یادگیری ماشینی که از آن تحت عنوان machine learning نیز یاد می­شود، شاخه­‌ای کاربردی از هوش مصنوعی می‌باشد و زمینه‌ای را فراهم می­سازد که سیستم‌های مختلف توانایی یادگیری را به دست آورده،موضوعات مختلف را بررسی نموده و با ارائه پیشنهادات کاربردی به انسان کمک کنند. گفتنی است که هوش این دسته از سیستم­‌ها با گذشت زمان و تعامل طولانی مدت با داده ­ها،شبکه­‌ها و افراد مختلف، ارتقاء می­یابد.

یادگیری ماشینی و هوش مصنوعی رویکرد‌های مهمی هستند که سیستم‌های گوناگون با استفاده از آن­ها می توانند در زمینه حل مسائل روزمره به طور چشمگیری انسان­‌ها را کمک کنند.داده‌های مورد استفاده در این زمینه عمدتا به حدی زیاد و پیچیده هستند که کار کردن با آن ها نیازمند زمانی طولانی بوده و تقریبا برای انسان غیر ممکن است.

بی شک تا به امروز کاربرد های بسیاری از یادگیری ماشینی را در زندگی روزمره خود مورد استفاده قرار داده ­اید. بی آن که بدانید یادگیری ماشینی چیست و چه کاربردی دارد.سرویس­‌های ایمیل از جمله این کاربرد‌ها هستند که به منظور تشخیص اسپم، الگوریتم‌های یادگیری ماشینی را مورد استفاده قرار می­ دهند. شاید برایتان جالب باشد بدانید که سیستم‌های پیشنهادگر،تشخیص چهره خندان به منظور انجام عکاسی خودکار، مرتب سازی نتایج جستجو و… نمونه­‌هایی از مهم­ترین کاربردهای یادگیری ماشینی هستند.

در رابطه با ابزارهای گوناگون و روش‌هایی که مبتنی بر یادگیری ماشینی هستند، نیاز است بدانید که این دسته از ابزارها همچون دیگر ابداعات و اختراعاتی که تا به امروز اتفاق افتاده و در خدمت رفع نیازهای فیزیکی بشر به کار گرفته شده‌اند، نیست و هدف آن دستیابی به سیستم‌هایی است که بتوانند به جای انسان فکر کنند، مطالب گوناگون را یاد بگیرند و حتی بتوانند آن را یاد بدهند.

حال شاید این سوال ذهنتان را مشغول کرده باشد که یادگیری ماشینی چیست؟!در ادامه به سوال احتمالی ایجاد شده در ذهن شما پاسخ خواهیم داد.

• یادگیری ماشینی چیست؟

یادگیری ماشینی به معنای قدرت تجزیه و تحلیل ماشین می ­باشد. به عبارت دیگر این شاخه به معنای توانایی ماشین در تغییر برنامه، ساختار یا داده های آن بر مبنای اطلاعات ورودی و یا در پاسخ به اطلاعات خارجی می باشد، به گونه ­ای که رفتار ماشین به رفتار انتظار رفته از وی نزدیک گردد.

یادگیری ماشینی موضوعی است که سال­ های متمادی است که در ابعاد کوچک به وسیله شرکت ­های بزرگ مورد استفاده قرار داده می­شود. شاید برایتان جالب باشد بدانید که سایت آمازون که یکی از بزرگ­ترین و معتبرترین سایت ­های دنیا است، کلیک­ های کاربران خود را مورد بررسی قرار داده و بدین ترتیب علاقه­ مندی­ های آنان را شناسایی می ­نماید، سپس در همان زمینه تبلیغاتی را برای وی به نمایش می­گذارد. لازم به ذکر است که گوگل و فیسبوک نیز اقداماتی مشابه آمازون را به منظور راحتی کاربران خود انجام می­دهند.

• الگویتم های یادگیری ماشینی

الگوریتم ­های متفاوت زیادی به منظور یادگیری ماشینی مورد استفاده قرار داده می­شوند. انتخاب نوع الگوریتم مورد استفاده به خروجی مورد نیاز وابسته است. یادگیری ماشینی دارای سه دسته الگوریتم می­باشد که در ادامه به معرفی آن­ها خواهیم پرداخت:

1. یادگیری با ناظر

داده­ های مورد استفاده در آموزش این دسته از الگوریتم­ ها برچسب گذاری می­گردند. منظور از این عبارت این است که داده­ ها، نتایج و پاسخ مورد نظر آن­ها در دسترس می­باشند. اگر بازهم متوجه منظور عبارت ذکر شده نشده­­اید، به مثال زیر دقت کنید:

برای مثال اگر قصد آموزش تشخیص سگ از گربه به رایانه را داشته باشیم، نیاز است داده ­های مورد نظر از نوع برچسب دار باشند. بدین ترتیب چگونگی تشخیص سگ از گربه به رایانه آموزش داده می­شود. پس از این آموزش رایانه قادر خواهد بود داده­ های جدید فاقد برچسب را بررسی نموده و تشخیص دهد تصویر مورد نظر مربوط به کدام یک از این دو حیوان می­باشد. لازم به ذکر است که الگوریتم یادگیری ماشینی با ناظر در رابطه با مسائل پیچیده ­تر عملکرد قابل قبول­ تری را از خود به نمایش می­ گذارد.

این دسته از الگوریتم­ ها را در زمینه ­های گوناگونی نظیر تشخیص تصاویر و حروف مورد استفاده قرار می­دهند. شاید برایتان جالب باشد بدانید که رایانه­ های امروزی در زمینه تشخیص الگو های دست خط دقیق­ تر و قدرتمندتر از انسان عمل می­کنند. درخت تصمیم، دسته­بندی بیز، کمینه مربعات، رگرسیون و ماشین بردار پشتیبان مهم­ترین الگوریتم­ های یادگیری ماشینی بدون ناظر هستند.

2. یادگیری بدون ناظر

الگوریتم­ های بدون ناظر الگورتیم­ هایی هستند که متغیر هدف در آن­ها وجود ندارد. به عبارت دیگر خروجی این دسته از الگوریتم ­ها مشخص نیست. به منظور درک بهتر این موضوع خوشه­ بندی یک جمعیت مثالی بارز می­باشد. مثلا با در دست داشتن اطلاعات شخصی مربوط به مشتریان و لیست خریدهای آنان می­توان این مشتریان را به گروه­ هایی همسان و هم ارز دسته­ بندی کرد.

جالب است بدانید که این دسته از الگوریتم ­های یادگیری ماشینی به منظور شناسایی الگوهای موجود میان داده ­های در دسترس و فاقد برچسب، روش ­های تخمینی را که بر پایه آمار استنباطی عمل می­کنند، مورد استفاده قرار می­دهند. پس از شناسایی الگوهای موجود در بین داده ­ها، به منظور شناسایی مرز دورن مجموعه داده ­ها از الگوریتم­ های آماری استفاده شده و آن دسته از داده ­هایی که دارای الگوهای مشابه هستند، در یک دسته قرار می­گیرند. با انجام دسته ­بندی­ های بیشتر، الگوریتم موفق به درک و یادگیری الگوی مجموعه داداه های موجود شده و بدین ترتیب در صورت ورود داده ­های جدید، به پیش­بینی دسته آن­ها می­ پردازد.

الگوریتم خوشه ­بندی، تحلیل مولفه ­های اصلی، تجزیه مقادیر منفرد و تحلیل مولفه­ های مستقل مهم­ترین الگوریتم ­های یادگیری ماشینی بدون ناظر هستند.

3. یادگیری تقویتی

الگوریتم ­های یادگیری تقویتی را می­توان جزء الگوریتم­ های یادگیری ماشینی بدون ناظر نیز محسوب کرد. در این دسته از الگوریتم ­ها برنامه کنترل کننده یک ماشین به منظور اخذ تصمیمی خاص تحت آموزش قرار می­گیرد. سپس ماشین مورد نظر بر اساس موقعیت فعلی که در آن قرار دارد و نیز با استفاده از رفتار های مجاز نظیر حرکت به جلو، حرکت به عقب و… تصمیمی را اتخاذ می­نماید.

شاید برایتان جالب باشد بدانید که تصمیمات اخذ شده در دفعات اول می­توانند به صورت کاملا تصادفی انتخاب شده باشند. سیستم به ازای هر رفتار بازخوردی را از خود به نمایش می­گذارد که حاکی از درست یا نادرست بودن تصمیم اخذ شده می­باشد. در صورتی که تصمیم گرفته شده صحیح باشد، سیستم در دفعات بعدی قرار گرفته در همان موقعیت نیز این رفتارها را مجددا تکرار می کند. در غیر این صورت مجبور به امتحان رفتار های مجاز دیگر به منظور دستیابی به تصمیم درست خواهد بود.

فرآیند تصمیم ­گیری مارکوف و شبکه­ های عصبی مهم­ترین الگوریتم­ های مورد استفاده در روش یادگیری ماشینی تقویتی می­باشند. لازم به ذکر است که این نوع یادگیری مبتنی بر آزمون و خطای انسان بوده و به منظور ایجاد استراتژی به وفور مورد استفاده قرار می­گیرد. این نوع یادگیری را غالبا در زمینه آموزش بازی به رایانه ­ها به کار گرفته و در این زمینه نیز موفق عمل نموده­اند. ازدیگر کاربردهای این دسته از الگوریتم­ های یادگیری ماشینی می­توان به موارد زیر اشاره نمود:

• به کارگیری این دسته از الگوریتم ­ها در علم رباتیک به منظور استفاده در اتوماسیون­ های صنعتی
• به کارگیری الگوریتم­ های تقویتی در زمینه یادگیری ماشینی و پردازش داده­ ها
• به کارگیری این نوع الگوریتم ­ها در سیستم­ های آموزشی
• …

در اینجا بخوانید:آشنایی با زیست تراشه

• مزایای یادگیری ماشینی

یادگیری ماشینی زمینه ­ای را فراهم می­سازد که هزینه ­های عملیاتی به طور چشمگیی کاهش پیدا کرده و سرعت عمل تجزیه و تحلیل داده­ ها بهبود قابل توجهی پیدا کند. اندازه ­گیری داده ­های عملیاتی تمام حفاری ­ها  و نیز تجزیه و تحلیل داده­ ها با به کارگیری یادگیری ماشینی در صنعت نفت و پتروشیمی موجب تنظیم الگوریتم ­هایی با هدف استخراج پر بازده­تر در این زمینه­ ها شده است. این تنها یکی از مهم­ترین زمینه ­هایی است که یادگیری ماشینی آن را تحت تاثیر مثبت خود قرار داده است.