یادگیری ماشین چیست، درباره چیست و اهداف آن

یادگیری ماشینی شاخه‌ای از هوش مصنوعی است که با تقلید از استدلال انسانی با قرار دادن ماشین در موقعیتی برای یادگیری از یک رفتار و در نتیجه از داده‌های تاریخی سر و کار دارد.

قبل از خواندن این مقاله توصیه می کنیم حتما بخوانید چیست Data Science، چه کاری و با چه اهدافی انجام می دهد

ماشینی که توسط یک الگوریتم یادگیری ماشین متحرک شده است، قبل از ورود به سرویس، یک مرحله یادگیری را پشت سر گذاشته است که یادگیری است که بیشتر به عنوان آموزش شناخته می شود. در این مرحله ماشین داده های تاریخی موجود را مطالعه می کند.

قبل از پرداختن به مزیت‌های یادگیری ماشین و تفاوت‌های بین برنامه‌نویسی کلاسیک و یادگیری ماشین، بیایید مثالی را ببینیم که مطمئناً به درک بهتر ما کمک می‌کند.

مثال یادگیری ماشینی

فرض کنید ما اطلاعات مربوط به زمان سفر در بزرگراه را در بهترین شرایط ترافیکی به یکی از برنامه های خود مخابره می کنیم تا الگوریتمی را آموزش دهیم که می تواند مانند یک دستیار صوتی به ما پاسخ دهد.

برای هر مسیر اطلاعات زیر را به الگوریتم ارسال می کنیم:

1. محل عزیمت و محل ورود
2. وسیله حمل و نقل مورد استفاده با تعیین جابجایی و نوع موتور (برقی، هیبریدی، دیزلی و غیره)
3. کل زمان سفر

سپس از طریق دستیار صوتی به دستگاه خواهیم گفت:

• از تورین تا میلان با 1000 ماشین موتوری و بنزینی 1 ساعت و 20 دقیقه سفر کردیم
• از تورین تا میلان با 2000 موتور و بنزین 50 دقیقه سفر کردیم
• از تورین تا میلان با 2000 ماشین موتوری و برقی 40 دقیقه سفر کردیم
• از تورین تا میلان 1200 دقیقه با 50 موتور سیکلت بنزینی سفر کردیم
• … و غیره…

همانطور که ما داده ها را از طریق دستیار صوتی انتقال داده ایم، برنامه ما جدولی از این نوع را تغذیه می کند:

در نهایت اگر ماشین ما توسط یک الگوریتم یادگیری ماشین متحرک شده باشد، از اطلاعات ارائه شده یاد گرفته است و بنابراین نتیجه ای را در قالب زمان سفر پیش بینی می کند. بنابراین می توانیم یک سوال از برنامه خود بپرسیم: "از تورین تا میلان با 1000 ماشین و دیزل ... چقدر طول می کشد؟"

مثال نادرست است، اما بیشتر واقع بینانه است. اما به خلاصه کردن هدف یادگیری ماشین کمک می کند.

با استفاده از مثال، بیایید سعی کنیم تفاوت بین برنامه نویسی کلاسیک و یادگیری ماشین را ببینیم.

در برنامه نویسی کلاسیک چه اتفاقی می افتد

به طور سنتی، برنامه نویسی که کد کلاسیک می نویسد باید:

1. حل مشکلی که برای او ایجاد می شود؛
2. یک الگوریتم "جزئی" برای حل مسئله بنویسید.
3. کدی را بنویسید که الگوریتم را پیاده سازی می کند.
4. کد نوشته شده را تست کنید و بررسی کنید که درست کار می کند.

سپس از هوش انسان برای نوشتن کد برنامه استفاده می شود که می تواند مشکل را حل کند.

در این حالت برنامه نویس باید به فکر سیستمی برای ذخیره و ساختاردهی اطلاعات دریافتی باشد. متعاقباً، هنگامی که اپراتور برنامه، که با برنامه‌نویسی کلاسیک نوشته شده است، سؤال را مطرح می‌کند، دستگاه با نزدیک‌ترین اطلاعات شناخته شده، بیشتر شبیه به اطلاعات ذخیره‌شده، پاسخ می‌دهد.

در یادگیری ماشین چه اتفاقی می افتد

در یادگیری ماشین، آن استهوش مصنوعی این برنامه قادر است داده های تاریخی را مطالعه کند، مدلی را ایجاد کند که برای حل مشکل استفاده شود و در نهایت ماشین مدل را در دسترس برنامه نویس قرار می دهد.

در ماشینی که توسط یادگیری ماشین متحرک شده است، برنامه به تنهایی می‌آموزد که زمان سفر را پیش‌بینی کند، زیرا قبل از ورود به سرویس، ماشین یک مرحله یادگیری را پشت سر گذاشته است. سپس ماشین یاد گرفته است که با منطقی ترین اطلاعات، نزدیک ترین به واقعیت، بر اساس منطق دیکته و تفسیر شده توسط مدل، پاسخ دهد.

در یادگیری ماشینی، مدل به قلب فرآیند تبدیل می شود. پس از تولید و آموزش، می توان آن را در دسترس نگه داشت. هر پرس و جو جدید با داده های جدید، با همان قالبی که برای آموزش استفاده می شود، نتیجه جدیدی ایجاد می کند.

و دانشمند داده؟

نقش دانشمند داده اندکی تغییر می کند، یعنی باید برنامه را در مرحله آموزش تا تولید مدل همراهی کند. برای انجام این کار، او مسئول انتخاب استراتژی ها، برنامه ریزی اهداف، تهیه داده ها و بالاتر از همه آزمایش مدل برای تأیید اثربخشی آن و همچنین هرگونه امکان بهبود خواهد بود.

این فرآیند می تواند تکرار شود، چندین بار با هدف افزودن عناصر بهبود یافته و واقعی به هر تکرار تکرار شود. به این ترتیب می توانید به راه حل بهینه برای مراحل بعدی، بهبود آموزش، بهبود تست و در نتیجه ماشین نزدیکتر شوید.

هدف نهایی همیشه ایجاد مدلی است که داده های تاریخی را بشناسد، منطق و الگوهای آن را درک کند و بنابراین بتواند نتیجه موقعیت های آینده را پیش بینی کند.

Ercole Palmeri: معتاد به نوآوری