چه تفاوتی میان یادگیری ماشینی و یادگیری عمیق
آموزشی

چه تفاوتی میان یادگیری ماشینی و یادگیری عمیق وجود دارد؟ بخش اول

زمان مطالعه: ۱ دقیقه

در ماه های اخیر، مایکروسافت، گوگل، اپل، فیس بوک و سایر نهادها اعلام کرده اند که ما وارد عصر پیشتازی هوش مصنوعی شده ایم. دنیایی که دستیارهای دیجیتال و سایر سرویس های مشابه، منبع اصلی دریافت اطلاعات و حتی همکاری در انجام وظایف می باشند. با کمک هوش مصنوعی، اسمارت فون ها و رایانه های معمولی شما پیشرفته تر خواهند شد. در این عرصه معمولا دو اصطلاح رایج هستند: یادگیری ماشینی و یادگیری عمیق. این اصطلاحات بیانگر نحوه “آموزش” هوش مصنوعی برای انجام وظایف خود است، اما محدوده استفاده از آنها فراتر از ایجاد دستیارهای هوشمند می باشد.

آیینه تهران

اما به درستی علت متفاوت بودن این دو در چیست؟ با نت نوشت همراه باشید تا این موضوع را با دقت بیشتری بررسی کنیم.

کامپیوترها اکنون می بینند، می شنوند و صحبت می کنند!

امروزه با کمک یادگیری ماشینی، می توان رایانه ها را برای پیش بینی وضعیت آب و هوا، تعیین بررسی نتایج بازار بورس، شناسایی عادت های خرید مشتریان، و حتی کنترل ربات ها در یک کارخانه “آموزش داد”. فناوری یادگیری ماشینی هم اکنون در سرویس های محبوبی نظیر گوگل، آمازون، فیس بوک، Netflix، LinkedIn و … استفده می شود. اما قلب این آموزش ها، الگوریتم های یادگیرنده ای اند که مجموعه ای از دستورالعمل ها می باشند.

چه تفاوتی میان یادگیری ماشینی و یادگیری عمیق وجود دارد؟ بخش اول

یادگیری ماشینی چیست؟

الگوریتم چیست؟

یک الگوریتم، دنباله ای محدود از مراحل برای حل یک مشکل واحد است. به عنوان مثال، یک موتور جستجو، متکی بر الگوریتمی است که متن وارد شده شما در جعبه جستجو را می گیرد و نتایج مشابه را در پایگاه داده متصل به آن جستجو می کند. در واقع الگوریتم ها، گام های خاصی برای رسیدن به یک هدف خاص برمی دارند.

تاریخچه یادگیری ماشینی

در واقع، یادگیری ماشینی از سال ۱۹۵۶ آغاز شده است. آرتور ساموئل نمی خواست یک برنامه بسیار دقیق و طولانی بنویسد که بتواند او را در بازی چکرز (نوعی بازی تخته ای) شکست دهد. در عوض، او یک الگوریتم ایجاد کرد که کامپیوتر را قادر می ساخت، هزاران بار در برابر خود بازی کند تا بتواند “یاد بگیرد” چگونه به عنوان یک حریف مستقل عمل کند. در سال ۱۹۶۲، این برنامه قهرمان ایالت کانکتیکات را شکست داد.

یادگیری ماشینی چیست؟

بنابراین، یادگیری ماشینی در هسته خود، بر اساس صحیح و خطا عمل می کند. ما نمی توانیم به صورت دستی برنامه ای بنویسیم که بتواند به یک ماشین بدون راننده کمک کند تا یک درخت را از یک وسیله نقلیه تشخیص دهد، اما می توانیم الگوریتمی برای یک برنامه ایجاد کنیم که بتواند این مشکل را با آنالیز داده ها حل کند. الگوریتم ها همچنین می توانند برای کمک به برنامه های پیش بینی مسیر طوفان، تشخیص زود هنگام آلزایمر، شناسایی ستارگان فوتبال با درآمد های مختلف و غیره ایجاد شوند.

یادگیری ماشینی به طور معمول یک مشکل را به قسمت های مختلف تقسیم می کند. سپس هر بخش را به ترتیب حل نموده و آن ها را با هم  ترکیب می کند تا پاسخی واحد برای مشکل ایجاد کند.

تام میچل، متخصص یادگیری ماشینی از دانشگاه Carnegie Mellon، در این باره توضیح می دهد:

برنامه های کامپیوتری از تجربیات خود نکاتی یاد می گیرند و این امر موجب بهبود عملکرد آنها در وظیفه شان می شود.

چه تفاوتی میان یادگیری ماشینی و یادگیری عمیق وجود دارد؟ بخش اول

یادگیری ماشینی چیست؟

الگوریتم های یادگیری ماشینی اساسا قادر به ایجاد برنامه هایی برای پیش بینی رفتارها هستند و بر اساس تجربه های صحیح و خطا با گذشت زمان این پیش بینی ها را بهبود می بخشند. به طور کلی چهار نوع یادگیری ماشینی وجود دارد:

یادگیری ماشینی تحت نظارت کامل

در این سناریو، شما یک برنامه کامپیوتری با داده های برچسب گذاری شده ایجاد می کنید. به عنوان مثال، وظیفه اختصاصی این برنامه، مرتب سازی تصاویر جداگانه ای از پسران و دختران با استفاده از یک الگوریتم جدا سازی می باشد. در این حالت تصاویر پسران از پیش برچسب “پسر” دارد و تصاویر دختران  نیز برچسب “دختر” دارد. این مجموعه به عنوان داده های “یادگیری شده” در نظر گرفته می شود. موفقیت زمانی حاصل می شود که برنامه بتواند تصاویر را با سرعت قابل قبولی مرتب سازی کند.

یادگیری ماشینی تحت نظارت نسبی

در این مورد، فقط چند تصویر برچسب گذاری می شوند. سپس برنامه از یک الگوریتم استفاده می کند تا در مورد تصاویر بدون برچسب بهترین حدس را بزند و سپس داده ها به عنوان مجموعه “یادگیری شده” در نظر گرفته می شود. پس از آن مجموعه ای جدید از تصاویر به همراه چند برچسب ورزشی به برنامه داده می شود. این روند تکرار می شود تا زمانی که برنامه بتواند پسرها و دخترها را با میزان قابل قبولی تشخیص دهد.

یادگیری ماشینی بدون نظارت

این نوع یادگیری ماشینی نیازی برچسب ها ندارد. در عوض، برنامه کورکورانه وظیفه تقسیم تصاویر پسران و دختران به دو گروه را با استفاده از یکی از دو روش زیر انجام می دهد.

روش اول الگوریتم “خوشه بندی” نامیده می شود که تصاویر مشابه را بر اساس ویژگی ها، مانند طول مو، اندازه فک، جایگاه چشم و غیره، دسته بندی می کند. الگوریتم دیگر “تجمیع” نامیده می شود که در آن برنامه از قوانین (اگر / آنگاه) بر اساس دسته بندی شباهت هایی که می یابد، استفاده می کند. به عبارت دیگر، این الگوریتم، یک الگوی مشترک بین تصاویر را تعیین کرده و به همین ترتیب آنها را بر اساس جنسیت مرتب می کند.

یادگیری ماشینی تقویت شده

شطرنج نمونه خوبی از این نوع الگوریتم است. این برنامه قوانین بازی و نحوه بازی را می داند و مراحل بازی را برای تکمیل آن طی می کند. تنها اطلاعات ارائه شده به این برنامه این است که آیا مسابقه را برده یا باخته است. این الگوریتم همچنان بازی را تکرار می کند، و حرکت های موفق خود را پیگیری کرده تا زمانی که در نهایت برنده مسابقه شود.

اکنون زمان آن رسیده است تا به موضوعی عمیق تر بپردازیم: یادگیری عمیق.

بخش دوم این مطلب را می توانید فردا در نت نوشت دنبال کنید.

 

چه تفاوتی میان یادگیری ماشینی و یادگیری عمیق وجود دارد؟ بخش اول چه تفاوتی میان یادگیری ماشینی و یادگیری عمیق وجود دارد؟ بخش اول
برای درج دیدگاه کلیک کنید

پاسخی بگذاید

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

برو بالا