همه چیز در مورد هوش مصنوعی

همه چیز در مورد هوش مصنوعی

  buy_icon  

در این مقاله می خواهیم درباره یکی از پر چالش ترین مباحث قرن حال حاضر صحبت کنیم: هوش مصنوعی! اما نه به طریقی که در اخبار میشنوید و یا چیزهایی که فیلم های هالیوودی به تصویر می کشند، بلکه به صورت علمی و با تفکیک زیربخش های مختلف.

هوش مصنوعی چیست؟

در جواب این سوال احتمالا اولین تصویری که در ذهنتان ایجاد می شود، یک روبات شبیه به انسان است، همان هایی که در فیلم های هالیوودی دیده می شود! رک بگویم، این تصویری غیر علمی، ناواضح و حتی گمراه کننده است. بسیاری از اوقات چیزهایی را در فضای مجازی به اسم هوش مصنوعی می بینیم که هیچ ربطی به هوش مصنوعی ندارد و چیزهای بسیار دیگری در کنار ما هستند که ذهنمان هم خطور نمی کند که هوش مصنوعی بر آن حاکم است. هرچند گستره و دامنه هوش مصنوعی به قدری باز است که حوزه های مختلفی را زیر چتر خود قرار می دهد و برای اینکه به صورت دقیق تر بخواهیم هوش مصنوعی را درک کنیم بهتر است که زیربخش های آن را مورد مطالعه قرار دهیم. از جمله مهمترین مباحث هوش مصنوعی که بسیار مورد توجه است موارد زیر است:

 

یادگیری ماشین (machine learning)

برای آشنایی کامل با یادگیری ماشین و پیاده سازی با پایتون به صورت کامل این مطلب را ببینید.

به صورت خیلی ساده یادگیری ماشین به این معناست که ماشین قادر باشد براساس مجموعه ای از داده ها الگوی موجود بین نمونه ها و ارتباط آن ها را کشف کند و بتواند این رفتار را یاد بگیرد. البته یادگیری ماشین را نباید محدود به این تعریف دانست. اگر بخواهیم تعریف کتابی آن را در نظر بگیریم به این صورت است:

یادگیری ماشین در علوم کامپیوتر به الگوریتم هایی گفته می شود که قادر هستند به صورت خودکار از طریق تجربه بهبود بیابند. (ویکی پدیا)

در ادامه مثال ها و بررسی زیربخش های یادگیر ی ماشین آن را واضح تر می کند اما قبل از آن لازم است تا با یک سری از تعریف ها آشنا شوید.

نمونه (sample)

نمونه یا سمپل به هر عضو از دیتاست ما می گویند.

برچسب (label)

برچسب که بیشتر در بحث کلاسیفیکیشن دیده می شود به این معناست که دسته ی هر نمونه را مشخص کنیم.

 بعد یا ویژگی (feature)

بعد در واقع همان تعداد ویژگی های دیتاست است. تعداد ویژگی هایی که از یک نمونه داریم مشخص میکند که داده چند بعدی است. بعد با مفهوم ابعاد ماتریس متفاوت است.

برای مشخص شدن مفهوم نمونه، برچسب و بعد به مثال زیر دقت کنید.

برای اینکه بخواهیم نشان دهیم که یک فرد بیمار است یا خیر نیاز است تا یک سری اطلاعات از آن در درست داشته باشیم مثل سن، وزن، فشارخون و … . یک پزشک با در دست داشتن چنین اطلاعاتی می توان تشخیص دهد فرد بیمار است یا خیر. به این موارد ویژگی یا بعد داده گفته می شود. یک فرد می تواند بیمار باشد یا سالم. بیمار بودن یا سالم بودن در واقع برچسبی است که به هر فرد داده می شود. حال اگر دیتاستی شامل افراد مختلف داشته باشیم ، هر فرد درواقع یک نمونه محسوب می شود.

برای مسلط شدن به یادگیری ماشین و هوش مصنوعی با پایتون به صورت گام به گام بدون داشتن پیش نیاز آموزش ویدیویی من را با هزینه بسیار کم می توانید از فرانش تهیه کنید.

 

مهمترین زیربخش های حوزه یادگیر ماشین موارد زیر است:

تشخیص الگو مجموعه ای از روش های ریاضی است که کمک می کند تا از میان مجموعه ای داده ها الگو ها و ویژگی های منحصر به فردی استخراج شود.

  • یادگیری با نظارت (supervised learning)

یادگیری با نظارت زمانی است که می خواهیم براساس داده هایی که دارای برچسب هستند به ماشین آموزش دهیم تا بتواند برچسب داده جدید را مشخص کند. بنابراین در یادگیری با نظارت نیاز به داده های دارای برچسب است. مثلا مجموعه از عکس های تومور خوش خیم و بدخیم را همراه با برچسب آن ها به مدل می دهیم تا الگوی هر دسته را یادبگیرد. حالا که مدل یادگرفت، با دادن یک تصویر جدید به ما می تواند بگوید که مربوط به تومور خوش خیم است یا بد خیم. در واقع یادگرفته است که کار یک پزشک را انجام دهد.

  • یادگیری بدون نظارت (unsupervised learning)

یادگیری بدون نظارت یعنی میخواهیم داده هایی که دارای برچسب نیستند را بر اساس الگوی داده ها، به دسته یا خوشه های مجزا تفکیک کنیم. مثلا فرض کنید می دانیم که یک شهر شامل افراد  فقیر و غنی است اما هیچ داده با برچسبی در کار نیست که بر اساس آن مدل را آموزش دهیم. یادگیری بدون نظارت کمک می کند تا بتوانیم نمونه هایی که داریم را براساس ویژگی ها واطلاعاتی که از هر فرد داریم در یکی از دو دسته فقیر یا غنی قرار دهیم.

بینایی ماشین (computer vision)

بینایی ماشین به مجموعه ای روش های گفته می شود که به سیستم یا ماشین این امکان را می دهد تا بتواند تصویر یا فیلم را تجزیه و تحلیل کند. شناسایی اشیا، استخراج اجزا و پارامترهای مختلف، ردیابی، حذف نویز و … تنها مواردی از بینایی ماشین است. پردازش تصویر خود جزیی از بینایی ماشین حساب می شود. بینایی ماشین می تواند یادگیری ماشین را هم درگیر کند اما لزوما مبتنی بر آن نیست.

پردازش زبان طبیعی ( Natural Language Processing: NLP)

پردازش متن که به اختصار NLP می گویند به مجموعه ای از روش های برای کار با متن به منظور دریافت، تجزیه و تحلیل، درک و تولید زبان طبیعی گفته می شود. دسته بندی، مختصر سازی، حذف ، جمله بندی و … از جمله این موارد است.

 

در صورت استفاده از مطالب این سایت لطفا به سایت ارجاع دهید