اگر در چند سال اخیر به طور مرتب اخبار فناوری را دنبال کرده باشید، به احتمال زیاد واژه‌هایی مانند هوش مصنوعی، یادگیری ماشینی و یادگیری عمیق به گوشتان خورده است.
غول‌های فناوری اطلاعات از قبیل گوگل، فیسبوک، لینکدین، آمازون و نتفلیکس که به تعداد زیادی کاربر سرویس می‌دهند، از یادگیری ماشینی استفاده می‌کنند.
در این نوشتار ما بر آن هستیم که یادگیری ماشینی (Machine Learning) را به زبانی ساده و روان به شما معرفی کنیم و کاربردهای آن را با ذکر چند مثال بیان داریم.
یادگیری ماشینی یکی از زیرمجموعه‌های هوش مصنوعی است، پس بهتر است در همین ابتدای کار تکلیف خودمان را با هوش مصنوعی مشخص کنیم.
هوش مصنوعی به زبان ساده این است: یک رشته علمی که به رایانه‌ها یاد می‌دهد مانند انسان فکر کنند و تصمیم بگیرند.
پیشنهاد می‌کنم برای کسب اطلاعات بیشتر در مورد هوش مصنوعی و مسائل مربوط به آن، مقالات قبلی ما را در وبلاگ موسسه پژوهش و آموزش همکاران سیستم مطالعه کنید: هوش مصنوعی چیست؟ و کاربردهای هوش مصنوعی در آموزش.
تاریخچه
برخلاف نظر عده‌ای که گمان می‌کنند یادگیری ماشینی مفهوم کاملاً جدیدی است، آرتور ساموئل (Arthur Samuel) یکی از پیشگامان هوش مصنوعی، در سال 1959 یعنی 59 سال پیش این واژه را ابداع کرد.
وی در آن سال، یادگیری ماشینی را چنین تعریف کرده بود: حوزه‌ای از تحقیقات است که در آن، رایانه می‌تواند بدون آن که برنامه‌ریزی شود یاد بگیرد.
البته پیش از وی، فردی به نام آلن تورینگ (Alan Turing) در سال 1950 در مقاله‌ای این سوال را مطرح کرد که «آیا ماشین فکر می‌کند؟» و همین موضوع سرآغاز پژوهش‌های گسترده در مورد هوش مصنوعی شد.
تعریف
یادگیری ماشینی سیستمی است که تجربه را به دانش تبدیل می‌کند، یعنی این توانایی را به سیستم می‌دهد که الگوها و قوانین را با سرعتی که همواره در حال افزایش است شناسایی کند.
در واقع در این علم تلاش می‌شود تا با بهره‌گیری از الگوریتم‌ها، یک ماشین به شکلی طراحی شود که بدون آن که صراحتاً برنامه‌ریزی شود یا تک تک اقدامات به آن دیکته گردد، خودش بتواند بیاموزد و عمل کند.
در یادگیری ماشینی به جای برنامه‌نویسیِ همه چیز، داده‌ها به یک «الگوریتم عمومی» داده می‌شوند و این الگوریتم است که بر اساس داده‌هایی که به آن داده شده، منطق خود را می‌سازد.
در واقع می‌توان یادگیری ماشینی را مجموعه‌ای از ابزارها برای هوشمندسازی فرایندها در کاربردهای مختلف قلمداد کرد.
پس تعریف نهایی این می‌شود: یادگیری ماشینی شاخه‌ای از هوش مصنوعی است که ما با استفاده از محاسبات، سیستمی طراحی می‌کنیم که می‌تواند از اطلاعات به روشی که از قبل آموخته، یادگیری انجام دهد.
کاربردها
شاید برخی فکر کنند که یادگیری ماشینی هنوز در زندگی انسان‌ها وارد نشده و باید سال‌ها بگذرد تا ما شاهد حضور این فناوری در کنار خود باشیم ولی این تفکر درست نیست.
همین الان هم تکنیک‌های یادگیری ماشینی کمابیش در کنار ما و بخشی از زندگی روزمره ما هستند.
در واقع هر زمان که شما در اینترنت به جستجو می‌پردازید، از هوش مصنوعی و یادگیری ماشینی استفاده می‌کنید: گوگل از یادگیری ماشینی برای ارائه نتایج بهتر و عرضه‌ی پیشنهادها بهره می‌برد.
یادگیری ماشینی در بهبود کارامدی دقت و تشخیص ضد ویروس‌ها و به دنبال آن، شناسایی دقیق‌تر جاسوس‌افزارها، بدافزارها و برنامه‌های تبلیغاتی کاربرد دارد.
از یادگیری ماشینی در اتومبیل‌های خودران نیز بسیار زیاد استفاده می‌شود.
واقعیت آن است که امروزه رایانه‌ها به لطف یادگیری ماشینی می‌توانند کارهای زیادی انجام دهند، از قبیل پیش‌بینی شرایط جوی و وضعیت بازار سهام، تشخیص عادات خرید کاربران، کنترل ربات‌های یک کارخانه و غیره.
چند مثال
1. سرویسهای سلامتی و بهداشتی
الگوریتم‌های مبتنی بر یادگیری ماشینی می‌توانند اطلاعات بسیار زیادی را در زمانی کوتاه پردازش کنند، و به همین دلیل کمک کار بسیار خوبی برای پزشکان هستند چرا که در مقایسه با انسان قادرند الگوهای بسیاری را در انبوه داده‌ها استخراج نمایند.
حال آن که انجام چنین کاری توسط عامل انسانی، اولاً بسیار وقت‌گیر است و ثانیاً احتمال بروز اشتباه در آن فراوان است.
2. بازاریابی
هر چه که اطلاعات شما از کاربران‌تان بیشتر باشد، بهتر می‌توانید به آنها سرویس بدهید یا محصول بفروشید.
یادگیری ماشینی در این زمینه حرفه‌ای عمل می‌کند.
3. خودروهای هوشمند
چندی پیش آی‌بی‌ام یک نظرسنجی انجام داد و طی آن مشخص شد که بیش از 74 درصد متخصصان در حوزه خودرو معتقدند سال 2025 زمان عرضه تجاری و انبوه خودروهای هوشمند است و ما در آن زمان، این خودروها را در جاده‌ها و خیابان‌ها مشاهده خواهیم کرد.
یک خودروی هوشمند با استفاده از یادگیری ماشینی می‌تواند عادات و ترجیحات کاربر (راننده) را بشناسد و تنظیمات خودرو را بر همان اساس تغییر دهد و یا در صورت بروز مشکلی، خود آن را حل کند.
4. پیش‌بینی الگوهای ترافیک در تقاطع‌های شلوغ
یک برنامه رایانه‌ای می‌تواند نوعی الگوریتم یادگیری ماشینی تولید کند که از داده‌های مختلف درباره الگوریتم‌های پیشین ترافیک پر شده است.
سپس با توجه به چیزهایی که از داده‌های قبلی یاد گرفته، پیش‌بینی‌های بهتری درباره الگوهای آینده ترافیک انجام دهد.
الگوریتم‌ها و روش‌ها
در یادگیری ماشینی ما با الگوریتم‌های متعددی روبرو هستیم که از آن جمله می‌توان به الگوریتم ID3، الگوریتم C4.5، الگوریتم ژنتیک، الگوریتم SVM و الگوریتم kNN اشاره کرد.
همچنین سه روش اصلی در یادگیری ماشینی مورد استفاده قرار می‌گیرد که عبارتند از:
یادگیری تحت نظارت یا Supervised Learning که در این روش، یک انسان تمام اطلاعات را تگ‌گذاری می‌کند.
یادگیری بدون نظارت یا Unsupervised Machine Learning که در این شیوه، یادگیری بر روی داده‌های بدون برچسب انجام می‌شود و سیستم خودش باید الگوهای پنهان در داده‌ها را کشف کند.
یادگیری تقویتی یا Reinforcement Learning که در آن، الگوریتم با وارد شدن به چرخه آزمون و خطا، می‌آموزد که تصمیمات مشخصی اتخاذ کند و به این ترتیب مدام در حال آموختن باشد.
و در پایان
کارشناسان بر این باورند که یادگیری ماشینی یکی از مهمترین فناوری‌های دهه آینده خواهد بود و کسانی که در این حوزه از مهارت و دانش کافی برخوردار باشند می‌توانند به خوبی از آن استفاده کرده و از این راه به درآمدهای کلانی دست یابند.
شاید در آینده‌ای نه چندان دور به لطف یادگیری ماشینی بتوان به سوالات پیچیده و نامتعارف هم جواب داد:
• آیا این نقطه‌ای که در بافت بدن دیده شده، سرطان است؟
• آیا این دو فرد می‌توانند روابط خوب و عاطفی با هم داشته باشند؟
• آیا موتور این موشک به هنگام پرتاب منفجر می‌شود؟
• بهترین روش برای به پرواز در آوردن این شاتل فضایی چیست؟
و هزاران سوال دیگر.
یک کارشناس می‌گوید: انسان‌ها معمولاً می‌توانند هر هفته یک یا دو مدل خوب بسازند ولی یادگیری ماشین قادر است هفته‌ای هزاران مدل بسازد.
منابع:
Forbes.com
Futurism.com
Wikipedia.org
AndroidPIT.com
TowardsDataScience.com