یادگیری ماشین از 1959 تا امروز

به گزارش دکترای اقتصاد، کامپیوترهای امروزی با فناوری یادگیری ماشین می توانند بسیاری از موضوعات را پیش بینی نمایند. فرقی نمی کند شما به دنبال پیش بینی آب وهوا هستید یا شرایط بازار سهام را آنالیز می کنید؛ با استفاده از ماشین لرنینگ این کار امکان پذیر است.

یادگیری ماشین از 1959 تا امروز

یادگیری ماشین(machine learning) و یادگیری عمیق (deep learning) دو مفهومی هستند که الگوهای داده ای را کشف می نمایند. با این وجود، این دو مفهوم تفاوت هایی تکنیکی با یکدیگر دارند. ماشین لرنینگ و دیپ لرنینگ برپایه هوش مصنوعی بنا شده اند و می توان گفت یادگیری عمیق بخشی خاص از یادگیری ماشین است.

یادگیری ماشین و یادگیری عمیق داده ها را آموزش می دهند. این دو فناوری پس از آموزش، تست داده ها و مدل سازی بهترین مدل داده ای را ارائه می نمایند. مدل های یادگیری عمیق تمایل به ساخت بهتر مدل های یادگیری ماشین دارند.

الگوریتم های یادگیری ماشین بعضی مواقع با آموزش داده ها برنامه ریزی می شوند و گاهی جواب های مشخصی ندارند. یادگیری ماشین روشی برای تنظیم و کشف روش ها و الگوریتم هایی است که براساس آن کامپیوترها توانایی یادگیری پیدا می نمایند.

یادگیری ماشین زیرمجموعه ای از فناوری هوش مصنوعی است. این فناوری بر اساس تجربیات ماشین آموزش دیده پیش بینی هایی را به کاربران ارائه می دهد. یادگیری ماشین که ما این روزها به عنوان مفهوم تازه ای در جهانمان به آن نگاه می کنیم، مفهوم جدیدی نیست.

تاریخچه یادگیری ماشین(machine learning)

61 سال پیش آرتور ساموئل (Arthur Samuel) که از پیشگامان هوش مصنوعی در جهان ست، یادگیری عمیق را ابداع کرد. ساموئل یادگیری ماشین را حوزه ای از تحقیقات می دانست که در آن، کامپیوترها توانایی یادگیری بدون برنامه ریزی را دارند.

با وجود اینکه آرتور ساموئل در سال 1959 واژه ماشین لرنینگ را ابداع کرد، تفکر در خصوص افکار ماشین کمی قدیمی تر است. همه کسانی که به نوعی با کامپیوتر سر و کار دارند، اسم آلن تورینگ، سازنده ماشین تورینگ را شنیده اند.

سال 1950 آلن تورینگ (Alan Turing) در یکی از مقاله های خود سوالی را مطرح نمود. تورینگ در مقاله اش نوشته بود آیا ماشین فکر می نماید؟ و همین موضوع سرآغاز پژوهش های گسترده در خصوص هوش مصنوعی شد.

کاربردهای ماشین لرنینگ

یکی از اصلی ترین کاربردی های هوش مصنوعی و یادگیری ماشین در فروشگاه های اینترنتی است. الگوریتم های یادگیری ماشین، با استفاده از مجموعه داده های آموزشی (training data set) عملیات یادگیری را انجام می دهند و مدل های مورجهانز را می سازند.

سپس زمانی که داده های جدیدی به الگوریتم یادگیری ماشین معرفی می شوند، سیستم می تواند بر اساس مدل ایجاد شده، فرایند پیش بینی را انجام دهد. این فرایند دقیقا همان چیزی است که وقتی شما خرید اینترنتی انجام می دهید و محصولات پیشنهادی را به وسیله سایت دریافت می کنید، متوجه می شوید.

حتما برای شما هم پیش آمده که محصولی را بخرید، پس از مدتی به سایتی که از آن خرید نموده اید مراجعه کنید و سایت به شما پیشنهادهایی مشابه بدهد. این پیش بینی ها با بهره گیری از فرایند الگوریتم یادگیری ماشین انجام می گردد.

کامپیوترهای امروزی با فناوری یادگیری ماشین می توانند بسیاری از موضوعات را پیش بینی نمایند. فرقی نمی نماید شما به دنبال پیش بینی آب وهوا هستید یا شرایط بازار سهام را بررسی می کنید؛ با استفاده از ماشین لرنینگ این کار امکان پذیر است.

حتما برایتان پیش آمده که محصولی را بخرید، پس از مدتی به سایتی که از آن خرید نموده اید مراجعه کنید و سایت به شما پیشنهادهایی مشابه بدهد. این پیش بینی ها با بهره گیری از یادگیری ماشین انجام می گردد

یادگیری ماشین می تواند عادات خرید کاربران را تشخیص دهد. به همین خاطر گوگل، آمازون، نتفلیکس، فیس بوک، لینکدین و شرکت هایی که کاربران زیادی برای خدمات رسانی دارند، از یادگیری ماشین با هدف بررسی و تغییر رفتار مشتری استفاده می نمایند.

الگوریتم های شبکه های عصبی مصنوعی

یادگیری عمیق اصطلاح دیگری است که این روزها زیاد درباره اش می شنویم. در حقیقت دیپ لرنینگ همان یادگیری ماشین با سطوحی عمیق تر است. شبکه های عصبی در ارتباطات هوشمند موثر هستند.

در دهه 1940 و 1950 میلادی سلول های عصبی هوشمند به عنوان قدمی برای فعالیت های هوش مصنوعی مورد استفاده قرار می گرفتند. به این شبکه های عصبی پرسپترون می گفتند. پرسپترون یکی از الگوریتم های یادگیری ماشین است.

این الگوریتم در سال 1957 توسط فرانک روزنبلت اختراع شد و از اولین شبکه های عصبی مصنوعی در جهانست. شبکه های عصبی امروزی از پرسپترون ها استفاده می نمایند. یادگیری های نظارت شده از شبکه های عصبی همانند دیگر یادگیری های ماشین عمل می نمایند.

یک شبکه عصبی عمیق در یک مشکل واقعی ممکن است بیش از 10 لایه پنهان داشته باشد. توپولوژی آن نیز ممکن است ساده یا پیچیده باشد. هرچه لایه های بیشتری در شبکه وجود داشته باشد، یادگیری عمیق ویژگی های بیشتری را می تواند تشخیص دهد.

متاسفانه، هرچه لایه های بیشتری در شبکه وجود داشته باشد، زمان بیشتری صرف محاسبه آن خواهد شد و تمرین سخت تر خواهد بود. شبکه های عصبی مصنوعی (CNN) اغلب به منظور افزایش بینش ماشین مورد استفاده قرار می گیرند.

شبکه های عصبی مصنوعی به طور معمول از منابع مدیریتی، همگشتی(شبکه های عصبی پیچشی) و شبکه عصبی یکسوساز استفاده می نمایند. لایه های همگشتی به طور ساده انتگرال بسیاری از مناطق با همپوشانی کوچک را می پذیرد.

لایه تجمع منابع مدیریتی شکلی از نمونه گیری غیرخطی را اجرا می نماید. در یک لایه متصل سلول های عصبی با همه لایه های قبلی در ارتباط هستند. یادگیری عمیق پایه و اساس چت بات هایی مثل الکسا، فیس بوک و اینستاگرام را شکل داده است.

یادگیری عمیق در زندگی روزمره و سبک زندگی آنها تاثیرات بسزایی گذاشته است. از مصرف گرایی به واسطه معرفی محصولات تازه ای که هوش مصنوعی پیشنهاد می دهد که بگذریم، یادگیری عمیق در شبکه های اجتماعی الگوریتم مسئول معرفی افراد یا صفحه های جدید به کاربران است.

همچنین استارتاپ ها و شرکت های تجاری از الگوریتم های یادگیری عمیق و یادگیری ماشین برای تبلیغات خود استفاده می نمایند. این الگوریتم ها می توانند بر اساس سلیقه کاربران مختلف به شخصی سازی تبلیغات یاری نمایند.

منبع: مجله شنبه
انتشار: 1 فروردین 1399 بروزرسانی: 1 فروردین 1399 گردآورنده: economicsphd.ir شناسه مطلب: 147

به "یادگیری ماشین از 1959 تا امروز" امتیاز دهید

امتیاز دهید:

دیدگاه های مرتبط با "یادگیری ماشین از 1959 تا امروز"

* نظرتان را در مورد این مقاله با ما درمیان بگذارید