آشنایی با یادگیری ماشین

بررسی دوره

ما در سیاره‌ای با میلیاردها نفر زندگی می‌کنیم اما همچنین میلیاردها کامپیوتر، که بسیاری از آن‌ها طوری برنامه‌ریزی شده‌اند که درست مانند انسان‌ها ارزیابی کنند و تصمیم‌گیری کنند. هنوز در کنار ماشین‌های واقعاً هوشمند زندگی نمی‌کنیم، اما آن‌ها در حال نزدیک شدن به این وضعیت هستند و دانستن چگونگی یادگیری ماشین‌ها برای همه، از حرفه‌ای‌ها و دانش‌جویان گرفته تا شهروندان عادی، حیاتی است. از طریق ابزارها و شیوه‌هایی از تشخیص پزشکی و مدیریت داده‌ها گرفته تا تولید گفتار و موتورهای جستجو یادگیری ماشین در فرهنگ ما به‌طور گسترده‌ای نفوذ کرده است.

یادگیری ماشین که یکی از شاخه‌های هوش مصنوعی است، برنامه‌ریزی را یک گام فراتر از نقش سنتی کامپیوترها در پردازش‌های داده‌های روتین، مانند زمانبندی، حسابداری و انجام محاسبات برده است. اکنون کامپیوترها به‌گونه‌ای برنامه‌ریزی شده‌اند که خودشان راه‌حل‌های مسأله‌ها را پیدا کنند مسایلی که آن‌قدر پیچیده‌اند که انسان‌ها اغلب نمی‌دانند از کجا شروع کنند. در حقیقت، یادگیری ماشین به‌قدری پیشرفته شده است که حتی گاهی متخصصان نیز نمی‌دانند چگونه یک کامپیوتر به راه‌حلی که ارائه می‌دهد، می‌رسد.

آشنایی با یادگیری ماشین این رشته انقلابی را در 25 درس عملی که توسط مدرّس و محقق برجسته، مایکل ال. لیتمن، استاد خانواده رویس در تدریس ممتاز علوم کامپیوتر در دانشگاه براون، تدریس می‌شود، روشن می‌کند. دکتر لیتمن شما را در تاریخ، مفاهیم و تکنیک‌های یادگیری ماشین راهنمایی می‌کند و از زبان برنامه‌نویسی محبوب پایتون برای ارائه تجربه عملی با رایج‌ترین برنامه‌ها و کتابخانه‌های تخصصی استفاده می‌کند.

برای کسانی که با پایتون آشنا نیستند، این دوره شامل یک درس است که به‌عنوان یک آموزش اختصاصی برای چگونگی شروع با این زبان کارآمد و آسان‌استفاده طراحی شده است. استاد لیتمن تقریباً در هر درس یک نمایش پایتون گنجانده است. حتی اگر هرگز کدی در پایتون، یا هر زبان دیگری، ننوشته‌اید، هنوز می‌توانید این برنامه‌ها را برای خودتان اجرا کنید تا قدرت شگفت‌انگیز یادگیری ماشین را احساس کنید.

شروع کار با یادگیری ماشین

این دوره با موسیقی الهام‌گرفته از باخ که توسط یک برنامه یادگیری ماشین ساخته شده، آغاز می‌شود. استاد لیتمن با نمایشی سرگرم‌کننده از فناوری به دوره خوشامد می‌گوید: ترنسکریپشن خودکار صدا، پیش‌بینی کلمات، پیری صورت، ترجمه زبان خارجی، شبیه‌سازی صدا و غیره. سپس به یک مثال واقعی می‌پردازد: چگونه از یادگیری ماشین برای شنیدن ضربان قلب و تشخیص بیماری‌های قلبی استفاده شود. برنامه‌های کامپیوتری سنتی تنها طبق آنچه به آنها می‌گویید عمل می‌کنند و نرم‌افزارهای پزشکی معمولاً یک مجموعه از علائم را به تشخیص‌های تثبیت‌شده مطابقت می‌دهند. اما مزیت یادگیری ماشین این است که کامپیوتر به‌صورت آزادانه برای یافتن الگوهایی که ممکن است از چشم انسان پنهان مانده باشد، عمل می‌کند.

این کار چگونه انجام می‌شود؟ استاد لیتمن شما را از طریق فرآیند، که با انتخاب یک “فضای نمایشی” شروع می‌شود، راهنمایی می‌کند توصیف رسمی که مشخص می‌کند چگونه به مسأله نزدیک شویم. فضای نمایشی شامل هر الگوریتمی است که برنامه یادگیری ماشین باید در نظر بگیرد. به آن فضای نمایشی می‌گویند زیرا شامل مجموعه‌ای از احتمالات است که می‌توان آن را بسته به داده‌ها و زمان موجود، بیشتر یا کمتر گسترده کرد. مرحله بعدی تعریف “تابع زیان” است که نحوه ارزیابی قواعد ممکن در فضای نمایشی را تعیین می‌کند؛ قواعد بهتر، امتیازهای بهتری دریافت می‌کنند. سرانجام، برنامه‌ای به نام “بهینه‌ساز” در فضای نمایشی جستجو می‌کند تا قواعدی را که نمرات خوبی دارند، بیابد. یکی یا چند تا از این قواعد به موفق‌ترین راه‌حل برای مسأله تبدیل می‌شوند.

جزئیات را بررسی کنید

در مقدمه‌ای بر یادگیری ماشین، شما سه نوع اصلی فضای نمایشی را بررسی می‌کنید که بر روی نوع مشکلاتی که به‌خوبی می‌توانند حل شوند، تمرکز دارد.

• درخت‌های تصمیم گیری: هر کسی که با منوی تلفن سر و کار داشته باشد، با یک درخت تصمیم مواجه شده است. “برای فروش، شماره 1 را بزنید. برای حساب‌ها، شماره 2 را بزنید.” هر انتخاب با انتخاب‌های اضافی همراه است، تا زمانی که به فرد یا دپارتمان مورد نظر برسید. درخت‌های تصمیم گیری ابزاری طبیعی برای مشکلات یادگیری ماشین هستند که مانند بسیاری از تشخیص‌های پزشکی به استدلال “if-then” نیاز دارند.
• شبکه‌های بیزی: در مقابل درخت‌های تصمیم گیری، که به یک رشته استنتاج تکیه دارند، شبکه‌های بیزی شامل استنتاج از احتمال هستند. آن‌ها برای مواردی که باید از داده‌ها به علل احتمالی آن‌ها برگردید، مناسب هستند. یک مثال بارز نرم‌افزاری است که پیام‌های احتمالی هرزنامه را شناسایی می‌کند.
• شبکه‌های عصبی: طراحی شده‌اند تا مانند نورون‌ها در مغز کار کنند، شبکه‌های عصبی در تسک های ادراکی مانند شناسایی تصویر، پردازش زبان و طبقه‌بندی داده‌ها عالی هستند. شبکه‌های عصبی عمیق شامل شبکه‌های شبکه‌ها هستند و قلب انقلاب “یادگیری عمیق” است که استاد لیتمن به‌طور مفصل پوشش می‌دهد.

شما به بررسی جزئیات هر یک از این استراتژی‌ها و همچنین دام‌ها، به‌ویژه یادآور تطابق، که زمانی است که یک قاعده خیلی خوب عمل می‌کند، می‌پردازید. یادآوری تطابق ممکن است خوب به نظر برسد، اما نشانه‌ای است که قاعده خیلی به داده‌های اصلی نزدیک شده و ممکن است در داده‌های جدید که نیاز به درمان با قواعد عمومی دارند، خوب عمل نکند. استاد لیتمن توضیح می‌دهد که چگونه از این خطر دوری کنید و با مشکلات دیگری مانند سوگیری‌های پنهان، نقص‌ها در نمونه‌گیری و مثبت‌های کاذب مقابله کنید.

ماجراجویی‌های کدنویسی خود را شروع کنید

یکی دیگر از راه‌های طبقه‌بندی برنامه‌های یادگیری ماشین، مقدار ورودی انسانی موجود است. آیا برنامه‌نویس نتیجه دلخواه را مشخص می‌کند یا این کار را به کامپیوتر می‌سپارد یا این روش چیزی در بین است؟ این استراتژی‌های مختلف عبارتند از:

• یادگیری تحت نظارت: در اینجا، پاسخ دلخواه توسط برنامه‌نویس به‌عنوان یک مجموعه داده آموزشی ارائه می‌شود که به‌عنوان معلمی برای هدایت فرآیند یادگیری عمل می‌کند. سیستم‌های توصیه‌گر که کاربر یک محصول را ارزیابی می‌کند، به این صورت عمل می‌کند. همچنین تعدادی دیگر از برنامه‌های یادگیری ماشین که نمونه‌ها با ویژگی‌های مرتبط آن‌ها برچسب‌گذاری شده‌اند.
• یادگیری بدون نظارت: این رویکرد شبیه به نداشتن معلم است. هیچ پاسخ درستی وجود ندارد، فقط داده‌های آموزشی که باید با داده‌های آزمایشی در جست‌وجوی شباهت مقایسه شوند. سیستم‌های توصیه‌گر داستان‌های خبری معمولاً به این شیوه کار می‌کنند، زیرا مردم به‌ندرت اخبار را ارزیابی می‌کنند.
• یادگیری تقویتی: این استراتژی ترکیبی، سبک یادگیری ماشین مورد علاقه دکتر لیتمن است. به‌عنوان مثال به آن فکر کنید، انگار به یک منتقد دسترسی دارید. به شما گفته نمی‌شود که چه کار کنید؛ شما فقط بازخوردی درباره عملکرد خود دریافت می‌کنید. مثال‌های زیادی از یادگیری تقویتی در این دوره وجود دارد که شامل یک درس کامل درباره برنامه‌های بازی می‌شود.

در طول این دوره فوق‌العاده، شما به‌عمق به کاربردهای یادگیری ماشین برای مسائل پیشرفته در تحقیق، آموزش، کسب‌وکار، سرگرمی و زندگی روزمره می‌پردازید. همچنین به پیامدهای اجتماعی یادگیری ماشین که با رشد تأثیر آن، بیشتر و بیشتر خواهد شد، توجه می‌کنید. دکتر لیتمن تأکید می‌کند که بر عهده هر کدام از ما هست که اطمینان حاصل کنیم این فناوری به شیوه‌هایی به کار گرفته شود که به نفع همه ما باشد.

بنابراین، بر عهده ماست که سواد یادگیری ماشین خود را افزایش دهیم. بسیاری از مردم این موضوع را به‌عنوان یک جعبه سیاه در نظر می‌گیرند که در آن اتفاقات غیرقابل درک منجر به شگفتی‌های فناورانه امروز می‌شود. خوشبختانه، استاد لیتمن استعداد فوق‌العاده‌ای در روشن کردن فرآیندهای غیرشفاف دارد و آن‌ها را نه تنها روشن، بلکه جذاب می‌کند. مقدمه‌ای بر یادگیری ماشین چشم شما را به این رشته هیجان‌انگیز باز می‌کند و از همه بهتر، راهی برای ماجراجویی‌های کدنویسی شما در یادگیری ماشین هموار می‌کند.