سفری به اعماق هوشمندی
یادگیری ماشینی: جولانگاه تجربیات و خلاقیت‌ها
سازمان‌های مدرن امروزی، حجم بسیار گسترده‌ای از داده‌ها را جمع‌آوری می‌کنند؛ داده‌‌هایی که دارایی‌های سازمانی شناخته می‌شوند. اما سازمان‌ها تنها با تجزیه‌و‌تحلیل این داده‌ها به بینش لازم در زمینه اخذ تصمیم‌‌های روشن دست خواهند یافت. سازمان‌ها، ابتدا داده‌ها را از منبع داده‌ای خود استخراج می‌کنند و سپس به تجزیه‌و‌تحلیل آن‌ها می‌پردازند.

1606683296_1_0.gif

این مطلب یکی از مجموعه مقالات پرونده ویژه «یادگیری ماشینی» شماره ۱۸۱ ماهنامه شبکه است. علاقه‌مندان می‌توانند کل این پرونده ویژه را از روی سایت شبکه دانلود کنند. 

 تجزیه‌وتحلیل این داده‌ها منجر به شکل‌گیری بینش می‌شود. در ادامه، بینش به‌دست‌آمده در اختیار مدیران ارشد سازمان قرار می‌گیرد و در نهایت تصمیم نهایی اخذ می‌شود.
این فرایند استخراج بینش از داده‌ها، «data analytics» نامیده می‌شود. به فرایند حرکت از داده‌ها به سمت بینش و در نهایت تصمیم‌گیری، تجزیه‌وتحلیل پیشگویانه داده‌ها گفته می‌شود. تجزیه‌وتحلیل پیشگویانه، هنر ساخت و به‌کا‌رگیری مدل‌‌هایی است که می‌توانند پیش‌بینی‌هایی را بر مبنای الگوهای استخراج‌شده از داده‌های تاریخی (historical) ارائه کنند. برنامه‌های کاربردی از تجزیه‌وتحلیل‌های پیشگویانه در مواردی همچون پیش‌بینی قیمت‌ها در کسب‌وکارهای مرتبط با هتل‌های زنجیره‌ای، خطوط هوایی و مانند این‌ها، ارزیابی ریسک که یکی از تأثیرگذارترین نکات کلیدی در تصمیم‌گیری سازمانی است، مدل‌سازی احتمالات (پیش‌بینی تمایلات فردی)، تشخیص در حوزه پزشکی، مهندسی و نظایر آن، طبقه‌بندی اسناد در گروه‌های مختلف و مانند این‌ها استفاده می‌کنند.

مطلب پیشنهادی

ای‌بی استارت‌آپ یادگیری ماشینی SalesPredict را تصاحب کرد

زمانی از اصطلاح یادگیری ماشین (machine Learning) استفاده می‌کنیم که مدل‌های طراحی‌شده آموزش دیده باشند. یادگیری ماشینی، در قالب فرایند خودکاری که الگوها را از داده‌ها استخراج می‌کند، تعریف می‌شود. برای اینکه بتوان مدل‌هایی را ایجاد کرد که در برنامه‌های تجزیه‌وتحلیل پیشگویانه داده‌ها استفاده شوند، روش‌های مختلفی وجود دارد. یادگیری با نظارت (Supervised learning) رایج‌ترین روشی است که در این زمینه استفاده می‌شود. در این روش ارتباط میان مجموعه‌ای از ویژگی‌های توصیفی و ویژگی مقصد (target) بر مبنای مجموعه‌ای از نمونه‌های تاریخی یا موارد مشابه به مدل آموزش داده می‌شود. بعد از این آموزش است که مدل، آمادگی پیش‌بینی رخداد‌های جدید را خواهد داشت.

تجزیه‌وتحلیل پیشگویانه، هنر ساخت و به‌کا‌رگیری مدل‌‌هایی است که می‌توانند پیش‌بینی‌هایی را بر مبنای الگوهای استخراج‌شده از داده‌های تاریخی (historical) ارائه کنند.

اگر کمی ریزبینانه به اصطلاح یادگیری ماشینی دقت کنید، با واژه‌ای به نام یادگیری (learning) روبه‌رو خواهید شد. یادگیری در ساده‌ترین توصیف خود اشاره به داده‌های تاریخی یا مشاهدات عینی دارد که برای پیش‌بینی یا مشتق‌گیری وظایف مختلف از آن‌ها استفاده می‌شود. امروزه، یادگیری ماشینی در بسیاری از سرویس‌ها و حوزه‌ها همچون تلفن‌های هوشمند‌، دنیای وب و از جمله رسانه‌های اجتماعی استفاده می‌شود. جالب اینکه بسیاری از کاربران حتی بدون اطلاع از ماهیت آن، به صورت غیرملموس از آن استفاده می‌کنند. نرم‌افزارهای تشخیص چهره رایج‌ترین مثالی است که در این زمینه می‌توانیم به آن اشاره کنیم. قابلیتی که می‌تواند عکس دیجیتال را از تصویر انسانی تشخیص دهد. نکته‌ای که لازم است در این مقدمه به آن اشاره کنیم، به تفاوت دو واژه هوش مصنوعی و یادگیری ماشینی بازمی‌گردد. در حالی که این دو واژه کاملاً متمایز از یکدیگر هستند، اما در بطن کار، هر دو در حوزه رایانش به یکدیگر متصل می‌شوند.

هوش مصنوعی در نظر دارد ماشین‌هایی را خلق کند که با تقلید از رفتار ذهنی انسان‌ها به وظایف محوله رسیدگی کنند و این وظایف را همانند انسان‌ها یا حتی بهتر از آن‌ها انجام دهند. برای این منظور، ماشین باید قابلیت یادگیری داشته باشد. در حوزه هوش مصنوعی، محققان در گروه‌های مختلفی همچون یادگیری، نمایش دانش، منطق و حتی تفکرات انتزاعی، به تحقیق و پژوهش مشغول هستند. اما در نقطه مقابل، تمرکز یادگیری ماشینی بر ساخت برنامه‌هایی است که از تجربیات گذشته درس بگیرند. شاید شنیدن این جمله کمی شگفت‌انگیز باشد که یادگیری ماشینی بیشتر از هوش مصنوعی به داده‌کاوی و تجزیه‌وتحلیل‌های آماری نزدیک است. یادگیری ماشینی خود به سه گروه اصلی یادگیری با نظارت، یادگیری بدون نظارت و یادگیری تقویت‌شده تقسیم می‌شود. پیش‌تر، توضیح مختصری درباره یادگیری با نظارت ارائه کردیم. اما یادگیری بدون نظارت به روندی اشاره دارد که در آن ماشین بر مبنای داده‌هایی که هیچ‌گاه برچسب‌گذاری نشده‌اند، آموزش می‌بیند. در این روش الگوریتم یادگیری در خصوص اینکه داده‌ها نمایانگر چه چیزی هستند، آگاه نخواهد شد. اما در گروه سوم یادگیری تقویت قرار دارد. این مدل نیز رویکردی مشابه با یادگیری بدون نظارت را دنبال می‌کند؛ با این تفاوت که خروجی به‌دست‌آمده از پرسش درجه‌بندی می‌شود؛ رویکردی که به‌طور ویژه در بازی‌ها کاربرد دارد. در این مدل زمانی که بازی برنده شود، از نتیجه کار خود برای تقویت حرکاتی که در آینده در خلال بازی انجام خواهد داد، استفاده می‌کند.

 یادگیری ماشینی به اندازه‌ای در دنیای روزمره ما رسوخ پیدا کرده است که «ماری برانسکوب»، نویسنده سایت «اینفورلد»، در مقاله مفصل خود با عنوان «یادگیری ماشینی مایکروسافت را بلعیده است» به بیان این نکته پرداخته که مایکروسافت چه دوست داشته باشد و چه نه، در حوزه هوش مصنوعی و یادگیری ماشینی پیشرفت‌های اساسی کرده است.

حال که به‌طور مختصر با یادگیری ماشینی آشنا شدید، شاید این سؤال به ذهنتان رسیده باشد که مدل‌ها چگونه آموزش می‌بینند؟ مدل‌ها بر مبنای طیف گسترده و متنوعی از الگوریتم‌ها این‌چنین آزمایش‌هایی را پشت سر می‌نهند. در ادامه این پرونده خواهید خواند که الگوریتم‌ها در قالب چارچوب‌های منبع‌باز و غیرمنبع‌باز در اختیار توسعه‌دهندگان قرار دارند. توسعه‌دهندگان با استفاده از چارچوب‌های منبع‌باز می‌توانند الگوریتم‌های رایج را استفاده یا تغییرات مدنظر خود را در آن‌ها پیاده‌سازی کنند. یادگیری ماشینی به اندازه‌ای در دنیای روزمره ما رسوخ پیدا کرده است که «ماری برانسکوب»، نویسنده سایت «اینفورلد»، در مقاله مفصل خود با عنوان «یادگیری ماشینی مایکروسافت را بلعیده است» به بیان این نکته پرداخته که مایکروسافت چه دوست داشته باشد و چه نه، در حوزه هوش مصنوعی و یادگیری ماشینی پیشرفت‌های اساسی کرده است. این پیشرفت‌ها تا آنجا بوده‌اند که حتی کاربران پلتفرم مایکروسافت ردپایی از این فناوری را در بیشتر محصولات مصرفی این شرکت یا محصولاتی که بر مبنای پلتفرم مایکروسافت ایجاد می‌کنند، احساس می‌کنند.

هوش مصنوعی در نظر دارد ماشین‌هایی را خلق کند که با تقلید از رفتار ذهنی انسان‌ها به وظایف محوله رسیدگی کنند و این وظایف را همانند انسان‌ها یا حتی بهتر از آن‌ها انجام دهند.

در مجموع می‌توانیم این‌گونه عنوان کنیم که اگر در نظر دارید در حوزه‌ای کاربردی و علمی سرمایه‌گذاری کنید، یادگیری ماشینی انتخاب درستی است؛ درست به‌این دلیل که این فناوری در بسیاری از حوزه‌های کاربردی مورد نیاز بشر و بعضی حوزه‌هایی که شناخت ما از آن‌ها اندک است، به‌خوبی می‌تواند مشکلات را حل کند. بر همین اساس، در پرونده ویژه این شماره به بیان یادگیری ماشینی، تأثیر این فناوری بر سازمان‌ها و کسب‌وکارها، کارکردهای عینی این فناوری در زمینه برقراری امنیت در حوزه دستگا‌ه‌های اینترنت اشیا، معرفی چارچوب‌هایی که مهارت را در این حوزه افزایش می‌دهند، بخش‌هایی از زندگی روزمره که به واسطه یادگیری ماشینی بهبود پیدا کرده‌اند و آینده یادگیری ماشینی پرداخته‌ایم.

==============================

شاید به این مقالات هم علاقمند باشید:

ماهنامه شبکه را از کجا تهیه کنیم؟
ماهنامه شبکه را می‌توانید از کتابخانه‌های عمومی سراسر کشور و نیز از دکه‌های روزنامه‌فروشی تهیه نمائید.

ثبت اشتراک نسخه کاغذی ماهنامه شبکه     
ثبت اشتراک نسخه آنلاین

 

کتاب الکترونیک +Network راهنمای شبکه‌ها

  • برای دانلود تنها کتاب کامل ترجمه فارسی +Network  اینجا  کلیک کنید.

کتاب الکترونیک دوره مقدماتی آموزش پایتون

  • اگر قصد یادگیری برنامه‌نویسی را دارید ولی هیچ پیش‌زمینه‌ای ندارید اینجا کلیک کنید.

ایسوس

نظر شما چیست؟