freepay, Freepay, freepay.ir, فری پی, درگاه پرداخت
تبلیغات
فال, فال های وتار, فال وتار, faal, fal, wtaar, faal wtaar


اپل استارتاپ های یادگیری ماشینی را خریداری می کند و گوگل آزمایشگاه تحقیقات خود در اروپا را راه اندازی می کند تا یادگیری ماشینی را توسعه دهد. در حالی که تعداد تیترهایی که در آن ها عبارت "یادگیری ماشینی" وجود دارد، روز به روز بیشتر می شود و ممکن است باعث شود شما فکر کنید این یک مبحث بسیار تازه است، اما بد نیست بدانید که این فناوری چندان هم جدید نیست.

الن تورینگ که به عنوان پدر علم محاسبه نوین و هوش مصنوعی شناخته می شود، در سال 1950 یکی از مقالات خود را که به موضوع محاسبات اختصاص داشت، با طرح این سوال آغاز کرد: آیا ماشین‌ها می ‌توانند فکر کنند؟

یکی از معروف ترین نقل قول های تورینگ این است که: 

تنها کامپیوترهایی می توانند "هوشمند" لقب بگیرند که انسان را متقاعد کنند که به جای کامپیوتر، انسان هستند.

ما نیز همواره به دنبال دریافتن این موضوع هستیم که آیا واقعاً خلق نسخه های مصنوعی از خودمان به کشف منشا آگاهی در ما یا حتی وسیع تر از آن، یافتن نقش ما در زمین کمک می کند یا خیر. این مسئله در فیلم های علمی تخیلی و حتی آزمایشگاه های تحقیقاتی ما نیز کاملاً دیده می شود. اما شیب منحنی یادگیری هوش مصنوعی بسیار تند است. با مرور بخش هایی از تاریخ، می توانیم حداقل به طور سطحی درک کنیم که واقعاً یادگیری ماشینی چه مفهومی دارد.

آیا کلان‌داده های ما برای خلق هوش مصنوعی واقعاً کافیست؟

اولین گامی که ما برای پیشبرد هوش مصنوعی بر می داریم این است که ماشین ها را پر از اطلاعات کنیم و منتظر بهترین نتایج باشیم. زمانی این یک نظریه متداول بود که به هم پیوستن انبوه اطلاعات در ماشین ها می تواند باعث ایجاد آگاهی شود. یکی از شرکت هایی که این نظریه به وضوح در چشم انداز آن دیده می شود، گوگل است که 30 هزار میلیارد وب سایت را ایندکس کرده است.

اما در حقیقت، زیبایی یادگیری ماشینی به این است که به جای تظاهر به انسان بودن آن ها و پر کردن ماشین ها با اطلاعات، سعی کنیم به کامپیوترها کمک کنیم تا فکر کنند، و بعد آنچه که یاد گرفتند را به اطلاعاتی تازه تبدیل کنند.

بهتر است بدانید که شبکه های عصبی، یادگیری عمیق و یادگیری تقویتی همه از موارد یادگیری ماشینی به حساب می آیند. تمامی این ها روش هایی برای ساخت سیستم های کلی هستند که می توانند بر روی داده های جدید تحلیل انجام دهند. به زبان دیگر، یادگیری ماشینی یکی از تکنیک های بیشمار هوش مصنوعی است و موضوعاتی چون شبکه های عصبی و یادگیری عمیق تنها ابزارهایی هستند که می توان از آن ها برای ایجاد چارچوبی بهتر و کاربردهایی وسیع تر استفاده کرد.

اگر به دهه 50 میلادی برگردیم، می بینیم که قدرت محاسبات ما بسیار محدود بوده است. دسترسی به کلان داده ها نداشتیم و و الگوریتم های ما ناقص و ابتدایی بودند. این یعنی در آن زمان قدرت ما برای توسعه یادگیری ماشینی بسیار محدود بوده است.

در سال 1952 میلادی، آرتور ساموئل برنامه ای را برای بازی شطرنج ساخت که از ساده ترین شکل هوش مصنوعی موسوم به هرس آلفا بتا بهره می گرفت. این در واقع روشی است که که کارایی الگوریتم درخت Minimax (درخت کمینه بیشینه یا درخت بازی) را بهبود می‌بخشد. با استفاده از هرس آلفا بتا، بخش ‌هایی از درخت کمینه بیشینه که پیمایششان بی تاثیر است پیمایش نمی‌شوند و به این ترتیب پیمایش درخت کمینه بیشینه تا یک عمق مشخص در زمانی کم ‌تر صورت می‌گیرد. البته این روش برای حل تمامی مسائل کاربردی نیست.

مدلی که به نظر پیچیده می رسد، اما باید شما آن را بخوانید!

پرسپترون، روشی بود که از زمان خودش بسیار جلوتر بود. اگر نمی دانید، پرسپترون یک نوع شبکه عصبی مصنوعی است که در سال 1957 در لابراتوار کرنل آرونوتیکال توسط فرانک روزنبلت ابداع شد. می‌توان آن را ساده ترین نوع شبکه عصبی هایی که در آنها خروجی فقط به سمت جلو حرکت می‌کنند (Feedforward) در نظر گرفت.

برای درک بهتر آن، اول باید بدانید که بیشترین مشکلات یادگیری ماشینی یا مربوط به طبقه بندی می شوند یا رگرسیون. پرسپترون، مثالی از یک طبقه بندی محسوب می شود. دسته ای از داده ها را دریافت می کند و بعد آن ها را به دسته های مختلف تقسیم بندی می کند. امروزه همین طبقه بندی ها هستند که اسپم ها را از ایمیل های معمولی تشخیص می دهند و تقلب های بانکی را شناسایی می کنند.

مدل روزنبلت از یک سری از ورودی ها مانند طول، وزن، رنگ، استفاده می کند و به هرکدام وزنی را اختصاص می دهد. سپس مدل به طور مداوم تنظیم وزن تا یک خروجی رسیده است که در حاشیه پذیرفته خطا می افتد.

حتی محققین هوش مصنوعی هم با این موارد گیج می شوند!

پرسپترون تنها بخشی از پیشرفت های اولیه در یادگیری ماشینی به حساب می آید. شبکه های عصبی به نوعی مثل یک مجموعه بزرگ از پرسپترون ها هستند که با هم کار می کنند. عملکرد آن ها بسیار شبیه به عملکرد مغز ما و سلول های عصبی آن است و در واقع به همین دلیل هم این اسم (شبکه های عصبی) برای آن ها انتخاب شده است.

اگر چندین دهه به جلو برویم، می بینیم که پیشرفت هوش مصنوعی بیشتر درگیر این موضوع بوده که عملکرد ذهنی ما را تکرار کند تا این که به تکرار درک ما از محتوای آن بپردازد. شبکه های عصبی هنوز هم مورد استفاده قرار می گیرند، اما یادگیری عمیق، بحثی است که از آن به عنوان پدیده بزرگ بعدی یاد می شود. یادگیری عمیق متشکل از همان شبکه های عصبی ست، اما با لایه های بیشتر. برای درک لایه ها، بد نیست به این موضوع توجه کنیم که فقط چون کامپیوتر می تواند گربه ها و انسان ها را در دو گروه مختلف طبقه بندی کند، نحوه پردازشی درست مانند یک انسان ندارد. قالب اصلی یادگیری ماشینی استفاده بردن از مفاهیم برای انجام دادن وظایف است.

برای انسان، چهره چیزیست که دارای چشم باشد. ولی برای کامپیوتر، چهره از پیکسل های روشن و تیره تشکیل شده که آن ها هم مفاهیمی از خطوط را شکل می دهند. هر لایه در مدل یادگیری عمیق، سطحی مفهومی دیگری از همان مورد را شناسایی می کند. از پیکسل ها به خطوط، از خطوط به مدل های 2 بعدی و از مدل های 2 بعدی به مدل های 3 بعدی.

با وجود عدم برخورداری از هوش کافی، کامپیوترها با موفقیت آزمون تورینگ را پشت سر گذاشتند

تفاوت اساسی بین انسان و کامپیوتر، به خصوص در رابطه با نحوه ارزیابی هرکدام از دنیا، تبدیل به چالشی جدی برای خلق هوش مصنوعی واقعی شده است. 

تست تورینگ طراحی شده بود تا ما میزان پیشرفتمان در هوش مصنوعی را ارزیابی کنیم. برخی ها معتقدند که ما تست تورینگ را در سال 2014 با موفقیت پشت سر گذاشتیم، زمانی که یک ماشین توانست در طول 5 دقیقه مکالمه از طریق کیبورد، از بین 30 دانشمند! 10 نفر از آن ها را متقاعد کند که یک انسان است.

آیا باید خودمان را برای زمستان هوش مصنوعی آماده کنیم.

زمستان هوش مصنوعی نقطه‌مقابل انفجار هوش مصنوعی است. زمستان هوش مصنوعی به تلاش هایی در بازه‌ های تاریخی اشاره دارد که سرمایه‌گذاری روی تحقیقات مرتبط با هوش مصنوعی به دلایل مختلفی کاهش یافت.

در حال حاضر، یادگیری ماشینی با وجود این که پیشرفت های زیادی داشته، اما جعبه سیاهی دارد که در برخی شرایط قادر به حل مشکلات ما نیست. به زبان ساده تر، ما در شرایطی نمی توانیم حدس بزنیم که چه خروجی از ورودی های ما توسط ماشین به دست خواهد آمد. اما مغز ما هم جعبه سیاه دارد و ما هنوز هم دقیقاً عملکرد آن را نمی دانیم.

البته همیشه باید این نکته را در نظر داشته باشیم که درک نکردن یک موضوع، پایان بازی نیست؛ بلکه شروع آن است و این یعنی یادگیری ماشینی همچنان مراحل تکامل خود را طی می کند. هرچند قرار نیست هوش مصنوعی یا یادگیری ماشینی جایگزین نیروی انسانی شود و بهترین حالت همکاری این دو با هم است. 

منبع : کانون فرهنگی آموزش قلم چی ارسال به :
انتشار : سه شنبه ۲ آذر ۱۳۹۵ - ۲۰:۴۵:۳۰ دیده شده : ۶بار نویسنده : admin

یادگیری ماشینی یادگیری ماشینی+pdf یادگیری ماشینی چیست؟ یادگیری ماشینی در هوش مصنوعی کتاب یادگیری ماشینی مقاله یادگیری ماشینی انواع یادگیری ماشینی روش های یادگیری ماشینی الگوریتم یادگیری ماشینی یادگیری ماشین Pdf الگوریتم یادگیری ماشین Pdf یادگیری ماشین چیست؟ یادگیری ماشین در هوش مصنوعی کاربرد یادگیری ماشین در هوش مصنوعی یادگیری ماشین هوش مصنوعی کتاب یادگیری ماشین هوش مصنوعی جزوه یادگیری ماشین هوش مصنوعی کتاب یادگیری ماشین کتاب یادگیری ماشین میشل کتاب یادگیری ماشین تام میشل کتاب یادگیری ماشین فارسی كتاب يادگيري ماشين کتاب یادگیری ماشین بیشاپ کتاب یادگیری ماشین مدرسان شریف کتاب یادگیری ماشین میچل کتاب یادگیری ماشین ارشد مقاله یادگیری ماشین مقالات یادگیری ماشین انواع یادگیری ماشین روش های یادگیری ماشین انواع روش های یادگیری ماشین الگوریتم یادگیری ماشین الگوریتمهای یادگیری ماشین ویروس کامپیوتری دقیقا چیست؟ حسادت عاشقانه دقیقا چیست؟ تبخال تناسلی دقیقا چیست؟ یادگیری ماشینی دقیقاً چیست؟

دیدگاه شما در مورد این مطلب پس از تایید نویسنده سایت نمایش داده خواهد شد
آخرین مطالب
تبلیغات
آمار وتار
  • تعداد مطالب : ۱۲۰۴۶۸
  • تعداد نظرات : ۳۴۳
  • تعداد حاضران : ۳۱۳
  • آخرین بروزرسانی : ۶ دقيقه قبل
تبلیغات
تبلیغات
آخرین جستجوها