هوش مصنوعی، یادگیری ماشین و از اینجور داستانا! (قسمت دوم)

تو قسمت قبلی تعریفی از هوش مصنوعی ارائه دادیم و اینجا قراره در مورد یکی از رویکردهای هوش‌ مصنوعی،‌ یعنی یادگیری ماشین صحبت کنیم.

یادگیری ماشین: یادگیری تعاریف زیادی داره. یکی از تعاریف یادگیری اینه که کارهای گذشته و تجربه‌ای که از گذشته داریم،  باعث میشه که در آینده رفتار درست‌تری داشته باشیم. سگی رو تصور کنید که بعد از انجام کاری که از نظر صاحبش کار خوبی نبود، دعوا میشه. این سگ به مرور یاد میگیره که نباید این کار رو انجام بده و آروم آروم رفتارش رو اونجوری تنظیم میکنه که مربیش بهش میگه. اینجا سگ یه راهنما داشت،‌ اما لزوما همیشه اینطور نیست و در پروسه یادگیری همیشه مربی وجود نداره. بچه‌ای رو تصور کنید که در ابتدای شناخت رنگها قرار داره و هنوز حتی اسم رنگ‌ها رو نمیدونه. این بچه به مرور و با تجربه میفهمه که مثلا رنگ‌هایی که آبی هستند یا نزدیک به آبی‌اند، با رنگهای قرمز و نزدیک به قرمز تفاوت دارند. این بچه به مرور رنگها رو توی ذهنش دسته بندی میکنه بدون اینکه کسی کمکش کرده باشه یا اسم رنگ‌ها رو یاد گرفته باشه.

یادگیری اگر مطابق با تعریف اول (همراه با راهنما) باشه، یادگیری با نظارت یا superviesed learning نام داره و اگه مطابق با تعریف دوم (بدون راهنما) باشه، یادگیری بدون نظارت یا unsupervied learning نام داره.

ما تو یادگیری ماشین کاری که میکنیم اینه که با استفاده از داده‌هایی که داریم،‌ مدلی میسازیم که با استفاده از این مدل بتونیم برای داده‌هایی که هنوز نداریم پاسخ مناسب به دست بیاریم. اجازه بدید این رو با یه مثال خیلی ساده توضیح بدم.

تصور کنید ما داده‌هایی داریم که در یک منطقه خاص، قیمت خونه رو براساس اینکه اون خونه چند متر مربعه مشخص کرده.  مثلا میدونیم تو اون منطقه یک خونه که ۱۰۰۰ متره،‌ ۳۰۰میلیون تومن میارزه. تصور کنید این داده رو برای ۱۱ خونه داریم. حالا میخوایم از این داده استفاده کنیم که اگه کسی ازمون پرسید یه خونه ۷۰۰ متری تو اون منطقه قیمش چقدره بتونیم بهش یه جواب خوب و نزدیک به واقعیت بگیم. اینجا همون جاییه که ماشین لرنینگ وارد عمل میشه و با استفاده از داده‌هایی که از قبل داریم،‌ مدلی میسازه تا قیمت خونه‌ای که تو داده‌هامون نیستند رو تخمین بزنیم. من داده‌ها رو روی نمودار رسم میکنم و به همچین چیزی میرسیم:

ml1

هر ضربدر قرمز نشون دهنده یک خونه‌ است. نمودار افقی متراژ‌ اون خونه و نمودار عمودی قیمت اون خونه رو به هزار دلار نشون میده.

حالا فرض کنیم کسی از من میپرسه که قیمت یک خونه ۷۵۰ متری تو این منطقه چنده. من برای اینکه جوابش رو بدم ابتدا یه مدل میسازم. اینجا مدل من صرفا یه خط سادست. با استفاده از داده‌ها مدلم رو رسم میکنم:

ml2

خط آبی‌ای که رسم کردم در اینجا مدل منه و برای فهمیدن قیمت خونه ۷۵۰ متری، تنها کافیه که ۷۵۰ رو به این تابع بدم تا ببینم چه جوابی به من برمیگردونه!

مثالی که زدم خیلی ساده و سرراست بود و تنها کاربردش توضیح خیلی مقدماتی ماشین لرنینگ بود. در ضمن اگه دقت کنید میبینید این یک مثال از یادگیری با نظارته. چون ما اینجا موقع یادگیری (موقع ساختن مدل) برای چند متراژ، قیمت رو داریم و از این استفاده میکنیم تا مدلمون رو با کمترین خطا بسازیم. 

این مدل یادگیری کاربردهای خیلی زیادی داره. مثلا میشه با استفاده‌ از الگوریتم PRISM نرم‌افزاری نوشت که با دقت خیلی بالایی ایمیلها یا پیامک های اسپم رو تشخیص بده.

مطمئن نیستم این بخش آخر این نوشته باشه یا نه. ممکنه باز احساس کنم بهتره چیزهای بیشتری رو توضیح بدم و یه قسمت سوم هم بنویسم. اما چیزی که مطمئنم اینه که از این به بعد در مورد یادگیری ماشین چیزهای خیلی بیشتری خواهم نوشت.

4 پاسخ به “هوش مصنوعی، یادگیری ماشین و از اینجور داستانا! (قسمت دوم)”

  1. یه چوچولو گفت:

    شما خیلی کارتون درسته عاخه… :***

  2. Json گفت:

    سلام بنده به مبحث هوش مصنوعی خیلی علاقه مند هستم و همین طوری ادامه بدین خیلی خوبه

  3. نسیم گفت:

    تشکر من منتظر متن های بیشتری در این زمینه هستم.

  4. میکائیل گفت:

    توضیحاتتون خیلی خوب و عالی بود
    ممنون که به اشتراک گذاشتید.

پاسخ دهید

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

android application Google I/O HomeBrew ImageMagick Material Design mobile PogressBar RecyclerView splash TEDxKish ux آموزش اندروید الوین تافلر اندروید اپلیکیشن برنامه نویسی برنامه نویسی اندروید برنامه‌نویسی برنامه‌نویسی اندروید تداکس کیش تعمیر تغییر سایز عکس با ترمینال خلاصه کتاب دانش داده دانشگاه دانشگاه ایده‌آل دزد دیتا ساینس رشته مهندسی کامپیوتر ریکامندرسیستم سیستم‌های توصیه‌گر فری‌لنس لپتاپ متریال دیزاین معرفی کتاب موج سوم نوار پیشرفت همایش هوش مصنوعی ُجزیره کیش کار کسب و کار یادگیری عمیق یادگیری ماشین