یادگیری ماشین چیست؟

تشخیص چهره: شما عکسی از خود با یک دوست آپلود میکنید و فیس بوک فوراً آن دوست را میشناسد. گروهی از دانشمندان Face2Face را در کنفرانس بینایی کامپیوتری و تشخیص الگو ارائه میدهند. یادگیری ماشین یا همان Machine learning در کسب و کار کاربردهای بسیار زیادی دارد و میتوانند سبب بهبود فرآیند خریدوفروش و افزایش رضایت مشتریان شود. کتاب یادگیری ماشین بر مشتقات ریاضی برای تعریف منطق زیربنایی یک الگوریتم ML تأکید دارد. حال این سؤال مطرح است که چه چیزی باعث میشود پایتون بهترین زبان برنامه نویسی برای یادگیری ماشین و بهترین زبان برنامه نویسی برای هوش مصنوعی باشد؟ ماشین لرنینگ یا یادگیری ماشین شاخهای از هوش مصنوعی است که به سیستمها توان یادگیری خودکار و پیشرفت میدهد. مطمئناً، این تجربه خرید را بهبود میبخشد، اما آیا میدانستید که این یادگیری ماشین یا ماشین لرنینگ است که این جادو را برای شما انجام میدهد؟ با آموزش این مدل، باید آزمایش شود تا ببینیم آیا در موقعیتهای دنیای واقعی بهخوبی عمل میکند یا خیر. لی میخواست دادههای موجود برای الگوریتمهای آموزشی را گسترش دهد، زیرا معتقد بود که هوش مصنوعی و ماشین لرنینگ باید دادههای آموزشی خوبی داشته باشند که دنیای واقعی را منعکس کند تا واقعاً کاربردی و مفید باشند.

پروژههای هوش مصنوعی با پروژههای نرم افزاری سنتی متفاوت است. تصمیمات مبتنی بر داده بهطور فزایندهای بین همگام شدن با رقابت یا عقب ماندن بیشتر تفاوت ایجاد میکند. با توجه به مدل ما، یک مدل رگرسیون خطی ساده برای افتراق بین میوهها مناسب است. بهعنوانمثال، برای جمعآوری دادهها در مورد رنگ، ممکن است از یک طیفسنج و برای دادههای شکل، از تصاویر میوهها استفاده کنیم تا بتوان آنها را بهعنوان شکلهای دوبعدی در نظر گرفت. در یادگیری ماشین، پروسه یادگیری ازطریق دادهها انجام میشود. در ادامه این مقاله با ما همراه باشید تا بهطور کامل به بررسی تاریخچه یادگیری ماشین، کاربردهای آن و سایر اطلاعاتی ازایندست بپردازیم. آرتور ساموئل، پیشگام در یادگیری ماشین، برنامهای برای بازی چکرزهای کامپیوتری در سطح قهرمانی ایجاد کرد. در طی یک دوره دو ماهه، گروهی از دانشمندان برجسته در زمینههای ریاضی، مهندسی، کامپیوتر و علوم شناختی گرد هم آمدهاند تا زمینههای تحقیقات هوش مصنوعی و ML را ایجاد و ایدهپردازی کنند. تفاوتها در فناوری، مهارتهای موردنیاز برای یک پروژه مبتنی بر هوش مصنوعی و ضرورت تحقیق عمیق است. گاهی اوقات از کارگاه دارتموث بهعنوان “زادگاه هوش مصنوعی” مجله خبری fudzilla یاد میشود. این مدل را در سناریویی قرار میدهد که در آن با موقعیتهایی روبرو میشود که بخشی از آموزش آن نبوده است.

این یک نمای کلی جامع از قضایای یادگیری ماشین با خلاصه شبه کدهای الگوریتمهای مربوطه ارائه میدهد. در بیشتر موارد، شما با یک ربات چت صحبت میکنید. در ادامه نیز یوجین گوستمن اولین چت باتی که برخی آن را قبول شده در آزمون تورینگ میدانند توسعه داده شد. مدلهای موجود مختلفی توسط دانشمندان داده توسعه یافته است که میتواند برای اهداف مختلف مورداستفاده قرار گیرد. در واقع یادگیری ماشین به زبان ساده جزء مهم حوزه رو به رشد علم داده است. پیش از آنکه این کتاب نوشته شود، در سال ۲۰۰۷، علم داده و یادگیری ماشین به وضعیت فعلی خود در زمینههای شغلی برتر دست یافتند. این زبان برنامه نویسی در سیستمهای ترکیبی که در آن پردازش اعداد فشرده CPU انجام میشود، بسیار رایج است. این امکان وجود دارد که شما از آن بهعنوان یک روش استفاده میکنید و حتی از آن اطلاعی ندارید. داده های خوب آمادهشده برای مدل شما میتواند کارایی آن را بهبود بخشد. اولین اشاره اصطلاح “یادگیری عمیق” توسط یک محقق اوکراینی الاصل شبکه های عصبی، ایگور آیزنبرگ، در زمینه نورون های آستانه بولی انجام شد. یادگیری عمیق از شبکه های عصبی استفاده میکند و برای گنجاندن حجم زیادی از داده های بدون ساختار ساختهشده است.

تاریخچه یادگیری ماشین با اولین مدل ریاضی شبکه های عصبی ارائهشده در مقاله علمی “حساب منطقی ایدههای نهفته در فعالیت عصبی” توسط والتر پیتس و وارن مک کالوخ شروع میشود. تمرکز اصلی این مرحله شناسایی و به حداقل رساندن هرگونه سوگیری احتمالی در مجموعه داده های ما برای این دو ویژگی است. در این حالت، نوع میوه متغیر وابسته ما خواهد بود درحالیکه رنگ میوه و شکل میوه ۲ پیشبینی کننده یا متغیر مستقل خواهد بود. این مرحلهای است که ما مدل را برای کاربردهای عملی آماده میدانیم. راههای مختلفی برای بهبود مدل وجود دارد. علاوه بر این، مجموعه دادههای خود را برای هرگونه چولگی نسبت به یک میوه خاص بررسی میکنیم. اولین ویژگی رنگ خود میوه و ویژگی دوم شکل میوه است. بسیاری از شرکتهای پیشرو امروزی، مانند فیسبوک، گوگل و اوبر، یادگیری ماشین را به بخش مرکزی عملیات خود تبدیل میکنند. این بینشها متعاقباً تصمیمگیری را در برنامهها و کسبوکارها هدایت میکنند و بهطور ایده آل بر معیارهای رشد کلیدی تأثیر میگذارند. از طریق استفاده از روشهای آماری، الگوریتمها برای طبقهبندی یا پیشبینی آموزش داده میشوند و بینشهای کلیدی را در پروژههای داده کاوی آشکار میکنند. در اینجا، چند نمونه از یادگیری ماشین را به اشتراک میگذاریم که هرروز از آنها استفاده میکنیم و شاید هیچ ایدهای نداشته باشیم که توسط ML هدایت میشوند.

اگر شما این مقاله آموزنده را دوست داشتید و می خواهید اطلاعات بیشتری در مورد مجله خبری fudzilla لطفا از سایت ما دیدن کنید.