مفاهیم اساسی هوش مصنوعی و یادگیری ماشین که باید بدانید

زمان تخمینی مطالعه: 16 دقیقه

وقتی صحبت از هوش مصنوعی (AI) و یادگیری ماشینی (ML) می‌شود، اصطلاحات و واژه‌های مختلف زیادی در اطراف وجود دارد. پیگیری معنای همه چیز می‌تواند دشوار باشد، به خصوص زمانی که به نظر می‌رسد برخی از اصطلاحات به جای یکدیگر استفاده می‌شوند. با این حال، داشتن حداقل درک اولیه از واژه‌نامه و مفاهیم اساسی هوش مصنوعی و اصطلاحات یادگیری ماشین مهم است. دلیل این موضوع این است که این فناوری‌ها به طور فزاینده‌ای روز به روز هم از نظر کسب و کار و هم از نظر جامعه اهمیت پیدا می‌کنند.

برای مشاغل، هوش مصنوعی و یادگیری ماشینی می‌توانند برای خودکارسازی وظایف، بهبود کارایی و بهره وری و تصمیم گیری بهتر استفاده شوند. برای جامعه، آنها برای توسعه اتومبیل‌های بدون راننده، بهبود مراقبت‌های بهداشتی و مبارزه با جرم و جنایت استفاده می‌شوند. در ادامه این مطلب واژه نامه‌ای ارائه شده است که به هیچ وجه جامع نیست و ممکن است گاهی ساده باشد، بنابراین آن را به عنوان نقطه شروع ورود به دنیای هوش مصنوعی در نظر بگیرید. در این مقاله به این موضوعات پرداخته می‌شود:

هوش مصنوعی و یادگیری ماشین

یادگیری ماشین و هوش مصنوعی اغلب به جای یکدیگر استفاده می‌شوند، اما تفاوت زیادی بین این دو وجود دارد. یادگیری ماشینی زیرمجموعه‌ای از هوش مصنوعی است که به رایانه‌ها توانایی یادگیری از داده‌ها را می‌دهد. از سوی دیگر، هوش مصنوعی یک اصطلاح گسترده‌تر است که تمام جنبه‌های هوشمندتر کردن رایانه‌ها از جمله یادگیری ماشین را پوشش می‌دهد. در اینجا یک مسئله با دو نمونه از حل‌کننده‌های شطرنج هوش مصنوعی وجود دارد، یکی بدون یادگیری ماشین و دیگری با یادگیری ماشین:

یک حل‌کننده شطرنج که بدون یادگیری ماشینی اجرا می‌شود، از یک الگوریتم جستجو برای یافتن بهترین حرکت در یک موقعیت خاص استفاده می‌کند. الگوریتم جستجو به تمام حرکات ممکنی که می‌توان در موقعیت داده شده انجام داد نگاه می‌کند و سپس هر حرکت را بر اساس مجموعه‌ای از معیارها ارزیابی می‌کند. معیارها می‌تواند شامل مواردی مانند احتمال منجر به مات، احتمال هدایت به موقعیتی که در آن حل کننده در موقعیتی قرار می‌گیرد و غیره باشد.
از سوی دیگر، یک حل‌کننده شطرنج که با یادگیری ماشینی اجرا می‌شود، از مجموعه‌ای از موقعیت‌ها یاد می‌گیرد و از مجموعه داده‌ای از بازی‌های شطرنج حرکت می‌کند تا بهترین حرکت را در یک موقعیت مشخص پیدا کند.
به طور کلی، ML بر آموزش رایانه‌ها برای یادگیری از داده‌ها متمرکز است، در حالی که هوش مصنوعی بر هوشمندتر کردن رایانه‌ها به معنای کلی‌تر متمرکز است.

حوزه‌های اصلی یادگیری ماشینی

این مفهوم از مهم‌ترین مفاهیم اساسی هوش مصنوعی است و دارای سه حوزه اصلی است.

– یادگیری با ناظر Supervised Learning

یادگیری با ناظر نوعی از یادگیری ماشینی است که از یک مجموعه داده شناخته شده (به نام مجموعه آموزشی) برای پیش بینی استفاده می‌کند. مجموعه آموزشی مجموعه‌ای از داده‌ها است که شامل پاسخ‌های صحیح (که برچسب‌ها نامیده می‌شوند) است که یک مدل یادگیری ماشینی بر روی آنها آموزش داده می‌شود. الگوریتم یادگیری با ناظر به دنبال الگوها در مجموعه آموزشی می‌گردد و از آنها برای پیش بینی داده‌های جدید استفاده می‌کند. در اینجا دو مثال از مشکلات یادگیری تحت نظارت آورده شده است:

یادگیری بدون ناظر Unsupervised Learning

یادگیری بدون ناظر نوعی از یادگیری ماشینی است که بدون اینکه هیچ برچسبی به آن داده شود به دنبال الگوها در داده‌ها می‌گردد. این برخلاف یادگیری با ناظر است که بر داده‌های آموزشی با برچسب‌ها متکی است. برخی از الگوریتم‌های رایج یادگیری بدون ناظر شامل خوشه بندی و کاهش ابعاد هستند:

یادگیری تقویتی Reinforcement Learning

یادگیری تقویتی نوعی از یادگیری ماشین است که به عامل اجازه می‌دهد در یک محیط با انجام اقدامات و دریافت پاداش یاد بگیرد. به عنوان مثال، یک الگوریتم یادگیری تقویتی می‌تواند برای آموزش راه رفتن به ربات استفاده شود. ربات اقداماتی مانند حرکت دادن پاهای خود را انجام می‌دهد و پاداش‌هایی مانند حرکت به جلو را دریافت می‌کند. با گذشت زمان، ربات یاد می‌گیرد که کدام اقدامات منجر به بهترین پاداش‌ها می‌شود و بنابراین یاد می‌گیرد که چگونه راه برود.

علوم داده و هوش مصنوعی

علم داده(Data Science) و هوش مصنوعی دو حوزه دیگر از اصطلاحاتی هستند که اغلب به جای یکدیگر استفاده می‌شوند و از مفاهیم اساسی هوش مصنوعی هستند. با این حال، چند تفاوت اساسی بین این دو وجود دارد:

در حالی که هم علوم داده و هم هوش مصنوعی به کار با داده‌ها می‌پردازند، هوش مصنوعی بیشتر بر ایجاد سیستم‌هایی متمرکز است که بتوانند خودشان عمل کنند و فکر کنند، در حالی که علم داده بیشتر بر استخراج بینش از داده‌ها متمرکز است.

دانشمند داده و تحلیلگر داده

دانشمندان داده و تحلیلگران داده هر دو مسئول کار با داده‌ها برای کمک به سازمان‌ها در تصمیم‌گیری بهتر هستند و از مفاهیم اساسی هوش مصنوعی هستند. با این حال، تفاوت‌هایی بین این دو نقش وجود دارد:


هم دانشمندان داده و هم تحلیلگران داده اعضای مهم هر سازمانی هستند که برای تصمیم گیری به داده‌ها متکی هستند. با این حال، مهارت‌های متفاوت آنها به این معنی است که آنها نقش‌های متفاوتی را در فرآیند کلی ایفا می‌کنند.

کلان داده و علوم داده

علوم داده شاخه‌ای از علوم کامپیوتر و آمار است که به استخراج دانش از داده‌ها می پردازد. کلان داده(Big Data) یک زمینه مطالعاتی است که با مجموعه داده‌هایی سروکار دارد که بیش از حد بزرگ یا پیچیده هستند که با روش‌های سنتی پردازش داده‌ها پردازش نمی‌شوند. در واقع علوم داده با درک داده‌ها سروکار دارد اما کلان داده با ذخیره و پردازش داده‌ها سروکار دارد.

مهندس داده و دانشمند داده

یک مهندس داده(Data Engineer) و یک دانشمند داده(Data Scientist) هر دو با داده‌ها کار می کنند، اما شباهت‌ها به همین جا ختم می‌شود. کار یک مهندس داده ساختن سیستم‌هایی است که داده‌ها را جمع آوری، ذخیره و پردازش می‌کند. وظیفه یک دانشمند داده استفاده از آن داده‌ها برای پاسخ به سؤالات و حل مسائل است. بنابراین ضرورت بررسی مفاهیم اساسی هوش مصنوعی واقعا در این مفهوم نمایان می‌شود.

به عنوان مثال، یک مهندس داده ممکن است سیستمی برای ردیابی داده‌های ترافیکی در زمان واقعی بسازد. یک دانشمند داده ممکن است از این داده‌ها برای کشف چگونگی کاهش تراکم ترافیک استفاده کند. مثال دیگر: یک مهندس داده ممکن است سیستمی برای ذخیره داده‌های مشتری از یک وب سایت بسازد. یک دانشمند داده ممکن است از این داده‌ها استفاده کند تا بفهمد مشتریان به چه محصولاتی بیشتر علاقه دارند.

یادگیری عمیق

یادگیری عمیق(Deep Learning) زیرمجموعه‌ای از یادگیری ماشینی است که از شبکه‌های عصبی عمیق برای یادگیری از داده‌ها استفاده می‌کند. شبکه‌های عصبی عمیق شبکه‌هایی با لایه‌های متعدد نورون هستند، در مقابل شبکه‌های عصبی با لایه‌های کم که به آنها شبکه‌های عصبی کم‌عمق می‌گویند. شبکه‌های عمیق قوی‌تر از شبکه‌های کم عمق هستند و می‌توانند الگوهای پیچیده را از داده‌ها یاد بگیرند. یادگیری عمیق معمولاً از شبکه‌های عصبی مغز الهام می‌گیرد و برای کارهای مختلفی از جمله تشخیص تصویر و پردازش زبان طبیعی استفاده می‌شود. برای نمونه می‌توان مثال‌های زیر را در نظر گرفت:

– مدل‌های یادگیری ماشینی که مبتنی بر یادگیری عمیق نیستند

انواع مدل‌های یادگیری ماشینی وجود دارد که در واقع مبتنی بر یادگیری عمیق نیستند، مانند موارد زیر:

– انواع شبکه‌های عصبی

در اینجا برخی از انواع محبوب شبکه‌های عصبی آورده شده است:

– نحوه آموزش شبکه‌های عصبی

شبکه‌های عصبی با استفاده از فرآیندی به نام پس انتشار آموزش داده می‌شوند. این فرآیند شامل تنظیم وزن اتصالات بین نورون‌های شبکه است تا شبکه بتواند بهتر تشخیص الگوها را بیاموزد.

– مزایا و معایب یادگیری ماشینی و یادگیری عمیق

مزایا و معایبی برای استفاده از مدل‌های یادگیری ماشین استاندارد و مدل‌های یادگیری عمیق وجود دارد که به شرح زیر است:

پیش بینی

پیش‌بینی(Forecasting) فرآیند پیش‌بینی رویدادهای آینده بر اساس رویدادهای گذشته است و از مفاهیم اساسی هوش مصنوعی می‌باشد. پیش‌بینی را می‌توان در زمینه‌های مختلف، از پیش‌بینی آب و هوا گرفته تا پیش‌بینی عملکرد آینده یک شرکت، مورد استفاده قرار داد. یکی از مثال‌های رایج پیش‌بینی استفاده از داده‌های تاریخی برای پیش‌بینی فروش آینده است: یک شرکت ممکن است به فروش خود در سال‌های گذشته نگاه کند و از آن اطلاعات برای پیش‌بینی فروش خود برای سال آینده استفاده کند. نمونه رایج دیگر پیش‌بینی، استفاده از شاخص‌های اقتصادی برای پیش‌بینی فعالیت‌های اقتصادی آینده است: اقتصاد دانان ممکن است از داده‌های مربوط به بیکاری و تورم برای پیش‌بینی عملکرد اقتصاد در آینده استفاده کنند.

پردازش زبان طبیعی

پردازش زبان طبیعی (NLP) زیر شاخه‌ و یکی از مفاهیم اساسی هوش مصنوعی است که با درک و تولید زبان انسان سروکار دارد. NLP موارد استفاده زیادی دارد که نمونه‌های آن در ادامه ذکر شده است:

بینایی کامپیوتر

بینایی کامپیوتر (CV) یکی دیگر از مفاهیم اساسی هوش مصنوعی است که به تجزیه و تحلیل و درک تصاویر دیجیتال می‌پردازد. بینایی کامپیوتر موارد استفاده زیادی دارد که در ادامه بیان شده است:

برچسب خورده, ,

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *