یادگیری ماشین چیست و چرا اهمیت دارد؟
یادگیری ماشین روشی برای تجزیه و تحلیل داده است که ساخت مدل تحلیلی را خودکار می کند.
شاخه ای از هوش مصنوعی(AI) است که مبتنی بر این ایده است که سیستم ها می توانند از داده ها یاد بگیرند، الگوها را شناسایی کنند و با کمترین دخالت انسان تصمیم بگیرند.
اهمیت دردنیای امروز ، چه کسی از آن استفاده می کند چگونه کار می کند؟
تکامل یادگیری ماشین
امروزه به دلیل فناوری‌های محاسباتی جدید، یادگیری ماشین شبیه یادگیری ماشین گذشته نیست. این نظریه از تشخیص الگو و این نظریه که کامپیوترها می توانند بدون برنامه ریزی برای انجام وظایف خاص یاد بگیرند، شکل گرفت . محققان علاقه مند به هوش مصنوعی می خواستند ببینند آیا رایانه ها می توانند از داده ها یاد بگیرند یا خیر. جنبه تکراری یادگیری ماشین مهم است، زیرا وقتی مدل‌ها در معرض داده‌های جدید قرار می‌گیرند، قادر به تطبیق مستقل هستند. آنها از محاسبات قبلی یاد می گیرند تا تصمیمات و نتایج قابل اعتماد و قابل تکراری را تولید کنند. این علم جدید نیست - اما علمی است که شتاب تازه ای به دست آورده است.
در حالی که بسیاری از الگوریتم‌های یادگیری ماشین برای مدت طولانی وجود داشته‌اند، توانایی اعمال خودکار محاسبات پیچیده ریاضی روی داده‌های بزرگ – بارها و بارها، سریع‌تر و سریع‌تر – یکی از پیشرفت‌های اخیر است. در اینجا چند نمونه از برنامه‌های یادگیری ماشین که ممکن است با آنها آشنا باشید به طور کلی ذکر شده است:
ماشین گوگل که به شدت تبلیغاتی شده و خودران (self-driving) است: ماهیت یادگیری ماشین
پیشنهادات توصیه آنلاین ، مانند پیشنهادات آمازون و نتفلیکس: برنامه های کاربردی یادگیری ماشین برای زندگی روزمره
می دانید مشتریان در توییتر درباره شما چه می گویند: یادگیری ماشین همراه با ایجاد قواعد زبانی
تشخیص تقلب: یکی از واضح‌ترین و مهم‌ترین کاربردها در دنیای امروز ما.
یادگیری ماشین و هوش مصنوعی
در حالی که هوش مصنوعی (AI) علم گسترده تقلید از توانایی های انسان است، یادگیری ماشین زیرمجموعه خاصی از هوش مصنوعی است که به ماشین آموزش می دهد که چگونه یاد بگیرد.
چرا یادگیری ماشین مهم است؟
افزایش علاقه به یادگیری ماشین به دلیل همان عواملی است که داده کاوی (data mining ) و تجزیه و تحلیل بیزی (Bayesian analysis) را بیش از همیشه محبوب کرده است. مواردی مانند افزایش حجم و تنوع داده های موجود، پردازش محاسباتی که ارزان تر و قدرتمندتر است و ذخیره سازی داده مقرون به صرفه.
همه این موارد به این معنی است که امکان تولید سریع و خودکار مدل‌هایی وجود دارد که می‌توانند داده‌های بزرگ‌تر و پیچیده‌تر را تجزیه و تحلیل کنند و نتایج سریع‌تر و دقیق‌تری ارائه دهند - حتی در مقیاس بسیار بزرگ. و با ساخت مدل‌های دقیق، سازمان شانس بیشتری برای شناسایی فرصت‌های سودآور - یا اجتناب از خطرات ناشناخته دارد.
برای ایجاد سیستم های یادگیری ماشین خوب چه چیزی لازم است؟
قابلیت های آماده سازی داده ها
الگوریتم ها - پایه و پیشرفته.
اتوماسیون و فرآیندهای تکرار شونده
مقیاس پذیری
مدلسازی گروه.
