یادگیری ماشین

پایتون یکی از معدود زبان‌های برنامه‌نویسی پرفروغ و محبوب جهان است. تا به امروز رقبای مختلفی برای این زبان پیدا شده‌اند که هنوز هیچ‌یک از آن‌ها موفق نشده‌اند پایتون را با چالش جدی روبه‌رو کنند. برنامه‌نویسان مسلط به پایتون می‌توانند در حوزه‌های هوش مصنوعی (یادگیری ماشین و شبکه‌های عمیق عصبی)، برنامه‌نویسی وب و علم داده‌ها، داده‌کاوی، برنامه‌نویسی‌ دسکتاپ (زیاد توصیه نمی‌شود) و..... برنامه‌های کاربردی قدرتمندی ایجاد کرده و بدون مشکل خاصی برای آگهی‌های شغلی مرتبط درخواست بدهند. در خوب بودن پایتون شکی نیست و به‌عنوان یک توسعه‌دهنده برنامه‌های کاربردی می‌توانید برای کارهای مختلفی از پایتون استفاده کنید، اما برنامه‌نویسان و توسعه‌دهندگانی که تازه به دنیای برنامه‌نویسی پایتون وارد شده‌اند، این پرسش برایشان ایجاد شده که دقیقا با پایتون چه کاری می‌توان انجام داد؟ پایتون از عهده انجام چه کارهایی بر می‌آید؟ چگونه می‌توان از پایتون استفاده کرد؟ آیا پایتون این ارزش را دارد که وقت خود را صرف یادگیری آن کنید؟ هرگاه تصمیم می‌گیرید یک‌زبان برنامه‌نویسی همچون پایتون را یاد بگیرید، پرسش‌هایی این‌چنینی به ذهن شما خطور می‌کند. توسعه‌دهندگان پایتون در پاسخ به این پرسش‌ها می‌گویند: «با یادگیری پایتون می‌توان برنامه‌های کاربردی متعددی ایجاد کرد. پایتون در سه حوزه‌ توسعه برنامه‌های کاربردی تحت‌وب، علم داده‌ها (یادگیری ماشین، تحلیل داده‌ها و تجسم‌سازی داده‌ها) و اسکریپت‌نویسی عملکردی ایده‌آل دارد.» که در این مقاله درباره هر یک از این حوزه‌ها توضیح کوتاهی ارائه خواهیم کرد.

ساخت برنامه‌هایی منطبق با انقلاب صنعتی چهارم، کشف قابلیت‌ها و توانایی‌های هوش مصنوعی و زیرشاخه‌های این فناوری، به‌کارگیری پتانسیل‌های بارز اینترنت اشیا، پیاده‌سازی بستری قدرتمند و ایمن با اتکا بر زنجیره بلوکی و ترکیب این فناوری‌ها با یکدیگر در قالب یک برنامه کاربردی مبتنی بر دات‌نت بدون شک یک پروژه هیجان‌برانگیز برنامه‌نویسی خواهد بود. طراحی و پیاده‌سازی چنین برنامه‌ای به سطح بالایی از هوشمندی، ایمنی و اتصال همیشه پایدار نیاز دارد. اما نگران نباشید، برای تسلط بر این فناوری‌ها نیازی نیست وقت خود را صرف پیدا کردن منابع مختلف کنید. در کتاب «ساخت نسل بعدی برنامه‌های دات‌نت با اتکا به اینترنت اشیا، هوش مصنوعی، زنجیره بلوکی» یاد خواهید گرفت چطور از اینترنت آژر، واسط‌های برنامه‌نویسی شناختی و زنجیره بلوکی در قالب سرویس به‌منظور ساخت برنامه‌هایی بر پایه دات‌نت استفاده کنید.

کافی است چند دقیقه از وقت خود را صرف تحقیق درباره هوش مصنوعی و به‌ویژه یادگیری ماشین کنید تا ببینید اهل فن همگی به این حقیقت اذعان دارند که آینده از آن هوش مصنوعی است. البته به نظرم ایده بدی نیست که واژه آینده را از اصطلاح هوش مصنوعی حذف کنیم. به دلیل این‌که الگوریتم‌های هوشمند از مدت‌ها پیش از سوی همه ما به کار گرفته شده‌اند، حتی زمانی که خودمان هم نمی‌دانستیم در حال استفاده از آن‌ها هستیم. اما چطور می‌توانیم به حداقل دانش لازم در زمینه یادگیری ماشین دست پیدا کنیم؟ دانشی که به ما اجازه دهد زمانی‌که در جمعی قرار داریم درباره هوش مصنوعی صحبت کنیم؟ برای دستیابی به چنین دانشی به سطح بالایی از مطالعه و پژوهش نیاز دارید. اما در نوشتار این شماره و شماره آینده نحوه به‌کارگیری عملی یک الگوریتم یادگیری ماشین ساده را توضیح خواهیم داد.

ورود به حوزه هوش مصنوعی و برنامه‌نویسی الگوریتم‌های هوشمند کار ساده‌ای نیست. پژوهشگران برجسته این حوزه بر این باور هستند که تعدد منابع و تخصصی بودن بیش از حد مطالب باعث شده است کاربران به راحتی موفق نشوند نقطه شروع را پیدا کرده و در مسیر درستی گام بردارند. هوش مصنوعی فناوری در حال تکاملی است و در نتیجه افرادی که تصمیم دارند به این حوزه وارد شوند مجبور هستند برای همگام شدن با این تکامل دانش خود را دائما ارتقا دهند. یک برنامه‌نویس یا پژوهشگر هوش مصنو‌عی برای آن‌که بتواند دانش خود را با تغییرات همسو کند باید در پروژه‌های متن‌باز مشارکت داشته، ابزارهایی که متخصصان حرفه‌ای از آن‌ها استفاده می‌کنند را بررسی کرده و در انجمن‌های حرفه‌ای به بحث و تبادل نظر پیرامون الگوریتم‌ها، چارچوب‌ها و کتابخانه‌های مطرح این حوزه بپردازد تا اطلاعاتش همواره به‌روز باشد.