Dataset، Feature و Model چیست؟ آموزش اجزای اصلی یادگیری ماشین به زبان ساده | قسمت ۱۰

سفری از مفاهیم پایه تا پیشرفته هوش مصنوعی

قسمت دهم: اجزای سازنده یک مدل هوشمند؛ آشنایی با مجموعه‌داده، ویژگی و مدل

آموزش یادگیری ماشین در قسمت دهم مجموعه آموزشی خبر ICT اختصاص دارد به پاسخ یک سوال مهم! به راستی Dataset، Feature و Model چیست؟ آموزش اجزای اصلی یادگیری ماشین به زبان ساده | قسمت ۱۰

در قسمت گذشته با سه رویکرد اصلی یادگیری ماشین آشنا شدیم؛ یادگیری با ناظر (Supervised Learning)، یادگیری بدون ناظر (Unsupervised Learning) و یادگیری تقویتی (Reinforcement Learning). دیدیم که هر یک از این روش‌ها برای حل نوع خاصی از مسائل طراحی شده‌اند و بسته به نوع داده‌ها و هدف مسئله، می‌توان از رویکرد مناسبی استفاده کرد.

اما هنوز یک پرسش اساسی بی‌پاسخ مانده است.

فرض کنید تصمیم گرفته‌ایم سامانه‌ای طراحی کنیم که بتواند قیمت یک خانه را پیش‌بینی کند، ایمیل‌های اسپم را تشخیص دهد یا حتی تصاویر گربه و سگ را از یکدیگر تفکیک کند. از این لحظه به بعد، دقیقاً چه اتفاقی رخ می‌دهد؟ داده‌ها چگونه به یک مدل هوشمند تبدیل می‌شوند؟ ماشین از کجا می‌فهمد چه چیزی مهم است و بر چه اساسی تصمیم می‌گیرد؟

پاسخ همه این پرسش‌ها را می‌توان در سه مفهوم بنیادین خلاصه کرد:

• مجموعه‌داده (Dataset)
• ویژگی (Feature)
• مدل (Model)

این سه مفهوم، ستون‌های اصلی تقریباً تمام سامانه‌های یادگیری ماشین هستند. فرقی نمی‌کند درباره یک فیلتر تشخیص اسپم صحبت کنیم یا سامانه‌های پیشنهاد فیلم، خودروهای خودران یا مدل‌های زبانی بزرگی مانند ChatGPT؛ همه آن‌ها برای یادگیری، به داده نیاز دارند، از ویژگی‌ها برای توصیف داده‌ها استفاده می‌کنند و در نهایت دانسته‌های خود را در قالب یک مدل ذخیره می‌کنند.

اگر بخواهیم یادگیری ماشین را به یک فرمول ساده تشبیه کنیم، می‌توان نوشت:

مجموعه‌داده + ویژگی‌های مناسب + مدل مناسب = یک سامانه هوشمند

البته همان‌طور که در ادامه خواهیم دید، این فرمول در ظاهر ساده است، اما هر یک از این سه جزء دنیایی از مفاهیم و جزئیات را در خود جای داده‌اند.

تحقیق و تدوین مهدی گمرکی

مجموعه‌داده (Dataset)؛ جایی که یادگیری آغاز می‌شود

هیچ انسانی بدون تجربه، مهارتی را یاد نمی‌گیرد. یک پزشک با مطالعه و مشاهده هزاران پرونده پزشکی به تجربه می‌رسد، یک راننده با ساعت‌ها رانندگی مهارت پیدا می‌کند و یک کودک نیز با مشاهده و آزمون و خطا، جهان اطراف خود را می‌شناسد.

در یادگیری ماشین نیز وضعیت تفاوتی ندارد.

ماشین بدون داده، هیچ دانشی از جهان ندارد. آنچه ما «یادگیری» می‌نامیم، در حقیقت نتیجه مشاهده تعداد زیادی نمونه از دنیای واقعی است. این نمونه‌ها در قالب چیزی به نام مجموعه‌داده (Dataset) در اختیار الگوریتم قرار می‌گیرند.

از دیدگاه علمی، مجموعه‌داده مجموعه‌ای سازمان‌یافته از نمونه‌ها (Samples یا Instances) است که برای آموزش، اعتبارسنجی و ارزیابی مدل مورد استفاده قرار می‌گیرد.

هر نمونه، نماینده یک مشاهده از دنیای واقعی است. برای مثال، اگر هدف ما پیش‌بینی قیمت خانه باشد، هر خانه یک نمونه محسوب می‌شود. اگر در حال ساخت سامانه تشخیص بیماری باشیم، هر بیمار یک نمونه است. در پروژه تشخیص ایمیل اسپم نیز هر ایمیل یک نمونه خواهد بود.

به بیان ساده‌تر، نمونه‌ها همان تجربه‌هایی هستند که ماشین از آن‌ها درس می‌گیرد.

اما هر نمونه از چه چیزی تشکیل شده است؟

هر نمونه معمولاً شامل دو بخش است:

• مجموعه‌ای از ویژگی‌ها (Features) که مشخصات آن نمونه را توصیف می‌کنند.
• پاسخ صحیح یا برچسب (Label) که در مسائل یادگیری با ناظر وجود دارد و نتیجه مورد انتظار را مشخص می‌کند.

برای روشن‌تر شدن موضوع، جدول زیر را در نظر بگیرید.

مفهوم	مثال در پروژه پیش‌بینی قیمت خانه
نمونه (Sample)	یک خانه
ویژگی‌ها (Features)	متراژ، تعداد اتاق، سن بنا، محله
برچسب (Label)	قیمت واقعی خانه

در این مثال، اگر مجموعه‌داده شامل ۵۰ هزار خانه باشد، یعنی مدل قرار است از تجربه بررسی ۵۰ هزار نمونه مختلف، الگوهای مؤثر بر قیمت را بیاموزد.

نکته مهم اینجاست که ماشین هیچ درکی از مفهوم «خانه» ندارد. آنچه می‌بیند، مجموعه‌ای از اعداد و مقادیر است که ویژگی‌های هر خانه را توصیف می‌کنند. این ویژگی‌ها هستند که به ماشین اجازه می‌دهند شباهت‌ها، تفاوت‌ها و الگوهای موجود میان نمونه‌ها را کشف کند؛ موضوعی که در بخش بعدی با جزئیات بیشتری به آن خواهیم پرداخت.

چرا خود داده‌ها برای ماشین کافی نیستند؟

تا اینجا آموختیم که ماشین از طریق مجموعه‌داده، تجربه کسب می‌کند. اما یک سؤال مهم مطرح می‌شود:

اگر تمام داده‌ها در اختیار مدل قرار دارند، چرا اصلاً به مفهومی به نام «ویژگی» نیاز داریم؟

پاسخ در تفاوت میان داده خام (Raw Data) و اطلاعات قابل تحلیل نهفته است.

انسان‌ها هنگام مشاهده یک تصویر، تقریباً به‌صورت ناخودآگاه اشیاء، رنگ‌ها، چهره‌ها و روابط میان آن‌ها را تشخیص می‌دهند. اما رایانه چنین درکی از جهان ندارد. برای ماشین، یک تصویر چیزی جز آرایه‌ای از اعداد نیست، یک فایل صوتی دنباله‌ای از نمونه‌های دیجیتال است و یک متن نیز تنها مجموعه‌ای از کاراکترها یا کدهای عددی به شمار می‌رود.

بنابراین پیش از آنکه ماشین بتواند الگوها را کشف کند، باید داده‌های خام به شکلی نمایش داده شوند که برای مدل قابل پردازش باشند. این نمایش عددی و قابل تحلیل، از طریق ویژگی‌ها انجام می‌شود.

به بیان دیگر، ویژگی‌ها زبان مشترک میان دنیای واقعی و مدل‌های یادگیری ماشین هستند.

ویژگی (Feature)؛ اطلاعاتی که ماشین بر اساس آن تصمیم می‌گیرد

در یادگیری ماشین، ویژگی (Feature) به هر مشخصه یا متغیر قابل اندازه‌گیری گفته می‌شود که بخشی از اطلاعات یک نمونه را توصیف کند.

هر نمونه ممکن است یک یا چند ویژگی داشته باشد و مجموعه این ویژگی‌ها، تصویری عددی از آن نمونه را در اختیار مدل قرار می‌دهد.

برای مثال، اگر بخواهیم قیمت یک خانه را پیش‌بینی کنیم، خود خانه موضوع یادگیری نیست؛ بلکه ویژگی‌های آن اهمیت دارند.

برخی از این ویژگی‌ها عبارت‌اند از:

• متراژ
• تعداد اتاق‌ها
• سن ساختمان
• طبقه
• وجود آسانسور
• پارکینگ
• محله
• فاصله تا مراکز خدماتی
• دسترسی به حمل‌ونقل عمومی

در این مثال، هر خانه یک نمونه (Sample) است و هر یک از موارد بالا یک ویژگی (Feature) محسوب می‌شود.

مدل با بررسی هزاران نمونه، به‌تدریج می‌آموزد که هر ویژگی چه میزان بر قیمت نهایی خانه تأثیر می‌گذارد.

ویژگی‌ها همیشه عدد نیستند

یکی از تصورات رایج این است که ویژگی‌ها باید حتماً عددی باشند، اما در عمل بسیاری از ویژگی‌ها به‌صورت متنی یا دسته‌بندی‌شده (Categorical) هستند.

برای مثال، ویژگی «محله» ممکن است مقادیری مانند «مرکز شهر»، «حومه» یا «منطقه تجاری» داشته باشد.

از آنجا که مدل‌های یادگیری ماشین با داده‌های عددی کار می‌کنند، این مقادیر پیش از آموزش به نمایش‌های عددی مناسب تبدیل می‌شوند. این مرحله بخشی از فرآیند پیش‌پردازش داده‌ها (Data Preprocessing) است که در فصل‌های آینده به آن خواهیم پرداخت.

آیا هر اطلاعاتی یک ویژگی خوب است؟

پاسخ کوتاه این است: خیر.

تمام اطلاعات موجود درباره یک نمونه، لزوماً برای حل مسئله مفید نیستند.

فرض کنید می‌خواهیم مدلی برای پیش‌بینی قیمت خانه طراحی کنیم.

در این پروژه، ویژگی‌هایی مانند متراژ، موقعیت جغرافیایی و سن ساختمان می‌توانند اطلاعات ارزشمندی در اختیار مدل قرار دهند.

اما اگر ویژگی‌هایی مانند:

• رنگ درِ ورودی،
• نام مالک قبلی،
• یا شماره پلاک ساختمان

را نیز وارد مدل کنیم، احتمالاً کمکی به افزایش دقت پیش‌بینی نخواهند کرد؛ بلکه حتی ممکن است باعث شوند مدل الگوهای اشتباه را یاد بگیرد.

به چنین اطلاعاتی ویژگی‌های نامرتبط یا نویزی (Irrelevant Features) گفته می‌شود.

وجود ویژگی‌های نویزی می‌تواند دقت مدل را کاهش دهد، زمان آموزش را افزایش دهد و حتی باعث پیچیده‌تر شدن غیرضروری مدل شود.

به همین دلیل، انتخاب ویژگی‌های مناسب یکی از مهم‌ترین مراحل هر پروژه یادگیری ماشین است.

مهندسی ویژگی (Feature Engineering)

فرآیند انتخاب، اصلاح یا ساخت ویژگی‌های مناسب را مهندسی ویژگی (Feature Engineering) می‌نامند.

این حوزه یکی از مهم‌ترین بخش‌های علم داده و یادگیری ماشین است و نقش آن، تبدیل داده‌های خام به اطلاعاتی است که مدل بتواند بیشترین بهره را از آن‌ها ببرد.

مهندسی ویژگی معمولاً شامل سه فعالیت اصلی است:

• انتخاب ویژگی (Feature Selection): حذف ویژگی‌های غیرضروری و نگه‌داشتن ویژگی‌های مؤثر.
• استخراج ویژگی (Feature Extraction): استخراج اطلاعات مفید از داده‌های خام؛ برای مثال استخراج لبه‌ها از تصاویر یا ویژگی‌های صوتی از فایل‌های صوتی.
• ساخت ویژگی (Feature Construction): ایجاد ویژگی‌های جدید با ترکیب یا پردازش ویژگی‌های موجود.

در سال‌های ابتدایی پیشرفت یادگیری ماشین، موفقیت بسیاری از پروژه‌ها بیش از آنکه به نوع الگوریتم وابسته باشد، به کیفیت مهندسی ویژگی بستگی داشت. امروزه نیز در بسیاری از کاربردهای صنعتی، طراحی ویژگی‌های مناسب همچنان یکی از عوامل اصلی موفقیت یک مدل محسوب می‌شود.

نکته علمی: در مدل‌های یادگیری عمیق (Deep Learning)، بخشی از فرآیند استخراج ویژگی به‌صورت خودکار توسط شبکه‌های عصبی انجام می‌شود. به همین دلیل، در سال‌های اخیر وابستگی به مهندسی دستی ویژگی‌ها در برخی حوزه‌ها کاهش یافته است. در فصل‌های آینده خواهیم دید که این تحول چگونه مسیر توسعه هوش مصنوعی را دگرگون کرد.

اشتباه رایج

بسیاری تصور می‌کنند هرچه تعداد ویژگی‌ها بیشتر باشد، مدل دقیق‌تر خواهد بود.

در واقعیت، اضافه کردن ویژگی‌های نامرتبط می‌تواند نتیجه‌ای کاملاً برعکس داشته باشد. گاهی حذف چند ویژگی اضافی، عملکرد مدل را به شکل محسوسی بهبود می‌بخشد. در یادگیری ماشین، کیفیت ویژگی‌ها بسیار مهم‌تر از تعداد آن‌هاست.

مدل (Model)؛ دانشی که از دل داده‌ها متولد می‌شود

تا اینجا با دو جزء اصلی یادگیری ماشین آشنا شدیم:

• مجموعه‌داده (Dataset) که تجربه‌های مورد نیاز برای یادگیری را در اختیار ماشین قرار می‌دهد.
• ویژگی‌ها (Features) که اطلاعات قابل تحلیل هر نمونه را توصیف می‌کنند.

اکنون به مهم‌ترین پرسش این فصل می‌رسیم:

پس از مشاهده هزاران یا حتی میلیون‌ها نمونه، دقیقاً چه چیزی در ماشین تغییر می‌کند؟

پاسخ این سؤال، همان چیزی است که در یادگیری ماشین مدل (Model) نامیده می‌شود.

مدل دقیقاً چیست؟

از دیدگاه علمی، مدل یک تابع یا ساختار ریاضی است که تلاش می‌کند رابطه میان ویژگی‌های ورودی و خروجی مورد انتظار را یاد بگیرد.

به زبان ساده‌تر، مدل مجموعه‌ای از قواعد و الگوهایی است که از دل داده‌ها استخراج شده‌اند و به ماشین اجازه می‌دهند برای داده‌هایی که قبلاً هرگز ندیده است، پیش‌بینی یا تصمیم‌گیری کند.

نکته مهم اینجاست که مدل داده‌ها را حفظ نمی‌کند؛ بلکه تلاش می‌کند الگوی حاکم بر داده‌ها را بیاموزد.

این تفاوت، یکی از اساسی‌ترین مفاهیم یادگیری ماشین است.

مدل چگونه یاد می‌گیرد؟

فرض کنید هزاران نمونه از قیمت خانه‌ها را در اختیار مدل قرار داده‌ایم.

در ابتدا، مدل هیچ اطلاعی از رابطه میان متراژ، تعداد اتاق‌ها یا موقعیت جغرافیایی با قیمت خانه ندارد؛ بنابراین پیش‌بینی‌های اولیه آن تقریباً تصادفی و همراه با خطای زیاد خواهد بود.

فرآیند آموزش از همین نقطه آغاز می‌شود.

در هر مرحله، مدل چهار گام اصلی را طی می‌کند:

۱. دریافت ویژگی‌های ورودی

مدل ویژگی‌های هر نمونه، مانند متراژ، سن ساختمان و تعداد اتاق‌ها را دریافت می‌کند.

۲. انجام پیش‌بینی

با استفاده از پارامترهای فعلی خود، قیمت خانه را تخمین می‌زند.

۳. محاسبه خطا

پیش‌بینی مدل با قیمت واقعی مقایسه می‌شود و میزان اختلاف میان آن‌ها محاسبه می‌شود. این اختلاف، خطا (Error) نام دارد.

۴. اصلاح پارامترها

مدل تلاش می‌کند پارامترهای داخلی خود را به گونه‌ای تغییر دهد که در دفعات بعد، خطای کمتری داشته باشد.

این چرخه هزاران یا حتی میلیون‌ها بار تکرار می‌شود تا مدل بتواند الگوهای موجود در داده‌ها را با دقت مناسبی یاد بگیرد.

پارامترها؛ حافظه واقعی مدل

در بسیاری از مدل‌های یادگیری ماشین، آنچه پس از پایان آموزش ذخیره می‌شود، مجموعه‌ای از پارامترها (Parameters) است.

این پارامترها ممکن است شامل مواردی مانند:

• وزن‌ها (Weights)
• بایاس‌ها (Biases)
• یا سایر ضرایب ریاضی

باشند.

در حقیقت، دانش مدل در همین پارامترها نهفته است.

وقتی گفته می‌شود «مدل آموزش دیده است»، منظور این نیست که برنامه جدیدی نوشته شده یا قوانین تازه‌ای به آن اضافه شده است؛ بلکه تنها مقادیر این پارامترها به گونه‌ای تنظیم شده‌اند که مدل بتواند با کمترین خطا پیش‌بینی کند.

آموزش مدل؛ یک مسئله بهینه‌سازی

یکی از نکات مهمی که کمتر در آموزش‌های مقدماتی به آن اشاره می‌شود، این است که آموزش یک مدل در اصل یک مسئله بهینه‌سازی (Optimization) است.

هدف الگوریتم این است که بهترین مقادیر ممکن را برای پارامترهای مدل پیدا کند؛ مقادیری که باعث شوند اختلاف میان پیش‌بینی مدل و پاسخ واقعی تا حد امکان کاهش یابد.

به بیان دیگر، الگوریتم دائماً از خود می‌پرسد:

«اگر این پارامتر را کمی تغییر دهم، آیا پیش‌بینی من بهتر می‌شود؟»

اگر پاسخ مثبت باشد، تغییر را حفظ می‌کند و اگر نه، مسیر دیگری را امتحان می‌کند.

این فرآیند تا زمانی ادامه پیدا می‌کند که مدل به مناسب‌ترین حالت ممکن برسد یا به نقطه‌ای برسد که بهبود بیشتری حاصل نشود.

مدل با الگوریتم چه تفاوتی دارد؟

یکی از رایج‌ترین اشتباهات در یادگیری ماشین، یکسان دانستن الگوریتم (Algorithm) و مدل (Model) است.

در حالی که این دو مفهوم کاملاً متفاوت‌اند.

الگوریتم، مجموعه‌ای از دستورالعمل‌ها و روش‌هایی است که مشخص می‌کند مدل چگونه آموزش ببیند.

اما مدل، نتیجه نهایی این آموزش است؛ یعنی ساختاری که پس از یادگیری می‌تواند برای داده‌های جدید تصمیم‌گیری کند.

برای درک بهتر، فرض کنید یک معلم در حال آموزش دانش‌آموزان است.

• روش تدریس معلم، همان الگوریتم است.
• دانشی که در ذهن دانش‌آموز شکل می‌گیرد، همان مدل است.

بنابراین ممکن است دو دانش‌آموز با یک روش آموزشی، در نهایت دانش متفاوتی کسب کنند؛ همان‌گونه که دو مدل می‌توانند با الگوریتم‌های مختلف یا حتی داده‌های متفاوت، عملکردهای متفاوتی داشته باشند.

یک مثال واقعی؛ چگونه مدل ایمیل‌های اسپم را تشخیص می‌دهد؟

اکنون دوباره به مثال ایمیل‌های اسپم بازگردیم.

فرض کنید مدل میلیون‌ها ایمیل را مشاهده کرده است.

در ابتدا، تقریباً همه پیش‌بینی‌های آن همراه با خطا هستند.

اما با هر بار مشاهده یک ایمیل جدید، مدل به تدریج یاد می‌گیرد که وجود برخی ویژگی‌ها، احتمال اسپم بودن را افزایش می‌دهد؛ برای مثال:

• استفاده مکرر از واژه‌هایی مانند «برنده شدید» یا «تخفیف ویژه»
• وجود تعداد زیادی پیوند (Link)
• فرستنده ناشناس
• درخواست اطلاعات شخصی یا بانکی

مدل این قواعد را به صورت جمله‌های قابل خواندن ذخیره نمی‌کند؛ بلکه آن‌ها را در قالب پارامترهای ریاضی درون خود نگه می‌دارد.

به همین دلیل است که وقتی ایمیل جدیدی دریافت می‌کنید، مدل می‌تواند بدون آنکه قبلاً همان ایمیل را دیده باشد، احتمال اسپم بودن آن را تخمین بزند.

نکته علمی

بسیاری از مدل‌های امروزی، به‌ویژه در حوزه یادگیری عمیق، ممکن است از میلیون‌ها یا حتی میلیاردها پارامتر تشکیل شده باشند. برای مثال، مدل‌های زبانی بزرگ (Large Language Models) مانند ChatGPT نیز بر پایه همین اصل کار می‌کنند؛ با این تفاوت که تعداد پارامترهای آن‌ها بسیار بیشتر از مدل‌های کلاسیک است. در فصل‌های آینده با مفهوم پارامترها و نقش آن‌ها در شبکه‌های عصبی بیشتر آشنا خواهیم شد.

اشتباه رایج

بسیاری تصور می‌کنند آموزش مدل یعنی نوشتن قوانین توسط برنامه‌نویس.

در واقعیت، برنامه‌نویس تنها ساختار مدل و الگوریتم آموزش را طراحی می‌کند. این داده‌ها هستند که با تنظیم پارامترهای مدل، قواعد تصمیم‌گیری را شکل می‌دهند. به همین دلیل است که می‌گوییم مدل «یاد می‌گیرد» و صرفاً «برنامه‌ریزی» نمی‌شود.

ارتباط میان مجموعه‌داده، ویژگی و مدل

اکنون که با سه مفهوم اصلی این فصل آشنا شدیم، بهتر است یک بار دیگر به کل فرآیند یادگیری ماشین از زاویه‌ای کلی نگاه کنیم.

فرض کنید می‌خواهیم سامانه‌ای طراحی کنیم که بتواند قیمت یک خانه را پیش‌بینی کند.

فرآیند یادگیری به ترتیب زیر انجام می‌شود:

جمع‌آوری داده‌ها
        │
        ▼
   مجموعه‌داده (Dataset)
        │
        ▼
استخراج و انتخاب ویژگی‌ها
 (Feature Engineering)
        │
        ▼
 آموزش مدل (Training)
        │
        ▼
   مدل آموزش‌دیده
        │
        ▼
پیش‌بینی برای داده‌های جدید

اگر هر یک از این مراحل به‌درستی انجام نشود، کیفیت خروجی نهایی نیز کاهش خواهد یافت.

برای مثال:

• اگر داده‌ها ناقص یا دارای خطا باشند، مدل الگوهای اشتباهی یاد خواهد گرفت.
• اگر ویژگی‌های مناسبی انتخاب نشوند، حتی بهترین الگوریتم‌ها نیز عملکرد مطلوبی نخواهند داشت.
• اگر مدل به‌درستی آموزش نبیند، توانایی تعمیم به داده‌های جدید را از دست خواهد داد.

به همین دلیل، موفقیت یک پروژه یادگیری ماشین تنها به انتخاب الگوریتم وابسته نیست؛ بلکه نتیجه تعامل صحیح میان داده، ویژگی و مدل است.

از نگاه یک مهندس در مباحث آموزش یادگیری ماشین

در گفت‌وگوهای روزمره متخصصان هوش مصنوعی، جمله‌هایی مانند:

«مدل را آموزش دادیم.»

یا

«مدل را روی داده‌های جدید آزمایش کردیم.»

بسیار رایج است.

اما پشت این جمله‌های ساده، فرآیندی پیچیده نهفته است.

یک مهندس یادگیری ماشین، بیشتر زمان خود را صرف نوشتن الگوریتم‌های پیچیده نمی‌کند؛ بلکه بخش عمده‌ای از زمان پروژه به فعالیت‌هایی مانند:

• جمع‌آوری داده‌های باکیفیت،
• پاک‌سازی داده‌ها،
• حذف داده‌های ناسالم،
• انتخاب ویژگی‌های مناسب،
• ارزیابی عملکرد مدل،
• و بهبود مستمر آن

اختصاص دارد.

به همین دلیل، در بسیاری از پروژه‌های صنعتی گفته می‌شود:

ساخت یک مدل خوب، بیش از آنکه مسئله برنامه‌نویسی باشد، مسئله شناخت صحیح داده‌هاست.

آیا می‌دانستید؟

مطالعات و تجربه شرکت‌های بزرگ فناوری نشان می‌دهد که در بسیاری از پروژه‌های واقعی هوش مصنوعی، بخش عمده زمان توسعه صرف آماده‌سازی داده‌ها می‌شود و تنها بخش کوچکی از زمان به آموزش مدل اختصاص دارد.

به همین دلیل، بسیاری از متخصصان علم داده جمله‌ای معروف دارند:

داده، سوخت هوش مصنوعی است.

هرچه این سوخت باکیفیت‌تر باشد، مدل نیز عملکرد دقیق‌تر و قابل اعتماد‌تری خواهد داشت.

جمع‌بندی آموزش یادگیری ماشین

در این قسمت با سه مفهوم بنیادی یادگیری ماشین آشنا شدیم؛ مفاهیمی که تقریباً در تمام سامانه‌های هوشمند حضور دارند.

آموختیم که:

• مجموعه‌داده (Dataset) تجربه‌ای است که ماشین از آن یاد می‌گیرد.
• ویژگی (Feature) اطلاعات قابل اندازه‌گیری و قابل تحلیل هر نمونه را در اختیار مدل قرار می‌دهد.
• مدل (Model) دانشی است که پس از آموزش، رابطه میان ویژگی‌ها و خروجی را فرا می‌گیرد و از آن برای پیش‌بینی داده‌های جدید استفاده می‌کند.

همچنین دیدیم که آموزش مدل در واقع فرآیندی برای یافتن بهترین پارامترهاست و کیفیت نهایی یک سامانه هوشمند، به تعامل صحیح میان داده‌ها، ویژگی‌ها و مدل بستگی دارد.

در حقیقت، اگر بخواهیم تمام مباحث این فصل را تنها در یک جمله خلاصه کنیم، می‌توان گفت:

داده‌ها تجربه را فراهم می‌کنند، ویژگی‌ها این تجربه را به زبان قابل فهم برای ماشین ترجمه می‌کنند و مدل، دانشی است که از این تجربه استخراج می‌شود.

واژه‌نامه

واژه فارسی	اصطلاح انگلیسی
مجموعه‌داده	Dataset
نمونه	Sample / Instance
ویژگی	Feature
برچسب	Label
مدل	Model
پارامتر	Parameter
وزن	Weight
بایاس	Bias
آموزش مدل	Model Training
بهینه‌سازی	Optimization
مهندسی ویژگی	Feature Engineering
انتخاب ویژگی	Feature Selection
استخراج ویژگی	Feature Extraction

در قسمت بعد چه خواهید آموخت؟

تا اینجا یاد گرفتیم که ماشین چگونه از داده‌ها الگو استخراج می‌کند و مدل‌های یادگیری ماشین چگونه آموزش می‌بینند.

اما هنوز یک پرسش بزرگ باقی مانده است.

اگر مدل‌های کلاسیک یادگیری ماشین تا این اندازه قدرتمند هستند، چرا دانشمندان به سراغ شبکه‌های عصبی رفتند؟

چه محدودیت‌هایی در روش‌های سنتی وجود داشت؟

چگونه ایده‌ای الهام‌گرفته از نورون‌های مغز انسان، مسیر پیشرفت هوش مصنوعی را متحول کرد؟

و چرا امروزه فناوری‌هایی مانند تشخیص گفتار، ترجمه ماشینی، تولید تصویر و مدل‌های زبانی بزرگ، همگی بر پایه شبکه‌های عصبی ساخته شده‌اند؟

در قسمت یازدهم، وارد فصل چهارم می‌شویم؛ جایی که یکی از جذاب‌ترین و تأثیرگذارترین مباحث هوش مصنوعی را آغاز خواهیم کرد: شبکه‌های عصبی (Neural Networks)؛ فناوری‌ای که راه را برای ظهور یادگیری عمیق (Deep Learning) و نسل جدید سامانه‌های هوشمند هموار کرد.

آموزش یادگیری ماشین

تحقیق و تدوین مهدی گمرکی

مشاوره تجارت الکترونیکی