توسعه یادگیری ماشینی: ایجاد روبات های نرم افزاری هوشمند

افشای: پشتیبانی شما به حفظ سایت کمک می کند! ما برای برخی از خدماتی که در این صفحه توصیه می کنیم هزینه ارجاع دریافت می کنیم.


یادگیری ماشینی زمینه ای از علوم رایانه است که در مورد توانایی رایانه در یادگیری خودمختار تحقیق می کند ، بدون آنکه به صراحت برنامه ریزی شود. یادگیری ماشین در سناریوهای محاسباتی مختلفی استفاده می شود که برنامه نویسی الگوریتم های صریح به دلیل غیرقابل پیش بینی بودن غیرممکن است ، به عنوان مثال در فیلتر کردن اسپم ، داده کاوی و آنالیز ، OCR ، تشخیص بدافزار ، ردیابی حرکت و تشخیص الگوی.

تاریخچه مختصر

در روزهای ابتدایی هوش مصنوعی ، دانشمندان علاقمند بودند كه ماشین آلات را از داده های دریافتی “بیاموزند”. این رویکردهای اولیه برای یادگیری ماشین از روشهای مختلف نمادین و شبکه های عصبی استفاده می کردند ، اما تأکید بیشتر بر رویکرد منطقی و دانش محور باعث ایجاد شکاف بین هوش مصنوعی و یادگیری ماشین می شود..

یادگیری ماشینی از تلاش برای توسعه هوش مصنوعی تکامل یافت و در اوایل دهه 1990 به عنوان یک زمینه جداگانه از علوم رایانه محبوبیت پیدا کرد. تمرکز یادگیری ماشینی از رویکرد نمادین به ارث رسیده از هوش مصنوعی ، برای حل مشکلات عملی با استفاده از روشها و مدلهای آماری و نظریه احتمال تغییر کرد. یادگیری ماشینی از افزایش در دسترس بودن داده های دیجیتالی شده و امکان توزیع داده ها از طریق اینترنت (به عنوان مثال ، “داده های بزرگ”) بسیار بهره مند شده است..

تئوری یادگیری ماشین و رویکردها

هدف اصلی دستگاه “یادگیری” تعمیم تجربه آن است. در حقیقت ، این توانایی یک ماشین یادگیری است که با تکیه بر مجموعه داده های یادگیری خود ، بتواند با دقت کارهایی را انجام دهد که قبلاً مشاهده نشده است..

بسته به ماهیت کار و سیگنال یادگیری ، وظایف یادگیری ماشین اغلب به سه دسته اصلی طبقه بندی می شوند:

  • یادگیری نظارت شده – دستگاه یادگیری با ورودی های مثال و نتایج حاصل از آنها ارائه می شود. هدف این است که یک قانون کلی یاد بگیرید که ورودی های خروجی را نقشه برداری می کند.
  • یادگیری بدون نظارت – دستگاه یادگیری به خودی خود واگذار شده است تا ساختار را در ورودی پیدا کند. یادگیری بدون نظارت می تواند به خودی خود یک هدف باشد.
  • یادگیری تقویت کننده – دستگاه با یک محیط پویا در تعامل است ، جایی که باید یک کار مشخص را انجام دهد ، به عنوان مثال رانندگی وسیله نقلیه خودمختار. دستگاه یادگیری از نظر پاداش یا مجازات در حین کار بازخورد ارائه می شود.

بسیاری از مفاهیم یادگیری ماشین یا الگوریتم ها برای حل مشکلات و یا کارهای خاص ابداع شده اند. لیست گسترده است ، بنابراین ما فقط چند مفهوم را ذکر خواهیم کرد: یادگیری درخت تصمیم گیری ، یادگیری درخت پیوند ، یادگیری عمیق ، برنامه نویسی منطق استقرایی ، خوشه بندی ، یادگیری بازنمایی ، تشابه و یادگیری متریک ، یادگیری ماشین مبتنی بر قانون و غیره.

یادگیری ماشینی همچنین بسیاری از سوالات اخلاقی را باز می کند. ماشینهای یادگیری برای دستیابی به اطلاعات و تصمیم گیری از داده های داده استفاده می کنند و اگر این مجموعه داده ها مغرضانه باشند ، این سوگیری ها می توانند در حین کار یک دستگاه یادگیری ظاهر شوند. جمع آوری داده های مسئولانه و بی طرفانه بخش مهمی از یادگیری ماشین است.

منابع یادگیری ماشین

شیرجه رفتن به یادگیری ماشین نیاز به پیش نیازهای مختلفی دارد. شما باید در زمینه علوم کامپیوتر و ریاضیات یا آمار پیش زمینه داشته باشید و بدیهی است که به درک خوبی از فناوری و برنامه نویسی به طور کلی نیاز خواهید داشت.

بسیاری از دوره ها و منابع یادگیری بصورت آنلاین در دسترس هستند و ما چند مورد از آنها را تفکیک می کنیم:

  • مجموعه ای از سخنرانی های آموزش ماشین آندرو نگ از دوره 229 استنفورد در YouTube مقدمه ای عالی برای یادگیری ماشین و شناخت الگوی آماری ارائه می دهد.
  • Intro to Machine Learning یک دوره آنلاین رایگان در Udacity.com است. در این دوره نحوه استخراج و شناسایی ویژگی های مفیدی که به بهترین نحو نمایش داده های شما باشد ، چند مورد از مهمترین الگوریتم های یادگیری ماشین و نحوه ارزیابی عملکرد الگوریتم های یادگیری دستگاه شما یاد می گیرد. ثبت نام کاربر الزامی است.
  • Deep Learning توسط Google دوره رایگان یادگیری عمیق Google است که توسط Udacity.com برگزار می شود. تخمین زده می شود حدوداً سه ماه طول بکشد تا با شش ساعت درگیری در هفته انجام شود. بدیهی است که این برای مبتدیان مطلق نیست ، بلکه هدف آن کمک به مهندسان مستقر و دانشمندان داده است تا بتوانند با یادگیری عمیق و همچنین فناوری TensorFlow گوگل به چنگ بیایند. ثبت نام کاربر الزامی است.

همچنین ، می توانید با برخی از داده های بزرگ عمومی که در دسترس عموم هستند ، آزمایش کنید و بررسی کنید که آیا تئوری های شما در عمل کار می کنند:

  • اطلاعات دولت ایالات متحده
  • اطلاعات شهر سان فرانسیسکو
  • Reddit مجموعه داده ها

کتابهای یادگیری ماشین

کتابهای یادگیری ماشین بسیار پرطرفدار هستند و بسیاری از آنها را در چاپ خواهید یافت. برخی از آنها بسیار خوب هستند ، اما ما پیشنهاد می کنیم ابتدا از طریق منابع آنلاین بگردید و الگوریتم یا روشی خاص را که به آن علاقه دارید جستجو کنید..

اگر هنوز پوست ترد کاغذ را ترجیح می دهید ، در اینجا چند کتاب یادگیری ماشین وجود دارد که باید آنها را بررسی کنید:

  • یادگیری ماشینی: یک چشم انداز احتمالی (2012) توسط کوین پی مورفی ، مبتنی بر یک رویکرد یکپارچه و احتمالی ، مقدمه ای جامع و مختصر در زمینه یادگیری ماشین ارائه می دهد. این پوشش وسعت و عمق را با هم ترکیب می کند و زمینه لازم را برای موضوعاتی مانند احتمال ، بهینه سازی و جبر خطی فراهم می کند و همچنین در مورد تحولات اخیر در این زمینه بحث می کند..
  • تشخیص الگو و یادگیری ماشین (2007) توسط کریستوفر م بیشوپ الگوریتم های استنباط تقریبی را ارائه می دهد که امکان پاسخ سریع سریع را در شرایطی که پاسخ های دقیق امکان پذیر نیستند ارائه می دهند. دانش قبلی در مورد شناخت الگوی یا مفاهیم یادگیری ماشین فرض نمی شود.
  • کلیه آمارها: یک دوره مختصر در استنتاج آماری (2004) توسط لری واسمن تمام مباحث موجود در آماری را که شما برای درک مفاهیم ML نیاز دارید ، پوشش می دهد. در واقع ، خود کتاب معرفی خوبی برای بسیاری از رویکردهای معمولی ML مانند رگرسیون و طبقه بندی دارد..
  • عناصر یادگیری آماری: داده کاوی ، استنباط ، و پیش بینی (2016) توسط هاستی ، Tibshirani و فریدمن یک منبع با ارزش برای آمار شناسان و هر کس که علاقه مند به داده کاوی در علم یا صنعت است. پوشش کتاب گسترده است ، از یادگیری نظارت شده (پیش بینی) گرفته تا یادگیری بدون نظارت.

نتیجه

یادگیری ماشینی دیگر یک تمرین تئوریک نیست و همچنین یک میدان عجیب و غریب از علوم رایانه مختص آزمایشگاه های دانشگاه نیست. در حال بلوغ شدن است و تعداد برنامه های دنیای واقعی برای یادگیری ماشین در حال افزایش است.

اگرچه این دلگرم کننده به نظر می رسد ، باید توجه داشت كه اشتغال به یادگیری ماشین معمولاً محدود به طاقچه های خاصی است و از دیدگاه صرفاً كسب و كار چیزی جز جریان اصلی است. به عبارت دیگر ، پول بیشتری برای جاهای دیگر وجود دارد ، و توسعه دهندگان تمایل دارند که روی مهارتهایی که می توانند با سهولت نسبی از آنها کسب کنند ، متمرکز شوند.

با این حال ، با توجه به اینکه صنعت یادگیری ماشین را در آغوش می گیرد ، توسعه دهندگان باید ادامه دهند. این بدان معنا نیست که آنها باید در زمینه توسعه رویکردهای جدید برای یادگیری ماشینی متخصص شوند ، بلکه ممکن است از آنها خواسته شود تا فناوری یادگیری ماشین شخص ثالث را در محصولات و خدمات خود پیاده کنند..

مطالعه بیشتر و منابع

ما راهنماهای ، آموزش ها و اینفوگرافیک های بیشتری در رابطه با کد نویسی و توسعه داریم:

  • منابع Prolog: این زبان مخصوصاً برای پردازش زبان ساخته شده است.
  • Lisp: یکی از اولین زبانهای سطح بالا ، در برنامه نویسی هوش مصنوعی بسیار مهم بوده است. مقالات ما را در مورد انواع Lisp بررسی کنید: AutoLISP ، Clojure ، Common Lisp ، Emacs Lisp و Scheme.
  • نحوه جلوگیری از عاشق شدن با یک Chatbot: با وجود عنوان زیرکانه ، این اینفوگرافیک تاریخچه بزرگی در مورد صحبت کردن در رایانه ها را فراهم می کند.

ابر رایانه ها آینده بشر را شکل می دهند

آیا می خواهید بدانید که AI واقعاً در حال خاموش شدن است؟ ابر رایانه ها در حال شکل دادن به آینده بشریت هستند

ابر رایانه ها آینده بشر را شکل می دهند
ابر رایانه ها آینده بشر را شکل می دهند

Jeffrey Wilson Administrator
Sorry! The Author has not filled his profile.
follow me
    Like this post? Please share to your friends:
    Adblock
    detector
    map