ماشین لرنینگ چیست؟
” ماشین لرنینگ” به یکی از اصطلاحاتی تبدیل شده است که اخیرا اغلب می شنویم.
مفهوم این اصطلاح که در صنعت ماشین و ربات بسیار مهم است و با پیشرفت تکنولوژی توسعه می یابد، یکی از سخت ترین مراحل است.
در این مقاله به بررسی چیستی ماشین لرنینگ، وضعیت فعلی و آینده آن می پردازیم.
ماشین لرنینگ زیرشاخه ای از علوم کامپیوتر است که در ابتدا در سال 1959 از یادگیری عددی و مطالعات تشخیص الگو در هوش مصنوعی توسعه یافت.
ماشین لرنینگ سیستمی است که مطالعه و ساخت الگوریتم هایی را بررسی می کند،
که می توانند به عنوان یک تابع ساختاری یاد بگیرند و روی داده ها پیش بینی کنند.
چنین الگوریتم‌هایی با ساخت مدلی برای پیش‌بینی‌ها و تصمیم‌گیری‌های مبتنی بر داده از ورودی‌های نمونه کار می‌کنند، نه اینکه دقیقا دستورالعمل‌های برنامه ثابت را دنبال کنند.
مفاهیم اصلی ماشین لرنینگ
فهرست مفاهیم اصلی یادگیری ماشینی با توضیحات آنها به شرح زیر است:
یادگیری تحت نظارت : داده ها از سیستم های تعاملی گرفته شده و به ترتیب خاصی سازماندهی می شوند.
یادگیری بدون نظارت : بررسی گروه‌هایی است که در داده‌ها حاوی اطلاعات کلاس نیستند.
یادگیری نیمه نظارتی : این مفهوم دقیقاً بین دو مفهوم بالا قرار دارد و استفاده از مقدار زیادی داده بدون برچسب و مقدار کمی از داده های برچسب دار با هم است.
یادگیری تقویت شده : ارزیابی معلم از نتیجه تولید شده توسط سیستم به عنوان درست یا نادرست است.
یادگیری فشرده : به عنوان یادگیری سلسله مراتبی شناخته می شود.
این روش یادگیری، ماشین لرنینگی است که با مجموعه‌ای از الگوریتم‌ها مبتنی بر تلاش‌های مدل به‌دست‌آمده،
با استفاده از انتزاعات سطح بالا بر روی داده‌های ایجاد شده،
از بسیاری از تبدیل‌های خطی و غیرخطی در نمودارهای عمیق و لایه‌های پردازشی چندگانه توسعه یافته است.
یادگیری ماشینی به عنوان یک تلاش علمی در طول تاریخ از جستجوی هوش مصنوعی پدید آمده است.
برخی از مطالعات آکادمیک در گذشته نشان می‌داد که ماشین‌ها باید داده‌ها را پس از یک مرحله خاص یاد بگیرند،
از این رو محققان مطالعات خود را انجام داده‌اند تا با روش‌های نمادین مختلف به مشکلاتی که در این زمینه ایجاد می‌شود، نزدیک شوند.
تکنیک منطق احتمالی نیز به‌ویژه در سیستم‌های تشخیص خودکار پزشکی مورد استفاده قرار گرفت.
تاریخچه پیدایش مفهوم ماشین لرنینگ
یادگیری ماشینی، به عنوان یک حوزه مجزا، دوباره در دهه 1990 شروع به توسعه کرد.
هدف تغییر میدان بدست آوردن هوش مصنوعی در رسیدگی به مسائل قابل حل در زندگی عملی است.
یادگیری ماشینی و داده کاوی اغلب از روش های مشابهی استفاده می کنند و این روش ها به طور قابل توجهی با هم همپوشانی دارند.
این روش ها را می توان به طور کلی به شرح زیر تشخیص داد:
ماشین لرنینگ، بر پیش‌بینی‌های انجام‌شده از داده‌های آموخته‌شده بر اساس ویژگی‌های شناخته شده تمرکز دارد.
داده کاوی، بر کشف ویژگی های ناشناخته در داده های (گذشته) تمرکز دارد.
این یک مرحله از تجزیه و تحلیل کشف دانش در پایگاه های داده است.
این دو حوزه از بسیاری جهات همپوشانی دارند.
مقاله مرتبط: راهنمای پاک کردن کش مرورگر اندروید
داده کاوی از بسیاری از روش های یادگیری ماشینی استفاده می کند، اما اغلب اهداف منطقی متفاوتی دارد.
از سوی دیگر، یادگیری ماشینی همچنین از روش های داده کاوی مانند یادگیری بدون نظارت یا مرحله پیش پردازش برای بهبود دقت یادگیرنده استفاده می کند.
امروزه بهترین تولیدکنندگان فعال در بخش تولید با شرکت هایی که موفق ترین مواد را ارائه می دهند در حال خرید هستند.
این تولیدکنندگان که با جدیدترین و بهترین فناوری‌ها تولید می‌کنند،
در حال حاضر از فناوری تا حد امکان استفاده می‌کنند و در طول ساخت محصولات خود از حسگرهای بیشتری نسبت به گذشته استفاده می‌کنند.
در عین حال، این واقعیت که می‌توان تولید را از طریق شبکه‌های اینترنتی انجام داد ، یکی از مهم‌ترین شواهد بر شدت استفاده از فناوری است.
این فناوری‌ها در حال حاضر تحول جدیدی در تولید ایجاد می‌کنند و ذهنیت تولیدی که با فناوری بالا همراه است،
اکنون چشم‌انداز جدیدی است که برای موفقیت شرکت‌های تولیدی ضروری است.
اولین تغییری که در این مرحله رخ می دهد از محصولات به خدمات است.
تخمین زده می شود که تعداد محصولات متصل به بی سیم (به استثنای گوشی های هوشمند و رایانه ها) تا سال 2020 از 5 میلیارد به 21 میلیارد افزایش یابد.
در حالی که فناوری در حال گسترش است، عملکرد سیستم ها به تدریج توسط افراد کنترل می شود.
رسیدگی دشوار می شود، زمان بسیار زیادی برای به دست آوردن داده ها، ارزیابی داده های به دست آمده و آشکار شدن نتایج، زمانی که توسط دست انسان انجام می شود، طول می کشد.
با توجه به اینکه این وضعیت در آینده از حوزه گسترده تری پدید خواهد آمد،
به نظر می رسد مشکلات بزرگی پیش بیاید.
نکات کلیدی در رابطه با ماشین لرنینگ
سیستم‌های توسعه‌یافته با ماشین لرنینگ ، اطلاعات زیادی مانند تجزیه و تحلیل داده‌های دقیق و تجزیه و تحلیل آماری را گرد هم می‌آورند،
و از این اطلاعات در حل مسائل با روش‌های خاص استفاده می‌کنند.
اکنون، سیستم‌هایی که در آن ماشین‌ها استفاده می‌شوند قادر خواهند بود راه‌حل را به تنهایی در پرتو داده‌هایی که هنگام مواجهه با مشکلات جدید تجزیه و تحلیل می‌کنند، آشکار کنند.
ماشین لرنینگ یک مفهوم بسیار مهم برای همه پیشرفت‌ها در زمینه‌های فناوری است.
همچنین کنفرانس‌های مختلفی در زمینه یادگیری ماشین برگزار می‌شود و این کنفرانس‌ها برای همه کاربران و محققان بخش‌های مختلف صنعت مانند فناوری تولید، اتوماسیون ، خودرو و مخابرات جذاب است.
ML4CPS 2015 ( یادگیری ماشین برای سیستم‌های فیزیکی سایبری )،
که وجه تمایز آن اولین کنفرانسی است که در سال گذشته (در تاریخ 1 تا 2 اکتبر 2015) در مورد ماشین لرنینگ برگزار شد، یک نمونه بسیار مهم بوده است.
در این کنفرانس، شرکت کنندگان این فرصت را داشتند که با موضوعات بسیاری از جمله موارد زیر آشنا شوند. موضوعات مطرح شده در اولین کنفرانس یادگیری ماشینی به شرح زیر است:
- الگوریتم های ماشین لرنینگ برای سیستم های فیزیکی سایبری
- الگوریتم های کارآمد در زمان واقعی، رویکردهای یادگیری طبقه بندی شده، یادگیری آنلاین و پیش پردازش
- مدل سازی رسمی قابل یادگیری برای سیستم های فیزیکی-سایبری
- روش های یکپارچه سازی حسگر، جمع آوری داده ها و یکپارچه سازی داده ها در سیستم های توزیع شده
- نظارت بر وضعیت، تعمیر و نگهداری عملی، پردازش تصویر، تشخیص، بهینه سازی و برنامه های خود تعمیر
