یادگیری ماشین چیست؟ | وقایع روز
کد خبر: ۱۴۲۷۰
نویسنده: رپرتاژ آگهی
تاریخ انتشار: شنبه ۱۹ تير ۱۴۰۰ - 10 July 2021
یادگیری ماشین باعث می­شود کامپیوتر‌ها بدون نیاز به یک برنامه مشخص، در مورد یک موضوع بیاموزند و تصمیم­گیری را انجام دهند. در ادامه اهداف و انگیزه­های یادگیری ماشین، انواع آن و یک مثال در این باره را بررسی می­کنیم.

یادگیری ماشین چیست؟

وقایع روز ـ سرویس علم و تکنولوژی؛

یادگیری ماشین یا machine learning  به مطالعه الگوریتم ­های آماری و احتمالی مورد استفاده کامپیوترها گفته می­شود که بجای استفاده از دستورات از پیش تعیین شده، از الگوها و آنالیز و نتیجه­ گیری برای انجام وظایف خود استفاده می­نمایند.

در واقع یادگیری ماشین باعث می­شود کامپیوترها بدون نیاز به یک برنامه مشخص، در مورد یک موضوع بیاموزند و تصمیم­گیری را انجام دهند.

یادگیری ماشین زیر مجموعه­ای از هوش مصنوعی و الگوریتم­های آن است که یک مدل ریاضی بر مبنای داده های نمونه یا آزمایش ایجاد می­کند و از آن برای پیش­بینی و یا تصمیم­گیری بدون برنامه­ریزی استفاده می­نماید.

امروزه یادگیری ماشین در حوزه­های مختلفی مانند مهندسی، پزشکی، کسب ­و کار و همچنین زبان­شناسی کاربردهای گسترده و فراوانی دارد.

یادگیری ماشین در بسیاری از بخش­های زندگی روزمره نیز دیده می­شود، مثلا هنگامی که از موتورهای جست­وجوی مختلف اینترنتی استفاده می­نمایید، این موتورهای جست­وجو از الگوریتم­های یادگیری ماشین برای ارائه خدمات بهینه به مشتریان خود استفاده می­کنند چراکه نرم­افزارهای یادگیری ماشین آن­ها چگونگی نمایش نتایج به کاربران و رتبه­بندی صفحات وب را آموخته­اند.

نمونه­های دیگری از کاربردهای یادگیری ماشین، تشخیص تصاویر افراد توسط فیسبوک و یا فیلتر ایمیل­های اسپم در سیستم­های ایمیل است.

زبان­های برنامه نویسی مورد استفاده در یادگیری ماشین  java،javascript،matlab،python و R می­باشند.

در ادامه اهداف و انگیزه­های یادگیری ماشین، انواع آن و یک مثال در این باره را بررسی می­کنیم، پس تا انتهای این مقاله با ما همراه باشید.

اهداف یادگیری ماشین چیست؟

با استفاده از یادگیری ماشین، کامپیوترها با گذشت زمان می­توانند عملکرد بهتر و بهینه­تری در انجام وظایف محول شده به آن­ها داشته باشند، این وظایف ممکن است مربوط به تشخیص چهره افراد با توجه به چند نمونه تصویر مورد نظر یا مواردی مانند آموختن چگونه راه رفتن توسط ربات­های دو پا باشد.

یادگیری ماشین کمک فراوانی به کاهش هزینه­ها در انجام فعالیت­های گوناگون و بهبود سرعت عمل آنالیز و تحلیل در داده­ها می­شود، به عنوان یک مثال در صنایع نفت و پتروشیمی داده­های عملیاتی حفاری­ها جمع آوری و اندازه­گیری شده و سپس با تجزیه و تحلیل داده­ها، طراحی الگوریتم­هایی که با استفاده از آن­ها در حفاری­های بعدی استخراج پربازده­تری صورت گیرد، انجام می­شود.

انواع روش­های یادگیری ماشین

یکی از تقسیم­بندی­های رایج در انواع روش­های یادگیری ماشین بر اساس نوع داده­هایی که در اختیار ماشین قرار می­گیرد است.

یادگیری با نظارت

این روش، یک روش متداول در یادگیری ماشین است که در آن به یک سیستم یا ماشین، مجموعه­ای از جفت­های ورودی و خروجی داده می­شود و سیستم تلاش می­کند تا رابطه­ای میان ورودی­ها و خروجی­های مورد نظر برقرار نماید.

یادگیری تحت نظارت نیازمند آن است که تعدادی داده بصورت ورودی به سیستم داده شود، بنابراین برای مسائلی که دارای خروجی مشخصی برای یک ورودی معین نمی­باشند، این نوع از یادگیری کارآمد نیست.

یادگیری تقویتی

برای مسائلی که خروجی مناسبی برای سیستم تحت نظارت ندارند، از مدلی که یادگیری تقویتی ایجاد می­کند استفاده می­نمایند.

در یادگیری تقویتی سیستم موردنظر یا ماشین مورد استفاده تلاش می­کند تا برخوردهای خود با یک محیط همواره در حال تغییر یا پویا را با استفاده از روش آزمون و خطا، مدیریت و بهینه کند.

یادگیری تقویتی نوعی از یادگیری است که در آن سیستم باید رفتار خود را، در تقابل با محیط و آزمودن روش­های مختلف و مواجه با شکست یا موفقیت در برابر استراتژی­های خود، بیاموزد.

بنابراین هیچ مقدار ورودی و خروجی­ای به سیستم ارائه نمی­شود و به جای آن پس از اتخاذ یک تصمیم توسط سیستم، حالت بعدی به آن ارائه می­گردد.

یادگیری بی نظارت

یادگیری بدون نظارت نیز نوعی از یادگیری ماشین است که نوعی خودسازمانی به شمار می­رود که به دنبال الگوهای غیرقابل پیش­بینی در یک مجموعه نامشخص است.

مثال­های استقاده از یادگیری بی نظارت در دنیای امروز بسیار زیاد است، به طور مثال این نوع از یادگیری در پیشنهادهایی که به کاربران در فضای مجازی و شبکه­های اجتماعی داده می­شود، دیده می­شود.

یکی از شبکه­های اجتماعی که به طور گسترده از این نوع از یادگیری ماشین استفاده می­نماید، اینستاگرام است که داده­های مختلفی از هر فرد درباره علایق، کسانی که دنبال می­کنند و داده­هایی از این دست را ارائه می­نماید و یا پیشنهاداتی به کاربران خود می­دهد.

کاربردهای یادگیری ماشین در تشخیص هویت افراد

در روش­های قدیمی تشخیص هویت افراد، از نیروی انسانی و مواردی مانند مدارک شناسایی برای تایید هویت فرد استفاده می­شده استو برای تشخیص نهایی مطابقت مدارک، چهره فرد با تصویر ثبت شده در مدارک به صورت حضوری مقایسه می­شد.

اما امروزه با استفاده از فناوری­های تشخیص چهره در لحظه و تشخیص زنده بودن چهره، چهره واقعی فرد از یک تصویر غیرزنده قابل تشخیص شده است.

این نوع از احراز هویت، امکان جعل هویت افراد و کلاهبرداری­های مختلف را تا حد بسیار زیادی کاهش می­دهد و خطاهای انسانی هنگام تشخیص هویت افراد نیز از فرآیند احراز هویت حذف می­شود.

در تلفن­های همراه نیز اپلیکیشن­ها و امکاناتی فراهم شده است تااحراز هویت کاربر با تشخیص چهره انجام شود و دسترسی به اطلاعات تلفن همراه نیز با این امکان فراهم شود.

در وب اپلیکیشن­ها نیز امکاناتی فراهم شده است تا احراز هویت کاربر از طریق تشخیص چهره به صورت آنلاین و در لحظه انجام شود.

 به طور مثال در کسب و کارهای آنلاین با استفاده از قابلیت تشخیص زنده بودن چهره، کاربران با ارسال ویدئو یا تصویر سلفی، هویت خود را احراز می­نمایند و در هربار ورود به سامانه اطمینان حاصل می­شود که خود فرد درحال دسترسی به اطلاعات محرمانه حساب کاربری خود است، یا یک شخص حقیقی درحال خرید یا انجام فعالیت­های گوناگون در سایت است.

یوآیدی از یادگیری ماشین در توسعه سیستم احراز هویت دیجیتال خود استفاده کرده است.

ارسال نظر
نام:
ایمیل:
* نظر:
برچسب منتخب