شود. ABC بیش از ۷۰۰ پوند وزن داشت و میتوانست تا ۲۹ معادله خطی همزمان را حل کند. در مقالات بعدی تصمیم داریم تا دربارهی تکنیکهای یادگیری ماشین صحبت کنیم. ریاضیدانان، فلاسفه، اساتید دانشگاه و مولفان مختلفی درباره تکنیکهای ماشینی، ماشینهای حساب و سیستمهای عددی فکر کردهاند که عاقبت منجر به مفهوم انسان ماشینی در مخلوقات غیرانسانی شد.

آنچه سوفیا را از انساننماهای گذشته متمایز میکند، شباهت او به انسان واقعی، و توانایی او در دیدن (تشخیص تصاویر)، ایجاد حالات چهره و برقراری ارتباط از طریق هوش مصنوعی است. ماشین لرنینگ یا یادگیری ماشینی کاربردی از هوش مصنوعی (AI) است که به سیستم توانایی یادگیری خودکار و بهبود تجربه بدون برنامه ریزی آشکارا را می دهد. پردازندههای گرافیکی برای حافظه با پهنای باند بالا و توانایی پنهان کردن تأخیر در انتقال حافظه به دلیل موازیسازی رشتهها مفید هستند. در این دسته، سیستم میتواند چیزهایی را که پیشتر یاد گرفته را به آینده تعمیم دهد و با برچسب گذاری دادهها و نمونهها، وقایع آینده را پیشبینی کند. هنگامیکه دادهها را برای دو ویژگی جمعآوری کردیم، گام بعدی ما آمادهسازی دادهها برای مراحل بعدی است. این الگوریتمهای یادگیری ماشین، چیزی مابین حالت با ناظر و بدون ناظر هستند که از هر دو نوع دادهی برچسب گذاری شده و بدون برچسب برای یادگیری بهره میبرند. الگوریتم های ماشین لرنینگ اغلب به دو قسمت همراه با نظارت و بدون نظارت دسته بندی می شوند. الگوریتم های ماشین لرنینگ همراه با نظارت می توانند آنچه را که در گذشته آموخته شده است با استفاده از مثالهای برچسب زده شده برای پیش بینی وقایع آینده در داده های جدید اعمال کنند.

امروزه، مراقبت های بهداشتی مبتنی بر فناوری یک واقعیت است، زیرا دستگاههای پزشکی هوشمند به یکچیز گسترده تبدیلشدهاند. فیس بوک پروژه ای با همین موضوع به نام “Deep Face” ساخته است که وظیفه تشخیص چهره و شناسایی افراد در تصویر را بر عهده دارد. کتاب یادگیری ماشین بر مشتقات ریاضی برای تعریف منطق زیربنایی یک الگوریتم ML تأکید دارد. راههای مختلفی برای بهبود مدل وجود دارد. این قابلیت در google map وجود دارد. با وجود پیشرفتها و هیجانی که در هوش مصنوعی وجود داشت، دوره زمستان هوش مصنوعی با احتیاط تمام طی شد. پروژههای هوش مصنوعی با پروژههای نرم افزاری سنتی متفاوت است. در یادگیری نظارتشده، مدلها با استفاده از مجموعه دادههای برچسبگذاری شده آموزش داده میشوند، جایی که مدل در مورد هر نوع داده میآموزد. یادگیری بینظارت به استفاده از الگوریتمهای هوش مصنوعی برای شناسایی الگوهایی در مجموعههای داده، حاوی نقاط دادهای که نه طبقهبندی شده و نه برچسبگذاری شدهاند، اشاره دارد.

این روش از ماشین لرنینگ به ماشینها این توان را میدهد که بهطور خودکار رفتار ایدهآل در زمینهای خاص را تشخیص دهند و عملکردشان را بهبود ببخشند. هرچند که این کار را بسیار سریع و دقیق انجام میدهد و امکان شناسایی موقعیتهای سود ده یا ریسکهای خطرناک را فراهم میکند، اما نیازمند زمان و منابع است تا بهطور مداوم آموزش ببیند. یادگیری ماشینی تجزیه و تحلیل مقادیر عظیم داده را امکان پذیر می کند. یک تیم تحقیقاتی از دانشگاه کارنگی ملون، ربات یادگیرنده تصویر بی پایان (NEIL) را منتشر کرد که یک سیستم یادگیری ماشین معنایی است که میتواند روابط تصاویر را مقایسه و تحلیل کند. یادگیری ماشین بدون ناظر، روی این مسئله مطالعه میکند که چطور سیستم میتواند تابعی را استنباط کند که به کمک آن بتواند ساختارهای مخفی را از دل دادههای برچسب گذاری نشده، پیدا کند. مرسدس بنز یک ون بدون راننده و مجهز به دوبین و سنسور را با هدایت ارنست دیکمانز ساخت. اورن اتزیونی (استاد علوم کامپیوتر)، میشل بانکو و میشل کافرالا (دانشمندان کامپیوتر) عبارت خواندن ماشینی را برای اولین بار به کار بردند که به معنی درک خود به خودی یک متن و بدون نظارت شخصی دیگر بود.

به جای تحقیق در مورد هر مسیر ممکن، بازی از هرس آلفا-بتا استفاده کرد که شانس برنده شدن را اندازهگیری میکرد. این مورد یکی از جذابترین بخشها در تاریخچه هوش مصنوعی است. اولین نشانه این بود که توجه و سرمایهگذاری در تحقیقات هوش مصنوعی کاهش خواهد یافت. بهمنظور توسعه مدل یادگیری ماشین یا ماشین لرنینگ، اولین قدم ما جمع آوری داده های مرتبط است که میتواند برای تمایز بین ۲ میوه استفاده شود. معمولاً از این روش در شرایطی استفاده میشود که بدست آوردن دادههای برچسب گذاری شده نیاز به مهارت و منابع مرتبط داشته باشد. سیستمهایی که از این روش استفاده میکنند، میتوانند به طور قابل توجهی، دقت را در یادگیری افزایش دهند. همین بحثها بسیاری از شرکتها و فعالان این حوزه را برانگیخت که به سراغ تنظیم دستورالعملهای اخلاقی فعالیت در این حوزه بروند. بنابراین الهامبخش بسیاری از کاراکترهای غیرانسانی مشهور دیگر از جمله C-P30 در جنگ ستارگان شد. ساخت ماشین هایی که کارهایی را انجام می دهند که آن کارها معمو لاً با استفاده از هوش انسان انجام می شوند؛ مثل، ترجمه یک زبان به زبان دیگر.