توسط یادگیری ماشین مجموعهای از الگوریتمها و روشهای هوش مصنوعی است که سیستمها را قادر میسازد که بدون داشتن برنامهنویسی ضمنی، به صورت اتوماتیک موارد مختلف موجود در پیرامون را یادگرفته و تجربه خود را افزایش دهند.
در واقع در این ساختار، یادگیری ماشین دادهها را در اختیار ماشین، ربات و یا سیستم کامپیوتری قرار میدهد و آن ماشین نیز با در دست داشتن این اطلاعات، بدون دریافت کمکی از بیرون به یادگیری پرداخته و در راستای گرفتن تصمیمات جدید، تجربه کسب مینماید.
در روش یادگیری ماشین، پروسه یادگیری با بررسی داده و در آوردن الگوهایی مشخص از این داده، شروع میشود. هدف اصلی در این کار، این است که سیستمهای کامپیوتری بتوانند بدون حضور عامل انسانی و کمک گرفتن از وی به صورت اتوماتیکی قادر به یادگیری باشند.
متدهای به کار گرفته شده در یادگیری ماشین
الگوریتمهای یادگیری ماشین معمولاً به دو دسته “با ناظر” یا “بیناظر” تقسیم میگردند. در زیر به بررسی هر دو دسته خواهیم پرداخت.
الگوریتمهای یادگیری ماشین با ناظر
در این دسته از الگوریتمها، آن چیزی که قبلاً آموختهایم را میتوانیم برای استفاده در دادههای جدید اعمال کنیم. در واقع بدین صورت که ما یک دسته داده، به صورت داده آموزشی در اختیار داریم که این دسته داده آموزشی برای ما آشنا بوده و به نوعی بر آن تسلط داریم.
حال با آنالیز این دادهها به یک تابع استنباطی میرسیم که با استفاده از آن میتوانیم بر روی دادههای جدید نسبت به خروجیها و الگوهای احتمالی بدست آمده، پیشبینیهایی را انجام دهیم.
یعنی یادگیری صورت گرفته بر روی داده آشنا، ما را به یک تابع رسانده که از این به بعد میتوانیم با اعمال آن تابع بر روی دادههای جدید، به یک سری خروجیها و نتایج قابل پیشبینی دست یابیم. در این پروسس، هر چقدر که یادگیری اولیه بهتر و بیشتر باشد، شاهد عملکرد بهتری در این تابع خواهیم بود. نکته مهم موجود در این روش، این است که دادههای ما در روش با ناظر به صورت برچسب خورده میباشند.
الگوریتمهای یادگیری ماشین بدون ناظر
در روش یادگیری ماشین بدون ناظر، دیگر با دادههای برچسبدار و آشنا رو به رو نیستیم. در این روش، سیستم به دنبال ساخت یک تابع برای پیدا کردن الگوهای پنهان در درون دادههای غیر برچسبدار میباشد. در این روش، سیستم نمیتواند به صراحت در مورد درستی خروجی اظهار نظر کند. ولی با این وجود، در حالت کلی قادر به جست و جوی بین دادهها و بدست آوردن ساختارهای پنهان درون آنها میباشد.
الگوریتمهای یادگیری ماشین، نیمه نظارتی
این روش در یک جایی، بین روش باناظر و بدون ناظر قرار دارد. به طوری که در بخش آموزش داده، هم از دادههای دارای برچسب و هم بدون برچسب استفاده میکند. در این روش با بخش کوچکی از دادههای برچسبگذاری شده و آشنا رو به رو هستیم و در کنار آن هم با بخش بزرگ و قابل توجهی از دادههای غیر برچسبگذاری شده مواجه میباشیم. استفاده از این روش، باعث افزایش دقت خواهد شد.
الگوریتمهای یادگیری ماشین تقویتی
در این روش، سیستم با محیط اطراف خود در ارتباط بوده و با عکسالعملهای بدست آمده در ارتباط خود با محیط، خطاها و پاداشهایی را بدست میآورد که با استفاده از این موارد، میتواند یادگیری خود را جهت دهد.
بدین صورت که در صورت انجام یک عمل، اگر رفتار و عکسالعمل مشاهده شده مثبت باشد؛ در این صورت سیستم به انجام آن در موقعیتهای آینده ادامه خواهد داد. ولی اگر عکسالعمل مشاهده شده، منفی باشد؛ سیستم در پی اصلاح رفتار خود خواهد بود. در واقع در این روش، میتوان با مشاهده رفتار و اثرات آن، در ارتباط با بیرون به صورتی اتوماتیک باعث افزایش کارایی سیستم شد.
نکات آخر
در نهایت باید گفت که یادگیری ماشین، ما را در آنالیز حجم بزرگی از داده یاری مینماید. این متد در کنار فراهم آوردن نتایج سریع، دقیق و کارآمد، نیازمند زمانی اضافی برای انجام عمل یادگیری از دادهها میباشد. در نظر داشته باشید که اگر یادگیری ماشین را با هوش مصنوعی و تکنولوژیهای علوم شناختی ترکیب نماییم، باعث افزایش کارایی این روش، حتی در برخورد با حجم گستردهای از دادهها خواهیم بود.
