یادگیری ماشینی زیر مجموعه ای از علوم کامپیوتر است که البته ترکیبی از دانش های مختلف رو در میگیره و با کمک برنامه نویسی، علم ریاضی و آمار به حل مسایل پیچیده و تکراری می پردازه. یادیگیری ماشینی شکلی از هوش مصنوعی به حساب میاد که به سیستم ها این توانایی و قابلیت رو میده که سیستم و ماشین بتونند بدون نوشتن یک برنامه نویسی مشخص و معین (explicit) داده ها رو تشخیص و طی مدل و الگوریتم پیاده شده تشخیص مناسب رو بدهند. از نمونه های یادگیری ماشینی میشه به خودروهای خودران (self-driving cars) یا برنامه های تشخیص چهره یا حتی جستجوهایی که در موتورهای جستجو انجام میشه اشاره کرد.

یادگیری ماشینی به چهار دسته تقسیم میشه :

1. Supervised learning
2. Unsupervised learning
3. Reinforcement learning
4. Deep learning

 

در این نوع؛ روش ها به صورتی هستند که خروجی مد نظر مشخص است و با استفاده از مدل قرار است ورودی ها در خروچی های مد نظر و از قبل تعیین شده ما قرار بگیرند و هم ورودی و هم خروجی مشخص می باشند. در حقیقت با استفاده از داده ها و خروجی هایی که مد نظر هستند به ماشبن یاد می دهیم که ورودی جدید را شناسایی کند و خودش براساس آن چه یاد گرفته (training) تصمیم بگیره که نتیجه از بین خروجی های مد نظر ما که قبلا بهش دادیم چی میشه! از مثال های این روش :

• طبقه بندی مشتریان
• تشخیص هرزنامه ها
• پیش بینی فروش یا قیمت سهام و غیره
• تشخیص نوع بیماری از روی تصاویر پزشکی
• تشخیص چهره یا اثر انگشت
• ….

 

روش unsupervised learning فرق عمده ای که با روش supervised دارد این است که خروجی مد نظر ما مشخص نیست و هدف پیدا کردن الگویی از داده ها و ورودی می باشد. از مثال های این روش :

• خوشه بندی مشتریان براساس پارامترهای رفتاری
• کاهش پیچیدگی مسایل ML
• ایجاد سیستم های پیشنهاد دهنده (Recommender)
• تشخیص کلاهبرداری ها یا تشخیص خرابی های سیستم (Anomaly detection)
• غیره

تصویر زیر تفاوت اصلی  دو روش  supervised و unsupervised رو به خوبی نشون میده.

در تصویر سمت چپ تصاویر حیوانات و نوع آن ها رو از قبل داریم و مشخص کردیم که در دو نمونه اول اردک و دو عکس دیگر اردک نیستند برچسب می خورند. براساس روش supervised و مدل مناسب می توان تشخیص داد عکس آخر در رسته اردک ها قرار میگیره یا خیر؟ در این روش براساس ویزگی هایی که به مدل دادیم مثله اندازه نوک، قد، پستاندار است یا نه و غیره مدل رو آموزش می دهیم و اگه یه حیوون جدید داشتیم مدل تشخیص لازم رو میده. و اما در تصویر سمت راست هیچ نظری درباره عکس ها وجود نداره و قصد ما این است که عکس هایی که در یک طبقه قرار می گیرند رو مدل از هم متمایز کند و خودش دسته بندی کنه و در حقیقت براساس ویژگی هاشون الگوی رو تشخیص بده.

 

و اما روش آخری که بررسی می کنیم روش Reinforcement learning یک نوع مدل یادگیری رفتاریه. در این روش ماشین به جای train شدن با مجموعه داده نمونه به صورت سعی و خطا (trial and error) یاد می گیره که چه نوع رفتاری نسبت به داده ورودی داشته باشه. نمونه این روش رو در صنایع مختلف میشه دید مثالی از صنعت بازی بخواهم بزنم میشه به بازی AlphaGo Zero اشاره کرد که با بازی کردن مقابل خودش در طی 40 روز تونست که بازی کردن رو به صورت حرفه ای خودش یاد بگیره که میتونید برای جزییات بیشتر به سایتش هم مراجعه کنید!