شروع به کار یادگیری ماشین

0
163
شروع به کار یادگیری ماشین
شروع به کار یادگیری ماشین

شروع به کار یادگیری ماشین

با پیشرفت فناوری، تکنولوژی با نام یادگیری ماشین بعنوان یکی از زیر حوزه های هوش مصنوعی در سالهای اخیر پیشرفت و جایگاه قابل توجهی یافته است. در این مطلب به معرفی و شروع به کار یادگیری ماشین خواهیم پرداخت.

یادگیری ماشین چیست؟

یادگیری ماشین دانش مطالعه الگوریتم هایی است که از داده برای یادگیری، بومی سازی و گمانه زنی استفاده میشود.

چیزی که این فناوری را جذاب تر میکند این است که حجم بیشتر داده های دریافتی باعث پیشرفت الگوریتم ها و دقیق تر شدن این حدس ها میشود.

برای مثال زمانی را به یاد دارم که استفاده از دستیار های صوتی برای جستجو بجای تایپ کردن راه خود را آغاز نمودند. در ابتدا شاید بسیار سخت بود تا دستگاه، صدا و منظور ما را متوجه شود و جستجوی دقیقی را داشته باشد اما پس از گذشت حدوداً ۱ هفته، الگوریتم تشخیص صدا بقدری پیشرفت کرد که در حال حاضر، اصلی ترین جایگزین تایپ کردن شده است.

مفهوم یادگیری ماشین

هسته یادگیری ماشین، ترند جدیدی نیست. این مفهوم در سال ۱۹۵۹ توسط Arthur Samuel، دانشمند کامپیوتر IBM تعریف شد و از سال ۱۹۸۰ نیز در بسیاری از نرم افزارها مورد استفاده قرار گرفت.

برای پیاده سازی هوش مصنوعی و زیر حوزه های آن نیزا به داده میباشد. این داده ها میتواند از هر منبعی دریافت شوند. بطور مثال رفتار کاربران میتواند یکی از منابع دریافت داده ها برای پیاده سازی الگوریتم های هوش مصنوعی باشد. در مباحث اینترنت اشیا، داده های دریافتی از کاربر و یا دیوایس های متصل به هم و گردآوری آنها در پلتفرم های اینترنت اشیا مهمترین منبع برای پیاده سازی هوش مصنوعی و الگوریتم های یادگیری ماشین میباشد.

مفهوم Edge/Fog Computing
مطلب مرتبط

همانطور که در مطالبی به بررسی هوش مصنوعی موجود در ترموستات هوشمند کمپانی NEST آورده شده است، رفتار کاربران و تنظیماتی که آنها روی دیوایس ها اعمال میکنند مهمترین داده ای است که پیاده سازی هوش مصنوعی را رقم خواهد زد. با ظهور داده های بزرگ، الگوریتم های یادگیری ماشین ها در نهایت قادر به انتقال از دانشگاه به صنعت و عرضه محصولاتی بودند که ارزش زیادی برای مصرف کنندگان به ارمغان می آورد.

با این حال، جمع آوری و دسترسي به آن داده ها تنها بخشی از پازل در رابطه با ایجاد محصولات داده های یادگیری ماشین مانند موتورهای جستجو و سیستم های پیشنهاد دهنده می شود. تا همین اواخر، برنامه نویسان نرم افزار، دانشمندان داده ها و آمارگیران ابزارهایی برای جمع آوری، پاک کردن و بسته بندی این مجموعه داده های عظیم را نداشتند تا بتوانند توسط برنامه های دیگر استفاده شوند.

اکنون، با ابزارهایی نظیر Amazon Web Services و Hadoop، ما راههای بهتر و ارزانتر برای مدیریت اطلاعات را داریم. دسترسی به این ابزارها یک قلمرو جدید از امکانات برای به دست آوردن ارزش از مجموعه داده های بزرگ را باز می کند

در سال های اخیر، یادگیری ماشین گسترش یافته است تا شامل برنامه های جدید و تلاش های متفاوتی باشد. ما الگوریتم ها را آموزش داده ایم تا همه چیز را از رسمیت شناختن الگو برای تسلط بر بازی به “رویای” انجام دهیم.

یادگیری ماشین شامل ۳ بخش است: ورودی، الگوریتم، خروجی

یادگیری ماشین چطور کار میکند؟

برای درک بهتر اینکه یادگیری ماشین چطور کار میکند، آن را به ۳ بخش تقسیم میکنیم: ورودی، الگوریتم ها، خروجی

ماژولهای اتوماسیون هوشمند
مطلب مرتبط

ورودی: داده هایی که باعث شروع پروسه یادگیری ماشین میشوند

ورودی، مجموعه ای از داده هایی هستند که برای تمرین الگوریتم ها به آن نیاز داریم. از سورس کد گرفته تا آمارها و تحلیل ها، همگی میتوانند ورودی محسوب شوند. از آنجایی که ما نیاز به این ورودی ها برای آموزش الگوریتم های یادگیری ماشین ها داریم، پیدا کردن و تولید مجموعه های داده با کیفیت بالا یکی از بزرگترین چالش های امروز در یادگیری ماشین است.

الگوریتم : چگونگی پردازش و آنالیز داده ها

الگوریتم ها، کد های ریاضی هستند که داده را به بینش تبدیل میکنند. یک الگوریتم یادگیری دستگاه از داده ها برای انجام یک کار خاص استفاده می کند. رایج ترین انواع الگوریتم های یادگیری ماشین در این مطلب توضیح داده شده است.

خروجی

خروجی، نتیجه نهایی کار شماست که میتواند یک الگو باشد که متوجه میشود زمانی که با داده های مشخص روبرو شود و تحلیلی از آنها با نتیجه مثبت دریافت کند، بطور مثال عملی را بعنوان اکشن خروجی انجام دهد. این مثال را در ترموستات NEST اینگونه میبینید، بطور مثال هنگامی که ترموستات، حضور کاربر اصلی را در محیط حس کرد، دما را بر حسب داده های دریافتی از وی و پایش آن بطور مثال روی ۲۰ درجه تنظیم خواهد نمود.

در یادگیری ماشین، خروجی ها میتوانند هر چیزی باشند بطور مثال:

  • طبقه بندی: تولید مقدار خروجی برای هر آیتم در مجموعه داده ها
  • پسرفت: با توجه به مقادیر داده های ورودی، پیش بینی نزدیک ترین مقدار خروجی
  • خوشه بندی: تجمیع داده های بر اساس الگوهای یکسان و پترن یکسان میان آنها  
پلتفرم particle برای IoT
مطلب مرتبط

منبع: خانه اینترنت اشیا ایران

ارسال یک دیدگاه