مفهوم یادگیری ماشین در هوش مصنوعی

یادگیری ماشین چیست؟

مفهوم یادگیری ماشین می توان گفت که پایه و اساس هوش مصنوعی را تشکیل می هد. ما قبلا در اینجا در مورد هوش مصنوعی توضیح دادیم. اما در این مقاله می خواهیم ببینیم که یادگیری ماشین چیست و کجای هوش مصنوعی قرار دازد؟ برای چه کارهایی و به چه شکلی از آن استفاده می شود؟

ارتباط هوش مصنوعی و یادگیری ماشین

ما به این دلیل از واژه ی هوش مصنوعی استفاده می کنیم چون قرار است که این هوشمندی به سخت افزار و نرم افزار تزریق شود و آنها از این هوشمندی در زمینه های مختلف استفاده کنند. مطمئناً همه ما دوست داشتیم که یک عامل نرم افزاری همیشه در خدمت ما بود و برخی از کارهای آنلاین روزانه ما را انجام میداد. مثلا اگر به آن میگفتم من قصد یک مسافرت یک هفته ای به فلان مکان برای منظور خاصی را دارم، ایجنت من شرایط آب و هوای مکان مورد نظر من را در این بازه زمانی چک می کرد. برای من هتل مناسب رزرو میکرد و بلیط هواپیما را هم رزرو میکرد، برای من خیلی خوشایند بود.

اما لازمه داشتن چنین ایجنتی این است که این ایجنت بتواند مثل من، اطلاعات وب سایت ها را بخواند و درک کند. می دانیم که این ایجنت صرفا یک نرم افزار است. نرم افزارها متون را متشکل از تعدادی حروف بر اساس کد اسکی آنها می بینند و درک دیگری نسبت به آن ندارند. در اینجا ما تلاش می کنیم که به ایجنت یاد بدیم که چگونه یک درک مفهومی از داده ها داشته باشد.

نحوه فرآیند یادگیری یک سیستم

فرض کنید می خواهیم به یک سیستم یاد بدیم که بیماران دیابتی  و غیردیابتی را از هم تشخیص دهد. در اینجا ما باید یک شناختی از مسئله داشته باشیم. به عبارت دیگر نیاز به دانش فرد خبره در این زمینه یعنی پزشک داریم. پزشک به ما می گوید که از طریق پردازش تصویر عنبیه چشم می توان دیابتی بودن یک فرد را تشخیص داد. بنابراین اینجا مسئله مشخص می شود. سیستم ما باید تصاویر عنبیه چشم را دریافت کرده و بعد از پردازش به ما بگوید دیابت دارد یا خیر.

اینجاست که یادگیری ماشین وارد عمل می شود و به سیستم یاد می دهد که چگونه بیماران دیابتی و غیر دیابتی را از هم تفکیک کند.

یادگیری ماشین به روش های مختلف انجام می گیرد. اما اکثر اوقات این یادگیری بر اساس تجارب قبلی که به صورت دیتاست ها جمع آوری شده اند، انجام می گیرد. مثلا برای مسئله تشخیص بیماری دیابت، تعداد زیادی از تصاویر عنبیه افراد مختلف را جمع آوری میکنیم و به پزشک مربوطه نشان میدهیم. پزشک بر اساس تجربه ای که دارد تعیین می کند که کدام تصویر مربوط به فرد دیابتی است و کدام تصویر مربوط به یک شخص سالم.

حال یادگیری ماشین بر اساس الگوریتم های متنوعی که دارد (مثلا: شبکه عصبی، درخت تصمیم، SVM، KNN و .. ) و دیتاست جمع آوری شده سعی می کند ارتباطات پیچیده بین تصاویر و دیابتی بودن یا نبودن را پیدا کند. بعد از اتمام فرآیند یادگیری، سیستم ما آماده است بدون کمک و دخالت پزشک، صرفا بر اساس دریافت تصویر عنبیه چشم یک فرد با دقت بالایی در مورد دیابتی یا سالم بودن فرد اظهار نظر کند.

انواع روش های یادگیری ماشین

یادگیری ماشین در کل به سه دسته ی: یادگیری باناظر، یادگیری بدون ناظر و یادگیری تقویتی تقسیم می شود.

در یادگیری باناظر، مانند مثال تشخیص بیماری پزشک اول باید در مورد داده ها اظهار نظر کند. به عبارتی باید برچسب مربوط به داده ها را مشخص کند. اگر برچسب داده از نوع Categorical  باشد، مسئله ما از جنس کلاسیفیکیشن (Classification)  و اگر برچسب داده ها از نوع Numerical باشد، مسئله از نوع رگرسیون خواهد بود که هر کدام الگوریتم خاص خود را دارند.

در یادگیری بدون ناظر داده های جمع آوری شده فاقد برچسب هستند. در واقع ما دنبال یافتن ارتباط بین داده ها و برچسب مربوط به آن نیستیم. در این حالت فقط سعی می شود که داده هایی که شبیه به هم هستند داخل یک گروه قرار بگیرند. اینکه داده ها در نهایت به چند گروه تقسیم شوند یک ابر پارامتری است که باید با آزمون و خطا بدست آید. در این حالت هر گروه را یک خوشه (cluster) می نامیم.

یادگیری تقویتی نوع خاصی از یادگیری است که با دو روش دیگر متفاوت است. در اینجا ما مجموعه داده آماده نداریم. اما باید محیط مسئله را کامل برای سیستم تشریح کنیم. سیستم بر اساس آزمون و خطا بر اساس سیاستی که برای آن تعیین شده است، دنبال رسیدن به یک هدف است.