نویسنده: بابک عاشری زمان تقریبی مطالعه: 10 دقیقه
یادگیری ماشین (Machine Learning) یا به اختصار ML یکی از زیرشاخه های اصلی هوش مصنوعی (Artificial Intelligence) می باشد. این علم باعث می شود که ما بتوانیم به یک سیستم (کامپیوتر) موضوع مد نظر خودمان را یاد بدهیم و آن سیستم بدون اینکه بصورت صریح به آن بگوییم چه اقدامی انجام دهد، براساس دانش قبلی خود تصمیم گیری کند و اقدامات لازم را انجام دهد!
امروزه از یادگیری ماشین استفاده های زیادی می شود که برخی از کاربردهای آن خودروهای خودران، موتورهای جستجو، رباتیک، تشخیص بیماری و… می باشد. بسیاری از شرکت های بزرگ از یادگیری ماشین استفاده می کنند و این موضوع به یک تمایز رقابتی مهم تبدیل شده است.
یادگیری ماشین را می توان غالبا به سه دسته تقسیم بندی کرد:
- یادگیری نظارت شده (Supervised Learning)
- یادگیری بدون ناظر (Unsupervised Learning)
- یادگیری تقویتی (Reinforcement Learning)
یکی از قدرتمندترین زبان های برنامه نویسی در یادگیری ماشین پایتون می باشد. این زبان برنامه نویسی قدرتمند کتابخانه های زیادی در این زمینه دارد و روز به روز توسط Developer ها توسعه داده می شود. شایان ذکر است که در جهاد دانشگاهی واحد قزوین دوره برنامه نویسی پایتون مقدماتی و پیشرفته توسط اساتید مجرب آموزش داده می شود.
در یادگیری نظارت شده نیاز به داده ها و لیبل های آن ها داریم، بدین معنا که فرض کنید میخواهیم ماشینی داشته باشیم که تفاوت دو گروه را از روی یک سری مشخصه (Feature) تشخیص دهد. بعنوان مثال فرض کنید میخواهیم ماشینی داشته باشیم که تفاوت افراد دارای سرطان ریه و افراد سالم را از روی تصاویر MRI آنها تشخیص دهد. برای اینکار لازم است تعداد زیادی داده (اصطلاحا Dataset) داشته باشیم که تصاویر افراد سالم با برچسب سالم و تصاویر افراد بیمار با برچسب بیمار را بعنوان داده های آموزش (Train) به ماشین بدهیم. بعد از استفاده از الگوریتم ها و کلاسیفایر مناسب، ماشین از روی داده ها یاد میگیرد و بعد از ورود داده های یک تصویر جدید می تواند پیش بینی کند که آیا شخص مورد نظر سالم است یا بیمار.
اما الگوریتم های یادگیری ماشینی بدون نظارت نیازی به برچسب گذاری داده ها ندارند. آنها داده های بدون برچسب را غربال می کنند تا به دنبال الگوهایی باشند که می توانند برای گروه بندی نقاط داده در زیر مجموعه ها استفاده شوند. این الگوریتم‌ها، بدون نیاز به دخالت انسان، الگوهای نهان یا گروه‌های مختلف موجود در داده‌ها را کشف می‌کنند. بعنوان مثال فرض کنید در یک خانواده نوزادی وجود دارد، اعضای خانواده تصمیم میگیرند گربه ای را بعنوان حیوان خانگی خود داشته باشند.
نوزاد هیچ چیزی راجع به گربه نمیداند و به مرور زمان با آن آشنا می شود. اما بعد از مدتی گربه ی دیگری وارد خانه می شود که حتی رنگ آن با گربه ی خانگی آنها متفاوت است، اما نوزاد متوجه می شود که این موجود نیز گربه است و می تواند آن را در گروه گربه ها (بواسطه ی مشخصات ظاهری مانند شکل گوش ها، دست ها و…) قرار دهد. سه وظیفه ی اصلی یادگیری بدون نظارت خوشه‌بندی (Clustering)، اتحاد (Association) و کاهش ابعاد (Dimensionality Reduction) می باشد.
اما یکی از کارامدترین الگوریتم های یادگیری ماشینی یادگیری تقویتی (Reinforcement Learning) است. این مدل یادگیری با محیطی که به صورت مداوم در حال تغییر است در تعامل است و از این تعامل با محیط باید به یادگیری دست پیدا کنیم. در این مدل یادگیری مولفه ای به نام عامل (Agent) داریم که این عامل در حال یادگیری تقویتی است و حاصل این یادگیری در رفتار آن خواهد بود. عامل یادگیرنده در تعامل با محیط این اختیار را دارد که از بین مجموعه ی اعمال مناسب و مجاز یکی را انتخاب کند.
در مقابل انتخاب انجام شده توسط عامل، یک سیگنال غالبا عددی را از سمت محیط به صورت پاداش (Reward) یا تنبیه (Punishment) دریافت میکنیم. در ضمن انتخاب انجام شده توسط عامل تاثیر مستقیم روی محیط می گذارد و مجددا عامل باید یک عمل را انتخاب کند و این فرایند انتخاب عمل مناسب تا جایی ادامه خواهد داشت که عامل به نتیجه مد نظر برسد.
جهاد دانشگاهی واحد قزوین دوره های مختلف برنامه نویسی براتون آماده کرده که به صورت حضوری برگزار می‌شود. خوشحال می‌شویم شما را در این کلاس‌ها ببینیم. با کلیلک روی لینک زیر می‌تونید ثبت نام کنید.
ثبت نام از طریق پیج اینستاگرام
شماره تماس: 9-33376797-028
نظرات کاربران