یادگیری ماشین به‌عنوان رشته‌ای از هوش مصنوعی (AI) تعریف می‌شود. در این علم به ماشین‌ها توانایی یادگیری خودکار از داده‌ها و تجربیات گذشته داده شده و الگوهای آن‌ها با حداقل مداخلۀ انسانی، توسط ماشین شناسایی می‌شود. علمی که به‌شدت با زندگی روزمرۀ ما گره خورده، متخصصان را از انجام فرایندهای تکراری بازداشته و تکنولوژی را تا این حد گسترش داده است.
درواقع با استفاده از این علم نیاز نیست هر عملیات به‌صورت جداگانه برای سیستم شرح داده شود، بلکه خود ماشین به کشف الگوریتم‌ها و فرایندهای مورد نیاز می‌پردازد. در این مقاله از بلاگ صباویژن، اصول ماشین لرنینگ، انواع و پنج کاربرد برتر آن را توضیح می‌دهیم.
ماشین لرنینگ چیست؟
Machine Learning به‌اختصار ML و به فارسی یادگیری ماشین نامیده می‌شود. علم ماشین لرنینگ رشته‌ای از هوش مصنوعی (AI) است که به ماشین‌ها توانایی یادگیری خودکار از داده‌ها و تجربیات گذشته را می‌دهد و نیاز به دیکته‌کردن تک‌تک مراحل نیست.
درواقع دستگاه‌ها در علم یادگیری ماشین، خودشان الگوهایی را برای پیش‌بینی شناسایی می‌کنند که آن‌ها را قادر می‌سازد تا بدون برنامه‌نویسی صریح، به‌طور مستقل کار کنند. برنامه‌های کاربردی Machine Learning با داده‌های جدید تغذیه می‌شوند و می‌توانند بدون نیاز به مداخلۀ انسانی یاد بگیرند و توسعه پیدا کنند. عملکرد الگوریتم‌های این شاخه از هوش مصنوعی با افزایش تعداد نمونه‌های موجود در طول فرایندهای یادگیری بهبود می‌یابد.
برای مثال، زمانی که از Siri استفاده می‌کنید، این دستگاه با استفاده از این علم به شما پاسخ می‌دهد؛ یا زمانی که از برنامه‌هایی مانند Netflix ،YouTube یا Spotify استفاده می‌کنید، این اپلیکیشن‌ها با استفاده از این علم، سلیقۀ شما را در فیلم و موزیک شناسایی کرده و پیشنهادهایی را ارائه می‌دهند.
۳ نوع اصلی یادگیری ماشین
الگوریتم‌های ماشین لرنینگ را می‌توان به روش‌های مختلفی آموزش داد که هر روش کاربردها، مزایا و معایب خود را دارد. ML به‌طور کلی به چهار نوع اصلی طبقه‌بندی می‌شود:
۱) یادگیری نظارت‌شده (Supervised machine learning)
یادگیری نظارت‌شده، متداول‌ترین و ابتدایی‌ترین شاخۀ یادگیری ماشین است. به زبان ساده، در یادگیری نظارت‌شده ورودی‌ها به همراه خروجی‌های خود وارد سیستم می‌شوند و سیستم بر این اساس، الگویی برای آن‌ها کشف می‌کند. پس از آموزش، الگوریتم یادگیری نظارت‌شده ورودی‌های جدیدی را بدون خروجی دریافت می‌کند. حال براساس داده‌های آموزشی قبلی تعیین می‌کند که ورودی‌های جدید چه خروجی‌ای دارند. تشخیص ایمیل‌های اسپم جزئی از این شاخه از یادگیری ماشین به حساب می‌آید.
۲) یادگیری نظارت‌نشده (Unsupervised machine learning)
در یادگیری نظارت‌شده ما ورودی و خروجی داشتیم، ولی در یادگیری نظارت‌نشده، فقط داده وجود دارد. داده‌های زیادی وارد سیستم می‌شود و سیستم شروع به گروه‌بندی، خوشه‌بندی یا سازمان‌دهی آن‌ها می‌کند تا با استفاده از داده‌ها، به‌صورت اتوماتیک ارتباط و الگوی میان داده‌ها را کشف کند. سیستم‌های پیشنهادی در اپلیکیشن‌ها و سایت‌هایی مانند YouTube یا Netflix، از این نوع علم استفاده می‌کنند.
۳) یادگیری تقویتی (Reinforcement learning)
یادگیری تقویتی همانند فرایند یادگیری انسان در کودکی است. کودک با آزمون و خطا یاد می‌گیرد که چه کاری برای او خطراتی را به دنبال دارد و چه کارهایی باعث پاداش و خوشحالی می‌شود. سیستم نیز با هدف بیشینه‌کردن پاداش، به جست‌وجوی حالت‌های جدید پرداخته و آزمون و خطا کرده تا الگوهایی را کشف کند. این نوع علم در بازی‌سازی و صنعت خودرو به‌شدت کاربرد دارد.
۶ کاربرد برتر ماشین لرنینگ
اگر بخواهیم کاربردهای Machine Learning را نام ببریم، به انتها نخواهیم رسید؛ بنابراین ۶ مورد از روزمره‌ترین عملکردهای این علم همه‌چیزتمام را در ادامه لیست کرده‌ایم.
- در شبکه‌های اجتماعی: این علم همان چیزی است که حساب کاربری دوستان شما را در اینستاگرام پیدا کرده و به شما پیشنهاد می‌دهد. یا کارمندان و کارفرماها را در لینکدین با هم تطبیق داده و به پیش‌بینی نیروی مدنظر شما می‌پردازد. همچنین، پینترست با استفاده از یادگیری ماشین، اشیا را در تصاویر شناسایی می‌کند.
- در دستیاران صوتی: الکسا (Alexa)، سیری (Siri)، بیکسبی (Bixby)، گوگل (Google assistant) و کورتانا (Cortana) بهترین دستیاران صوتی هوشمند در تلفن‌های همراه هستند که به کمک الگوریتم‌های ماشین لرنینگ، تعاملات انسانی را تقلید کرده و یاد می‌گیرند.
- در فروشگاه‌های آنلاین: اگر شما هم تجربۀ خرید از فروشگاه‌های آنلاین را داشته باشید، متوجه هوشمندی آن‌ها در پیشنهاد کالاهای مکمل و تشخیص سلیقۀ خود شده‌اید. الگوریتم‌های خرید مبتنی بر هوش مصنوعی، درخصوص سلایق و خریدهای شما به جمع‌آوری اطلاعات می‌پردازند، اولویت‌ها و علاقه‌های کاربران را در خرید یاد می‌گیرند و پیشنهادهایی را در این زمینه ارائه می‌دهند.
- در موتورهای جست‌وجو: موتورهای جست‌وجو بدون کمک هوش مصنوعی نمی‌توانند اینترنت را بررسی کرده و پاسخی به کاربر ارائه دهند. یا تبلیغاتی که در اکثر صفحات گوگل برای شخص شما نمایش داده شده و همیشه در تعقیب شما هستند نیز با کمک هوش مصنوعی فعال می‌شوند. درواقع، این تبلیغات براساس سابقۀ جست‌وجوی کاربر و مطالب مورد علاقۀ او، فعال و شخصی‌سازی می‌شوند.
- در سرویس‌های مسیریابی: این علم به سرویس‌های مسیریابی مانند Google Map و تپسی کمک می‌کند تا نام خیابان‌ها و کوچه‌ها را به‌درستی پیدا کرده و زمان رسیدن به مقصد را محاسبه کنند. همچنین، مشتریان و رانندگان را ارزیابی کرده و علاوه بر پیشنهاد سفرهای شخصی‌سازی‌شدۀ مختص هر شخص، کوتاه‌ترین مسیر را جهت رسیدن به مقصد کشف می‌کند.
- در پشتیبانی از مشتری: حتماً برای شما هم پیش آمده که وارد سایتی شوید و برای پرسش‌های به‌وجود‌آمده از چت باکس کمک بگیرید. پاسخ‌دادن به سؤالات شما لزوماً نیازمند یک اپراتور انسانی نیست، بلکه سازمان‌ها با به‌کارگرفتن علم ML می‌توانند به‌سرعت و به بهترین شکل ممکن به سؤالات مشتریان پاسخ دهند. درواقع پاسخ سؤالات به‌وسیلۀ چت‌بات داده می‌شود. این ربات‌ها اطلاعات را از سایت استخراج کرده و پاسخ مناسب را به مشتریان ارائه می‌دهند. جالب است که بدانید پاسخ‌گویی با ماشین لرنینگ، با درک سریع سؤالات، عملکرد بهتری را به همراه داشته و نتایج مناسبی را نمایان می‌کند.
جمع‌بندی
ممکن است اطلاع زیادی از یادگیری ماشین نداشته باشید یا در طول روز نام آن را نشنوید، اما Machine Learning در تمام طول روز اطراف شماست. وقتی یک پرسش را در موتور جست‌وجو تایپ می کنید، در یک فروشگاه آنلاین یا شبکه‌های اجتماعی می‌چرخید و به ایمیل‌های خود سر می‌زنید، تمامی این فرایندها بدون حضور این علم هیجان‌انگیز، خسته‌کننده بوده یا شاید ناممکن باشد. در این نوشته از وی‌پدیا به‌طور کامل به شرح ماشین لرنینگ و کاربردهای آن در زندگی روزمره‌مان پرداختیم.
