یادگیری ماشین

یادگیری ماشین

کامپیوترها کلا بیماری را سپری نمی‌کنند یا  میکروب‌ها را منتقل نمی‌سازند، بیشتر اوقات استدلال یا پاسخی را برنمی‌گردانند و هرگز هنگام بلند شدن از خواب خمار یا بد اخلاق نیستند. نظریه‌ای که می‌تواند آنها را دستیار دیجیتالی کاملی بسازد.

اما مشکلی وجود دارد. بر خلاف مغز انسان، کامپیوترها در طول تاریخی از یک محدودیت کلیدی رنج می‌برند – آنها باید قوانینی را دنبال کنند که توسط برنامه‌نویسان طراحی شده است. اگر در کد نباشد، آن محاسبه نمی‌شود.

با این حال پیشرفت‌ها در قدرت پردازش، بیگ‌ دیتا و تکنیکی که یادگیری ماشین صدا زده می‌شود همه آنها را دارد تغییر می‌دهد. یادگیری ماشین ابتدا در ۱۹۵۹ توسط آرتور ساموئل به عنوان «رشته مطالعه‌ای که به کامپیوترها قابلیت یادگیری بدون برنامه‌نویسی صریح می‌دهد» تعریف شد.

ایده اصلی پشت یادگیری ماشین آموزش یک کامپیوتر برای کشف الگوها و ساختن ارتباط‌ها به وسیله نشان دادن حجم بزرکی از داده‌ها است. در شکلی از یادگیری ماشین به نام یادگیری نظارت، کامپیوتر به وسیله نمونه‌های ورودی و خرجی‌های مورد انتظار تغذیه می‌شود تا قوانینی را تولید کند که ورودی‌ها را به خروجی‌ها متصل بسازد.

از نمونه‌های استفاده از این شکل یادگیری ماشین در دنیای مصرف کننده محور امروز موتورهای پیشنهادات ساخته شده به وسیله آمازون و نت فلیکس و قابلیت تشخیص چهره فیسبوک هستند.

در ضمن ارائه دهندگان خدمات ابری چون مایکروسافت، آی.بی.ام، گوگل، واحد آمازون AWS خدمات یادگیری ماشینی را به راه انداخته‌اند که توسعه‌دهندگان را قادر می‌سازد تا به وسیله یادگیری مبتنی بر داده‌های گذشته برنامه‌های داده‌محور و هوشمند را بسازند.

نظریه مدرن یادگیری ماشین به وسیله مطالعه تئوری یادگیری محاسباتی و الگوهای شناختی در هوش مصنوعی در ۱۹۸۰ رشد کرد. با این حال شناختی که در ۱۰ سال گذشته از قابلیت‌های پردازش موازی واحدهای پردازنده گرافیک (GPUs) (که ابتدا برای صنعت بازی ویدیویی توسعه داده شد) یادگیری ماشین را به واقعیتی عملی و مقرون به صرفه تبدیل کرد.

افزایش قدرت رایانش همراه با دیگر پیشرفت‌ها از جمله الگوریتم‌ها بهتر و شبکه‌های عصبی عمیق برای پردازش تصاویر به همراه پایگاه داده‌های در حافظه‌ بسیار سریعی چون سَپ هانا پاسخی به این سوال است که چرا یادگیری ماشین یکی از داغ‌ترین‌ حوزه‌های توسعه نرم‌افزار سازمانی امروز است.

دیگر عامل کلیدی رشد دسترسی به بیگ دیتا ساختار یافته و نیافته از تعداد به سرعت رو به افزایشی از منابع از جمله حسگرهای اینترنت اشیاء، تصاویر و اسناد دیجیتالی شده است. این داده می‌تواند برای یادگیری ماشین استفاده شود و آنها را قادر بسازد تا پیش‌بینی و توصیه‌های دقیقی ارائه دهند.

کاربران کسب و کار و دیگر سازمان‌هایی که قادر هستند تا این ماشین‌ها را به کار بگیرند و درآمد‌هایشان را افزایش دهند، رضایت از مشتری بهبود یابد و هزینه‌ها را کاهش دهند. در یک مفهوم واقعی یادگیری ماشین داده‌‌های سازمان‌ها را به ارزش کسب و کاری تبدیل می‌کند.

منبع: فاربس

دیدگاه‌تان را بنویسید: