هوش مصنوعی
هوش مصنوعی راهبردی است برای اینکه رایانه ها، ربات ها و … همانند انسان بتوانند فکر کنند. هوش مصنوعی، مطالعه ای برای پی بردن به نحوه فکر کردن، آموختن، تصمیم گرفتن و کار کردن می باشد. هدف از هوش مصنوعی بهبود عملکرد رایانه ها (لوازم الکترونیکی ) همانند انسان ها می باشد، به عنوان مثال : نتیجه گیری، یادگیری . یا حل کردن مشکلات از جمله کاربردهای هوش مصنوعی می باشد.
روش های مختلفی برای ایجاد هوش در کامپیوتر ها می باشد. به این روش ها یادگیری ماشین یا Machine Learning می گویند.
https://searchenterpriseai.techtarget.com/definition/AI-Artificial-Intelligence
یادگیری ماشین یا Machine Learning چیست؟
یادگیری ماشین یا Machine Learning (که با نام مختصر ML معرفی می شود)، شاخه ای از الگوریتم ها است که دقت خروجی و نتایج در نرم افزار ها را افزایش داده در حالی که هیچ برنامه نویسی خاصی در این باره نوشته نشده است. فرضیه اصلی در Machine Learning ، ایجاد الگوریتم هایی است که به صورت استاتیکی داده های ورودی را آنالیز کرده و خروجی را با توجه به خروجی های قبلی پیش بینی کند.
پروسه Machine Learning شامل دو بخش استخراج اطلاعات و مدلسازی پیش بینی ورودی ها می باشد. در هر دو نیاز به جست و جو در داده ها به منظور تشخیص الگو ها و رابطه ها می باشد. بسیار از مردم با Machine Learning از طریق خرید های اینترنتی آشنا هستند به طوری که هنگامی جسمی را خرید می کنید تبلیغات متناسب و مرتبط با خرید و یا نیاز شما پیشنهاد می شود. دلیل این اتفاق استفاده سایت ها از یادگیری ماشین می باشد و به صورت لحظه ای می تواند تشخیص دهد که شما به چه مواردی نیاز دارید
https://searchenterpriseai.techtarget.com/definition/machine-learning-ML
Machine learning چگونه عمل می کند؟
الگوریتم های Machine Learning به دو دسته کلی نظارت شده یا supervised و بدون نظارت unsupervised تقسیم می شوند. در روش نظارت شده نیاز مند یک آنالیزور داده ( بررسی کننده داده) با مهارت های Machine Learning است تا برای ورودی ، خروجی مطلوب را به دست بیاورد. علاوه بر این بتواند دقت تخمین خود را در هنگام تمرین الگوریتم به صورت فیدبک لحاظ کند. مهندسین علوم داده تعیین می کنند که از کدام پارامترها و مدل ها برای بررسی داده ها و پیشبینی استفاده شود. هنگامی که تمرین به پایان می رسد اطلاعات جدید به یک آموزش جدید برای الگوریتم ثبت می شود.
مثال هایی از Machine learning
Machine Learning امروزه در بسیاری از وسایل و تجهیزات مورد استفاده قرار می گیرد. یکی از مثال های قابل درک آن منابع اطلاعاتی شرکت Facebook می باشد. این شرکت با استفاده از یاد گیری ماشین منباع اطلاعاتی مورد نیاز با هر شخص را برای او نمایش می دهد. به عنوان مثال اگر شخصی پست یکی از دوستانش را بیشتر از بقیه لایک کرده باشد، پسا های آن شخص زودتر از بقیه برای او نمایش داده می شوند. علاوه بر این با الگوهای خاصی می تواند با توجه شخصیت و علایق شخص مورد نظر چیز های دیگری نیز پیش بینی کند و برای او به نمایش بگذارد و مجددا رفتار های جدید کاربر را ثبت کرده و با استفاده از این اطلاعات جدید می تواند خود را به روز کند.
علاوه بر این یادگیری ماشین در نرم افزار های تجاری و فروشگاه ها یا شرکت ها نیز به کار می رود. مدیریت ارتباط مشتری یا همان customer relationship management که به اختصار CRM نیز یاد می شود، از جمله سیستم هایی است که با استفاده از روش ها Learning، ایمیل ها و مشتری های فوری خود را تشخیص می دهند تا اول به آن ها پاسخ دهند. سیستم های پیشرفته تری وجود دارند که می توانند خود پاسخ مناسبی را ارائه دهند. هوش کسب و کار یا Busniess intelligence که با نام اختصاری BI نیز شناخته می شود، فروشندگان اینترنتی از یاددگیری ماشین به منظور کمک به مشتری برای به دست آوردن اطلاعات مهم استفاده می کنند. قسمت منابع انسانی با بررسی و تشخیص شخصیت مشتری ها وسایل و موارد مورد نیاز آن ها را معرفی و به ترتیب لیست می کند.
یادگیری ماشین علاوه بر این نقش بسیار مهمی را در خودرو های بدون سرنشین یا خود ران ایفا می کنند. از روش های یادگیری عمیق ( Deep Learning ) برای تشخیص وسیله ها و تعیین پاسخ درست و بهینه به آنها برای هدایت مطمئن وسیله نقلیه در جاده استفاده می شود.
https://www.alphr.com/cars/7038/how-do-googles-driverless-cars-work
الگوریتم های مختلف Machine learning
با وجود این که محدودیتی در استفاده از Machine Learning دیده نمی شود ولی الگوریتم های محدودی مورد استفاده قرار می گیرد. محدوده آن ها می تواند از بسیار ساده تا فوق العاده پیچیده باشد. در اینجا روش های پر کاربردتر نشان داده شده است:
- یکی از الگوریتم ها تشخیص وابستگی میان پارمتر ها و پیشبینی آینده می باشد.
- درخت های تصمیم گیری : در این روش با استفاده از بررسی روش های مختلف، روش بهینه را انتخاب می کند.
- خوشه بندی : در این مدل داده ها به گروه هایی با مشخصات مورد نظر تقسیم بندی می شوند.
- یادگیری تقویت: در این روش که برای کامل شدن آن تلاش و تکرار زیادی لازم است ، مراحلی که باعث بهتر شدن خروچی می شوند پاداش داده شده و مراحلی که سبب می شود خروجی نامطلوب شود تنبیه می شود.
