یادگیری ماشین چیست ؟

برخی از وظایف یادگیری ماشین

یادگیری ماشینی اصطلاحی است که برای توصیف مجموعه‌ای از فرآیندها استفاده می‌شود که در آن یک کامپیوتر از شواهد یا از نمونه‌های زیادی از داده‌ها یاد می‌گیرد تا به آن‌ها در انجام برخی وظایف مبتنی بر داده کمک کند. مهم‌ترین قسمت یادگیری ماشین، مرحله آموزش یا training است. آموزش در یادگیری ماشین، زمانی است که ماشین بر اساس داده‌های موجود در مورد مشکلی خاص چیزی یاد می‌گیرد. ممکن است در این مرحله، ماشین یک نمونه یا مدل داخلی در مورد چیزی را یاد بگیرد.

به بیان دیگر، کامپیوتر می‌تواند به جستجو و یادگیری الگوهایی در داده بپردازد تا ساختار آن را بفهمد. در نتیجه این آموزش، الگوریتمی به وجود می‌آید که می‌تواند برای تایید وظایفی مثل پیش بینی رویدادهای آینده، تشخیص خودکار اشیا و ساختار داده‌ها به روشی قابل مدیریت استفاده شود.

برخی از وظایف یادگیری ماشین

• پیش بینی برخی از رویدادها و وقایع نظیر زمین لرزه

با استفاده از برنامه کاربردی در پیش بینی رویدادهای طبیعی و کمک به مردم برای کاهش تاثیرات زلزله است. زمانی که سیستم شروع به یادگیری بر اساس زمان، موقعیت جغرافیایی و بزرگی زمین لرزه‌های تاریخی در یک منطقه می‌کند، الگوریتم‌های یادگیری ماشین به کمک زمین شناسان ممکن است بتواند به پیش بینی وقوع زمین لرزه در مکان و زمان معین بپردازد. این نوع یادگیری ماشین، رگرسیون گفته می‌شود. زمانی که داده ها به صورت پیوسته هستند مثل زمان و مقدار بزرگی، مدل خروجی‌ها را به شکل داده‌های پیوسته نظیر احتمال وقوع زمین لرزه ارائه می‌دهد.

• شناسایی و دسته بندی وقایع دیده نشده

داده‌های زیادی مثل علائم رانندگی جاده‌ها به ماشین داده می‌شود، الگوریتم‌های یادگیری ماشین در یک خودروی خودران ممکن است به طور صحیح علائم ایست را در مکان نامشخصی به درستی تشخیص دهد یا تابلو علامت توقف را که کمی متفاوت تر از علامت اصلی است به درستی شناسایی کند. از این اطلاعات می‌توان برای هدایت و اقدام مناسب خودروی خودران مثل توقف استفاده کرد. این نوع از یادگیری ماشین که در آن برچسب گسسته، مثل علامت ایست وجود دارد، به عنوان داده طبقه بندی شده شناخته می‌شود.

• خوشه بندی داده ها

از یادگیری ماشین می‌توان برای مدیریت داده‌های ساختار نیافته زیادی مثل خوشه بندی[1] یا تکه‌های خاص[2] استفاده کرد. برای مثال، اطلاعات عادات خرید هزاران نفر می‌تواند به پیوند دادن برخی از گروه‌های خاص برای ارزیابی هدفمندتر مورد استفاده قرار گیرد.

خوشه بندی، نمونه ای از یادگیری بدون نظارت[3] است که می‌خواهیم در مورد آن توضیح دهیم. خوشه بندی به ما کمک می‌کند تا الگوهای رفتاری در داده را بر اساس شباهت در داده پیدا کنیم. رویکرد خوشه‌بندی ممکن است در داده‌هایی مثل شبکه‌های اجتماعی به کار گرفته شود تا افراد را به صورت خودکار به گروه‌های مشابه خوشه بندی کند، یا با استفاده از اطلاعات دنباله دار مثل DNA به خوشه بندی مردم به گروه‌های مشابه ژنتیکی بپردازد.

• نتیجه گیری

الگوریتم‌ها ممکن است یکسان باشند، اما بسته به داده‌های مورد استفاده، کاربردها می‌تواند بسیار متفاوت باشد، همانطور که تاثیر استفاده از آنها می‌تواند متفاوت باشد.

به طور خلاصه، یادگیری ماشین، در مورد ساخت الگوریتم هایی است که می‌تواند به کامپیوتر کمک کند تا از داده‌ها آموزش بگیرد و بر اساس داده‌های قبلی و دیده نشده پیش بینی کند. یادگیری ماشین زمانی اتفاق می‌افتد که ماشین از داده‌ها چیزی یاد بگیرد.