هوش مصنوعی و یادگیری ماشین

هوش مصنوعی، یادگیری ماشین، یادگیری عمیق، شبکه های عصبی و بسیاری از حوزه های هوش مصنوعی در فنامد بکار گرفته می شود.

---

احتمالا شما با شنیدن عنوان هوش مصنوعی، به یاد ربات‌های پیشرفته‌ای می‌افتید که در فیلم و سریال‌های علمی تخیلی به وفور هستند. ربات‌های بی‌احساسی که یا در خدمت انسان یا در مقابل انسان قد علم کرده‌اند. اما حقیقتِ علم این است که هوش مصنوعی چیست و چه کاربردهایی دارد؟ هوش مصنوعی از قابلیت طرز تفکر انسانی برخوردار است، هر چند که این تفکر، تفاوت زیادی با توانِ فکری انسانی دارد. هوش مصنوعی، شاخه‌ای از علوم کامپیوتری است. این علم، با هدف شبیه سازی هوش انسانی در ماشین‌ها توسعه پیدا کرده است. بنابراین ماشین‌هایی که توانایی یادگیری و حل مسائل را دارند، ماشین‌هایی که مانند انسان فکر کرده و منطقی عمل می‌کنند، مجهز به هوش مصنوعی شده‌اند.

یادگیری ماشین و هوش مصنوعی چیست؟

Machine Learning یا یادگیری ماشین هوش مصنوعی یکی از زیر شاخه‌های علم هوش مصنوعی است. یادگیری ماشین هوش مصنوعی این قابلیت را به سیستم‌ها اضافه کرده است که به صورت اتوماتیک توان یادگیری داشته و خودشان را ارتقا بدهند. نکته ویژه و منحصر به فرد ماجرا در این است که سیستم‌ها بدون داشتن هیچ گونه برنامه نویسی مجزایی قابلیت پیشرفت کردن، پیدا می‌کنند. یادگیری ماشین هوش مصنوعی درست مثل مغز انسان عمل کرده و با کسب تجربه در مشاهده و یادگیری، در قدم بعدی ارتقا پیدا می‌کند. با بهره‌مندی بشر از قدرت و کارایی یادگیری ماشین هوش مصنوعی امکانات ویژه‌ای محیا خواهد شد. به طوری که بدون دخالت افراد، ماشین‌ها به طور خودکار بروزرسانی می‌شود. در مواقع نیاز، به صورت منطقی فکر کرده، تصمیم بگیرند و وارد عمل شوند.

الگوریتم و روش های یادگیری ماشین

روش های یادگیری ماشین در الگوریتم ‌های مختلفی طبقه بندی می‌شوند، در ادامه به توضیح و تعریف مهم‌ترین الگوریتم های یادگیری ماشین خواهیم پرداخت.

1- الگوریتم یادگیری ماشین نظارت شده (Supervised Algorithms)

در مدل نظارت شده الگوریتم یادگیری ماشین، سیستم از آموخته‌های گذشته و داده‌های جدید برای پیش‌بینی بهتر آینده استفاده می‌کند. الگوریتم یادگیری ماشین نظارت شده کار خود را با بررسی و آنالیز داده‌های آموزشی شروع کرده و تا تولید یک عملکرد استنباطی و پیش‌بینی‌های لازم به سمت جلو حرکت می‌کند. این سیستم از توانایی تعیین هدف برای داده‌های دریافتی برخوردار است. علاوه بر این، الگوریتم یادگیری ماشین نظارت شده، می‌تواند خروجی خود را با مدل خروجی که از قبل پیش‌بینی کرده بوده، مقایسه و معایب آن را مشخص کند. با این اتفاق الگوریتم یادگیری ماشین نظارت شده، هر دفعه تواناتر از قبل عمل خواهد کرد.

2- روش یادگیری ماشین نظارت نشده (Unsupervised Algorithms)

زمانی که اطلاعات طبقه بندی نشده‌اند و برچسب گذاری مشخصی ندارند، از الگوریتم یادگیری ماشین بدون نظارت استفاده می‌شود. این سیستم توان تعیین خروجی مناسب را نداشته و تنها می‌تواند، داده‌ها را مورد کاوش قرار دهد. علاوه بر این سیستم یادگیری ماشین نظارت نشده، قادر است ساختارهای پنهان در داده‌های برچسب نخورده را استخراج و استنتاج کند.

3- الگوریتم یادگیری ماشین نیمه نظارتی (Semi Supervised Learning – Inductive)

این نوع از سیستم‌ها می‌توانند از هر دو نوع داده “برچسب زده شده” و نشده” استفاده کنند. بنابراین این یادگیری ماشین های نیمه نظارتی از این قابلیت برخوردار هستند تا دقت یادگیری را تا حد قابل ملاحظه‌ای ارتقا ببخشند و بهبود بدهند.

4- الگوریتم یادگیری ماشین تقویت کننده (Reinforcement Algorithms)

این نوع الگوریتم از طریق اقدامات با محیط خود تعامل داشته و خطاها و پاداش‌ها را کشف می‌کند. در واقع مهم‌ترین ویژگی الگوریتم ماشین یادگیری تقویت کننده آزمایش، جستجوی خطاها و پاداش‌های تاخیری است. این الگوریتم به سیستم این فرصت را می‌دهد تا به صورت خودکار، رفتار ایده خود را برای به حداکثر رساندن عملکرد به کار بگیرد و مشخص نماید. الگوریتم یادگیری ماشین تقویت کننده از بازخورد پاداش بهره‌مند است تا بتواند بهترین عمل را به عنوان سیگنال تقویت پیدا و مشخص کند.

یادگیری عمیق چیست؟

یکی از روش‌های هوش مصنوعی و یادگیری ماشین، یادگیری عمیق است. یادگیری عمیق راه و روش فکر کردن انسان‌ها را تقلید کرده و در جهت یادگیری به کار می‌برد. برای مثال، یادگیری عمیق در احراز هویت می‌تواند باعث توسعه سخت‌افزارها در مدت کوتاهی شود. یادگیری عمیق (Deep Learning) مبتنی بر شبکه‌های عصبی مصنوعی است و به رایانه‌ها رفتاری طبیعی، درست مثل یک انسان را آموزش می‌دهد. در واقع یادگیری عمیق به نوعی یکی از شاخه‌های یادگیری ماشین به حساب می‌آید که الگوریتم آن ذهن و مغز انسان را شبیه سازی می‌کند. نام آن، شبکه عصبی مصنوعی است. در حالت عادی، این شبکه‌های عصبی تمایل به حالت نمادین و ایستا دارند. با توجه به گره‌های ارتباطی توزیع شده در سیستم‌های بیولوژیکی و همچنین پردازش اطلاعات بهینه شدند. ماشین یادگیری عمیق شامل داده‌های مهم مانند آمار، پیش بینی و مدل سازی است.