یادگیری ماشین

مفهوم یادگیری ماشین

یادگیری ماشین (Machine Learning)، شاخه‌ای از هوش مصنوعی (Artificial Intelligence) می‌باشد که تمرکز آن بر روی ساخت اپلیکیشن‌هایی است که از تجربیات قبلی خود یاد می‌گیرند و به مرور زمان، دقت خود را در پیش‌بینی یا تصمیم‌گیری بهبود می‌بخشند.

در علوم داده، یک الگوریتم، درواقع دنباله‌ای از گام‌های پردازشی آماری است. در یادگیری ماشین، این الگوریتم‌ها برای یافتن الگوها و ویژگی‌های داده‌ها در حجم وسیع، آموزش داده می‌شوند تا فرایند تصمیم‌گیری و پیش‌بینی در برابر داده‌های جدید به صورت هوشمند صورت پذیرد. هر چقدر الگوریتم ارائه شده به لحاظ معماری و عملکرد بهتر باشد، تصمیم‌گیری‌های بهتری در برابر داده‌های پردازشی جدید از خود نشان می‌دهد.

گام‌های اصلی یادگیری ماشین

برای ساخت یک اپلیکیشن یا مدل بر پایه یادگیری ماشین، چهار گام اصلی و پایه‌ای زیر را می‌توان پیشنهاد داد.

گام اول: انتخاب و آماده‌سازی داده‌های آموزشی داده‌های آموزشی، مجموعه‌ای است از داده‌هایی که نقش حیاتی در پیاده‌سازی الگوریتم ایفا می‌کند، چرا که مدل نهایی بر اساس این داده‌ها ایجاد می‌شود. در بعضی مواقع داده‌های آموزشی تحت عنوان داده‌های برچسب‌ خورده مورد استفاده قرار می‌گیرند تا در نهایت فرایند کلاس‌بندی (Classification) صورت گیرد. در موارد دیگر ممکن است داده‌های آموزشی، برچسب نداشته باشند و مدل مجبور باشد ویژگی‌ها و خصوصیات داده‌ها را به تنهایی پیدا کرده و در نهایت فرایند خوشه‌بندی (Clustering) را انجام دهد.

گام دوم: انتخاب و پیاده‌سازی الگوریتم مناسب نوع الگوریتمی که برای مدل‌سازی انتخاب می‌کنید بسیار وابسته است به نوع داده‌ها (برچسب‌دار یا بدون برچسب)، حجم داده‌ها، و نوع مساله‌ای که در صدد رفع آن هستید. الگوریتم‌های متفاوتی برای یادگیری ماشین وجود دارند که به طور مثال می‌توان به الگوریتم‌های رگرسیون (Regression algorithms)، درخت تصمیم (Decision trees)، الگوریتم‌های مبتنی بر نمونه (Instance-based algorithms)، الگوریتم‌های خوشه‌بندی (Clustering algorithms)، الگوریتم‌های شبکه عصبی (Neural networks)، الگوریتم‌های یادگیری تقویتی (Reinforcement Learning)، الگوریتم‌های یادگیری عمیق (Deep Learning) و غیره اشاره نمود.

گام سوم: آموزش الگوریتم به منظور ایجاد مدل آموزش الگوریتم در یادگیری ماشین، یک فرایند تکراری شامل اجرای متغیرها در طول الگوریتم، مقایسه مداوم خروجی با نتیجه اصلی، تنظیم وزن‌ها به منظور افزایش دقت الگوریتم، و سپس اجرای مجدد متغیرها در الگوریتم می‌باشد. این تکرار تا زمانی به طول می‌انجامد که الگوریتم موفق شود در اکثر مواقع (نه همه مواقع!) نتیجه درست را برگرداند. خروجی نهایی از این فرایند، یک مدل آموزش دیده از یادگیری ماشین می‌باشد.

گام چهارم: استفاده و بهبود مدل گام نهایی، استفاده از مدل ساخته شده در مرحله سوم بر روی داده های جدید در یک گام بالاتر، بهبود دقت و کارایی الگوریتم به مرور زمان می‌باشد. اینکه داده‌های جدید از کجا تولید می‌شوند، بستگی به مساله ای دارد که در تلاش برای حل آن هستیم.