یادگیری ماشینی یا ماشین لرنینگ به عنوان یکی از شاخههای مهم هوش مصنوعی، توانایی رایانهها را برای یادگیری بدون برنامهنویسی مستقیم فراهم میکند. آرتور ساموئل پیشگام حوزه هوش مصنوعی نخستین بار در سال ۱۹۵۹ میلادی این واژه را به کار برد و آن را توانایی رایانه برای آموختن بدون نیاز به برنامهنویسی تعریف کرد.
مفهوم و نحوه عملکرد یادگیری ماشینی
یادگیری ماشینی فرایندی است که طی آن ربات یا رایانه توانایی آموختن کسب میکند. مشابه انسان که با آموزش و تجربه یاد میگیرد، میتوانیم یادگیری را به رباتها هم بیاموزیم. هدف اصلی طراحی الگوریتمها و برنامههایی است که به ربات کمک کنند از دادهها یا تجربیات کسبشده بیاموزند و در موقعیتهای مشابه تصمیمات درست بگیرند.
فرایند ماشین لرنینگ با بررسی دادهها، تجربهکردن یا استفاده از دستورات از پیش دادهشده رخ میدهد. برای درک بهتر میتوان به مثالهای کاربردی اشاره کرد خودروی خودران گوگل، پیشنهادهای خرید آنلاین، شناسایی تقلبها و تحلیل نظرات مشتریان در فضای مجازی نمونههای کاربردی یادگیری ماشینی هستند.

انواع الگوریتمهای یادگیری ماشینی
متخصصان برای آموزش ماشینها از الگوریتمهای یادگیری استفاده میکنند که به دو دسته اصلی هدایتشده و غیرهدایتشده تقسیم میشوند. در یادگیری هدایتشده، دادهها و مثالهای آموزش دادهشده به ماشین از پیش دستهبندی شدهاند و خروجی واقعی با خروجی تعیینشده مقایسه میشود تا خطاها برطرف شوند. رباتهای شطرنجباز نمونهای از این الگوی یادگیری هستند.
یادگیری غیرهدایتشده و نیمههدایتشده
برخلاف شیوه قبلی، در یادگیری غیرهدایتشده خبری از دادههای طبقهبندی شده نیست و خود ماشین باید دادهها را برای یافتن الگوهای پنهان بررسی کند. یادگیری نیمههدایتشده ترکیبی از دو روش است که در آن بخش اندکی از داده آموزشی دستهبندی شده و مابقی دستهبندی نشدهاند. این روش دقت یادگیری را بهخوبی افزایش میدهد.
یادگیری تقویتشده
شیوه یادگیری تقویتشده مشابه روش آزمون و خطاست. هرگاه ماشین چیزی یاد میگیرد و واکنش درست نشان میدهد، جایزه و بازخورد مثبت دریافت میکند. این بازخوردهای مثبت ثبت شده و به ربات کمک میکنند در آینده نیز از همان واکنشها استفاده کند.
کاربردهای گسترده در بخشهای مختلف
تولید و انبارکردن گسترده دادهها باعث شده یادگیری ماشینی اهمیت زیادی پیدا کند. ماشینهای یادگیرنده امکان بهرهبرداری سریعتر و ارزانتر را فراهم میکنند و به کسبوکارها اجازه میدهند در معدن دادهها دنبال فرصتهای سودمند بگردند یا از خطرات ناشناخته پرهیز کنند.
خدمات مالی و نهادهای دولتی
بانکها و مؤسسات مالی از یادگیری ماشینی برای شناسایی فرصتهای سرمایهگذاری، تشخیص کلاهبرداران و شناسایی مشتریان پرریسک استفاده میکنند. نهادهای دولتی نیز با استفاده از دوربینهای امنیتی و تحلیل دادهها، بهرهوری نهادهای خدماتی را ارتقا میدهند و صرفهجویی در هزینهها محقق میشود.
بهداشت، درمان و خدمات فروشگاهی
در بخش بهداشت و درمان، ماشین لرنینگ برای جمعآوری و پایش علائم بیماران و تسریع روند تشخیص بیماری به کار میرود. وبسایتهای فروشگاهی بر اساس جستجوهای قبلی کاربران پیشنهاد خرید میدهند و سوابق بازدید و خرید را برای بهبود زنجیره تأمین و تبلیغات هدفمند استفاده میکنند.
صنعت نفت، گاز و حملونقل
صنایع نفت و گاز از یادگیری ماشینی برای شناسایی معادن جدید، پیشبینی خرابی حسگرها و توزیع دقیقتر منابع نفتی استفاده میکنند. در بخش حملونقل، تحلیل دادههای ترافیک برای انتخاب بهترین و سریعترین روش انتقال ضروری است.

تفاوت با دادهکاوی و یادگیری عمیق
هر سه روش یادگیری ماشینی، دادهکاوی و یادگیری عمیق هدف مشترکی دارند اما رهیافت متفاوتی را دنبال میکنند. دادهکاوی زیربنای اولیه روشهای پردازش داده است و از روشهای آماری سنتی استفاده میکند. یادگیری عمیق با ترکیب شبکههای عصبی و تکنیکهای دادهکاوی، دنبال شناخت الگوهای پنهان و عمیق است و برای شناسایی اشیا در تصاویر یا کلمات درصدا به کار میرود. یادگیری ماشینی در پی خودکارسازی فرآیند دادهکاوی با حداقل دخالت انسان است.
پیشنیازهای ورود به حوزه یادگیری ماشینی
برای ورود به این حوزه، یادگیری یک زبان برنامهنویسی (ترجیحا پایتون) مهمترین مهارت است. علاوه بر این، دانش ریاضی در سه حوزه جبر خطی برای تجزیهوتحلیل دادهها و آشنایی با ماتریسها و تانسورها، مشتق و گرادیان، آمار و احتمال، و حساب دیفرانسیل و انتگرال برای شناخت بهتر الگوریتمها ضروری است.




