یادگیری ماشین یا machine learning به مطالعه الگوریتمهای آماری و احتمالی مورد استفاده کامپیوترها گفته میشود که بجای استفاده از دستورات از پیش تعیین شده، از الگوها و آنالیز و نتیجهگیری 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 دادههای 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 است و 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 تا احراز 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.
