یادگیری ماشین یا Machine learning شاخه‌ای از هوش مصنوعی (AI) و علوم کامپیوتر است که بر استفاده از داده‌ها و الگوریتم‌ها تمرکز می‌کند، تا هوش مصنوعی را قادر سازد، روشی را که انسان‌ها یاد می‌گیرند تقلید کرده و به تدریج دقت آن را بهبود بخشد. یادگیری ماشین یا Machine learning یک برنامه کاربردی و زیر شاخه‌ای از هوش مصنوعی است که سیستم ها را قادر می سازد تا بدون برنامه ریزی از تجربه خود یاد بگیرند و پیشرفت کنند. نحوه کار یادگیری ماشین یا Machine learning بر توسعه برنامه های کامپیوتری متمرکز است که می توانند به داده ها دسترسی داشته باشند و از آنها برای یادگیری خود استفاده کنند.

در حقیقت یادگیری ماشینی روشی برای تجزیه و تحلیل داده است که انجام کار های تحلیلی را خودکار می‌کند. در فناوری یادگیری ماشین سیستم ها می‌توانند از داده‌ها یاد بگیرند، الگوها را شناسایی کنند و با کمترین دخالت انسان فکر کنند و تصمیم بگیرند. همچنین به مرور زمان عملکرد خود را بهبود ببخشند. کاملا واضح است که ربات ها مثل ما انسان‌ها قدرت تفکر ندارند، اما چگونه می‌توانیم این قدرت را به ماشین ها منتقل کنیم؟ اینجاست که Machine learning می‌توانند به کمک ما بیایند. به این شکل که ربات ها، داده را از محیط می‌گیرد و آن را به سادگی یاد می‌گیرد. سپس ربات یا ماشین با توجه به آموخته‌های خود تصمیم‌گیری می‌کند.

یادگیری ماشین می ­تواند در مسائل بسیاری همچون پیش­ بینی رفتار مشتری، ایجاد سیستم­ های ماشین خودران و غیره استفاده شود. برای صحبت درباره مزایای این سیستم می­ توان مثال­ های زیادی را به صورت دقیق­ تری بررسی کرد. به عنوان مثال، یادگیری ماشین در یک سازمان به رئیس سازمان کمک می­ کند تا مشتریان را در سطحی عمیق و طبق رفتارهای آن­ها درک کند. سپس رفتارهای مشتریان را جمع ­آوری کرده و الگوریتم های یادگیری ماشین با استفاده از این اطلاعات می ­توانند در توسعه و بازاریابی طبق تقاضای مشتری به سازمان کمک کنند.

مثال­های بسیاری وجود دارد که می­توان نحوه کار یادگیری ماشین را بیان کرد. برای مثال، در شرکت اوبر بادگیری ماشین به بررسی راننده خودرو و سرنشینان آن کمک می­کند. شرکت گوگل برای اینکه تبلیغات خاصی را در جستجوی گوگل نمایش دهد، از یادگیری ماشین استفاده می­کند.

بیشتر بخوانید: آموزش کامل فعالسازی اینترنت 5G همراه اول

نحوه کار یادگیری ماشین

سیستم یک الگوریتم یادگیری ماشین یا Machine learning را به سه بخش اصلی تقسیم می کنند:

1. فرآیند تصمیم گیری: به طور کلی، الگوریتم های یادگیری ماشین برای پیش بینی یا طبقه بندی استفاده می شود. بر اساس برخی از داده های ورودی، که می توانند دارای برچسب یا بدون برچسب باشند، الگوریتم شما تخمینی در مورد یک الگو در داده ها ایجاد می کند.
2. یک تابع خطا: یک تابع خطا پیش بینی مدل را ارزیابی می کند. اگر نمونه های شناخته شده وجود داشته باشد، یک تابع خطا می تواند مقایسه ای برای ارزیابی دقت مدل انجام دهد.
3. یک فرآیند بهینه سازی مدل: اگر مدل بتواند بهتر با نقاط داده در مجموعه آموزشی تناسب داشته باشد،داده ها برای کاهش اختلاف بین مثال شناخته شده و برآورد مدل تنظیم می شوند. الگوریتم این فرآیند تکراری “ارزیابی و بهینه سازی” را تکرار می کند و داده ها را به طور مستقل تا رسیدن به آستانه دقت به روز می کند.

تالیف:
فروشگاه اینترنتی آ.اس.پ (اقتباس از مقاله‌ای از Ibm)
در صورت استفاده از این مقاله، نام و آدرس فروشگاه اینترنتی آ.اس.پ را به عنوان منبع ذکر کنید.