سفری از مفاهیم پایه تا پیشرفته هوش مصنوعی

قسمت نهم : انواع یادگیری ماشین چیست؟ آشنایی با سه روش اصلی آموزش ماشین‌ها

انواع یادگیری ماشین یکی از مهم‌ترین مفاهیمی است که هر علاقه‌مند به هوش مصنوعی باید آن را بشناسد. اگر تاکنون این سؤال برایتان پیش آمده که کامپیوترها چگونه از داده‌ها یاد می‌گیرند یا چرا برخی سیستم‌های هوشمند در تشخیص تصویر، پیش‌بینی قیمت، پیشنهاد فیلم یا حتی هدایت خودروهای خودران عملکرد قابل‌توجهی دارند، پاسخ در روش آموزش آن‌ها نهفته است.

تحقیق و تدوین مهدی گمرکی

در قسمت قبل آموزش هوش مصنوعی از خبر ICT  درباره یادگیری ماشین چیست؟ صحبت کردیم و دیدیم که ماشین‌ها به‌جای پیروی صرف از دستورهای از پیش نوشته‌شده، با استفاده از داده‌ها الگوها را کشف می‌کنند و به‌مرور زمان عملکرد خود را بهبود می‌بخشند. اکنون زمان آن رسیده است که با سه روش اصلی یادگیری ماشین آشنا شویم و ببینیم هر کدام برای حل چه نوع مسئله‌ای مناسب هستند.

در دنیای هوش مصنوعی، الگوریتم‌ها معمولاً با یکی از سه رویکرد زیر آموزش داده می‌شوند:

• یادگیری با ناظر (Supervised Learning)
• یادگیری بدون ناظر (Unsupervised Learning)
• یادگیری تقویتی (Reinforcement Learning)

هر یک از این روش‌ها فلسفه، ساختار و کاربردهای متفاوتی دارند و انتخاب آن‌ها به نوع داده‌ها، هدف پروژه و مسئله‌ای که قرار است حل شود بستگی دارد.

چرا یادگیری ماشین به چند روش تقسیم می‌شود؟

تمام مسائل هوش مصنوعی شبیه یکدیگر نیستند. گاهی پاسخ صحیح هر نمونه از داده را از قبل می‌دانیم، گاهی فقط حجم زیادی از اطلاعات در اختیار داریم و هیچ برچسبی وجود ندارد و گاهی نیز سیستم باید در یک محیط پویا تصمیم‌گیری کند و از نتایج تصمیم‌های خود بیاموزد.

به همین دلیل، دانشمندان علوم داده و متخصصان هوش مصنوعی چیست؟ سه رویکرد اصلی برای آموزش الگوریتم‌های یادگیری ماشین توسعه داده‌اند که هر کدام برای شرایط خاصی طراحی شده‌اند.

یادگیری با ناظر (Supervised Learning) چیست؟

یادگیری با ناظر رایج‌ترین نوع یادگیری ماشین است. در این روش، داده‌های آموزشی دارای برچسب (Label) هستند؛ یعنی برای هر ورودی، پاسخ صحیح نیز از قبل مشخص شده است.

فرض کنید معلمی مجموعه‌ای از سؤالات را همراه با پاسخ صحیح در اختیار دانش‌آموز قرار می‌دهد. دانش‌آموز پس از پاسخ دادن، جواب خود را با پاسخ درست مقایسه می‌کند و اشتباهاتش را اصلاح می‌کند. الگوریتم‌های یادگیری با ناظر نیز دقیقاً چنین فرایندی را طی می‌کنند.

یادگیری با ناظر چگونه کار می‌کند؟

در این روش، مدل مراحل زیر را بارها تکرار می‌کند:

• دریافت داده‌های برچسب‌دار
• پیش‌بینی خروجی
• مقایسه پیش‌بینی با پاسخ واقعی
• محاسبه میزان خطا
• اصلاح مدل برای کاهش خطا

این چرخه تا زمانی ادامه پیدا می‌کند که دقت مدل به سطح مطلوب برسد.

کاربردهای یادگیری با ناظر

این روش در بسیاری از سامانه‌هایی که هر روز با آن‌ها سروکار داریم استفاده می‌شود؛ از جمله:

• پیش‌بینی قیمت مسکن
• پیش‌بینی فروش
• تشخیص بیماری از تصاویر پزشکی
• تشخیص ایمیل‌های اسپم
• تشخیص چهره
• پیش‌بینی ریسک اعتباری مشتریان

اگر با مفهوم الگوریتم چیست؟ آشنا باشید، متوجه می‌شوید که در اینجا الگوریتم تلاش می‌کند رابطه بین ورودی و خروجی را یاد بگیرد.

یادگیری بدون ناظر (Unsupervised Learning) چیست؟

در یادگیری بدون ناظر هیچ پاسخ از پیش تعیین‌شده‌ای وجود ندارد. ماشین تنها مجموعه‌ای از داده‌ها را مشاهده می‌کند و باید شباهت‌ها، تفاوت‌ها و ساختارهای پنهان میان آن‌ها را کشف کند.

در واقع، هیچ معلمی وجود ندارد و الگوریتم باید خودش داده‌ها را تحلیل کند.

به همین دلیل، این روش بیشتر برای کشف الگوهای ناشناخته استفاده می‌شود.

یادگیری بدون ناظر چگونه انجام می‌شود؟

فرض کنید یک فروشگاه اینترنتی اطلاعات هزاران مشتری را در اختیار دارد اما نمی‌داند مشتریان را چگونه دسته‌بندی کند.

الگوریتم با بررسی عواملی مانند:

• میزان خرید
• سن
• علایق
• زمان خرید
• نوع کالاهای انتخابی

می‌تواند مشتریان را در گروه‌های مختلف قرار دهد، بدون اینکه کسی از قبل این گروه‌ها را تعریف کرده باشد.

کاربردهای یادگیری بدون ناظر

از مهم‌ترین کاربردهای این روش می‌توان به موارد زیر اشاره کرد:

• تقسیم‌بندی مشتریان
• تحلیل رفتار کاربران
• سیستم‌های پیشنهاد محصول
• کشف الگوهای پنهان
• تشخیص ناهنجاری
• کاهش ابعاد داده‌ها

اگر هنوز با مفهوم داده آشنا نیستید، پیشنهاد می‌کنیم ابتدا مقاله داده چیست؟را مطالعه کنید.

یادگیری تقویتی (Reinforcement Learning) چیست؟

یادگیری تقویتی یکی از پیشرفته‌ترین روش‌های یادگیری ماشین است و شباهت زیادی به شیوه یادگیری انسان از طریق تجربه دارد.

در این روش، ماشین در یک محیط قرار می‌گیرد و باید تصمیم بگیرد. پس از هر تصمیم، محیط به آن بازخورد می‌دهد. اگر تصمیم درست باشد، پاداش دریافت می‌کند و اگر تصمیم نادرست باشد، جریمه می‌شود.

هدف الگوریتم این است که در بلندمدت بیشترین میزان پاداش را کسب کند.

اجزای اصلی یادگیری تقویتی

این روش چهار بخش اصلی دارد:

• عامل (Agent)
• محیط (Environment)
• عمل (Action)
• پاداش (Reward)

عامل با آزمون و خطا یاد می‌گیرد که در هر شرایطی بهترین تصمیم را اتخاذ کند.

کاربردهای یادگیری تقویتی

این روش امروزه در فناوری‌های پیشرفته کاربرد فراوانی دارد؛ از جمله:

• خودروهای خودران
• ربات‌های صنعتی
• بازی‌های رایانه‌ای
• مدیریت ترافیک هوشمند
• بهینه‌سازی مصرف انرژی
• کنترل سیستم‌های پیچیده

مقایسه انواع یادگیری ماشین

هر سه روش با هدف آموزش ماشین طراحی شده‌اند، اما تفاوت آن‌ها در نوع داده‌ها و شیوه یادگیری است.

به زبان ساده:

• یادگیری با ناظر مانند حضور در کلاس درس با معلم است.
• یادگیری بدون ناظر شبیه تحقیق و کشف شخصی است.
• یادگیری تقویتی مانند یاد گرفتن دوچرخه‌سواری با تمرین، اشتباه و تجربه است.

کدام روش یادگیری ماشین بهتر است؟

پاسخ این سؤال به نوع مسئله بستگی دارد. اگر پاسخ صحیح داده‌ها را در اختیار دارید، یادگیری با ناظر بهترین انتخاب است. اگر هدف کشف الگوهای ناشناخته باشد، یادگیری بدون ناظر مناسب‌تر خواهد بود. همچنین در مسائلی که نیاز به تصمیم‌گیری پیوسته و تعامل با محیط وجود دارد، یادگیری تقویتی بهترین عملکرد را ارائه می‌دهد.

در بسیاری از پروژه‌های مدرن هوش مصنوعی، این روش‌ها به‌صورت ترکیبی استفاده می‌شوند تا مدل بتواند عملکرد دقیق‌تر و هوشمندانه‌تری داشته باشد.

جمع‌بندی

انواع یادگیری ماشین، پایه و اساس بسیاری از فناوری‌های هوشمند امروزی هستند. از موتورهای جست‌وجو و سیستم‌های پیشنهاددهنده گرفته تا خودروهای خودران و سامانه‌های تشخیص بیماری، همگی از یکی یا ترکیبی از این سه روش استفاده می‌کنند.

شناخت تفاوت میان یادگیری با ناظر، یادگیری بدون ناظر و یادگیری تقویتی به شما کمک می‌کند درک عمیق‌تری از نحوه عملکرد سیستم‌های هوشمند داشته باشید و مسیر یادگیری خود را در حوزه هوش مصنوعی با دید روشن‌تری ادامه دهید.

در قسمت بعدی این مجموعه، با مثال‌های واقعی بررسی خواهیم کرد که این سه روش چگونه در پیش‌بینی قیمت مسکن، تشخیص ایمیل‌های اسپم و سیستم‌های پیشنهاددهنده محتوا مانند یوتیوب و اینستاگرام به کار گرفته می‌شوند.

تحقیق و تدوین مهدی گمرکی

مشاوره تجارت الکترونیکی