×

اصول یادگیری ماشینی

آموزش هوش مصنوعی, دنیای هوش مصنوعی مهرداد جان نثار 06 سپتامبر 2020

 چهار شاخه یادگیری ماشینی

در مثال‌های قبلی، با سه نوع خاص از مسائل مربوط به یادگیری ماشینی آشنا شدید که عبارت‌اند از دسته‌بندی دودویی، دسته‌بندی چند دسته‌ای و رگرسیون اسکالر. تمام این نمونه‌های یادگیری ماشینی تحت نظارت فقط بخش کوچکی از آن هستند، یادگیری ماشینی حوزه بسیار وسیعی است که طبقه‌بندی حوزه‌های فرعی آن بسیار پیچیده است. الگوریتم‌های یادگیری ماشینی به چهار دسته تقسیم می‌شوند که در بخش‌های زیر آن‌ها را توضیح می‌دهیم.

 یادگیری تحت نظارت

 یادگیری تحت نظارت متداول‌ترین مورد یادگیری است که شامل یادگیری مسیردهی داده‌های رودی به اهداف معین (که به آن یادآوری نیز میگویند) با توجه به مجموعه‌ای از مثال‌ها است (اغلب توسط انسان‌ها تفسیر می‌شود). تمام چهار مثالی که در این کتاب تاکنون با آن‌ها برخورد داشته‌اید مثال‌های استاندارد یادگیری تحت نظارت بوده‌اند. به‌طورکلی، تقریباً تمام کاربردهای یادگیری عمیق که این روزها خیلی موردتوجه هستند به این دسته متعلق‌اند که ازجمله می‌توان به بازشناسی ویژگی نوری، بازشناسی گفتار، دسته‌بندی تصویر و ترجمه زبان اشاره کرد. باوجودآنکه یادگیری تحت نظارت به‌طور عمده شامل دسته‌بندی و نیز رگرسیون است، متغیرهای نامتعارف زیادی نیز وجود دارند که چند نمونه زیر با مثال ارائه می‌شود:

 

  • تولید پی‌درپی: با در نظر گرفتن یک تصویر، کپشنی که توصیف‌کننده آن باشد را بتوان پیش‌گویی نمود. تولید پی‌درپی را برخی اوقات می‌توان به‌صورت یکی سری مسائل دسته‌بندی مجدداً فرمول‌بندی نمود (همچون پیش‌بینی مکرر یک واژه یا پیش‌بینی در یک توالی).
  • هم آهنگی سه پیش‌گویی: با توجه به یک جمله تجزیه آن را به سه قسمت بتوان پیش‌بینی کرد
  • تشخیص موضوع: با توجه به یک تصویر، دور موضوعات خاص داخل تصویر یک کادر محدودکننده ترسیم نمود؛ که این مورد را می‌توان به‌عنوان یک مسئله دسته‌بندی (با توجه به کادرهای محدودکننده زیادی که وجود دارند، محتوای هر یک را دسته‌بندی نمایید) یا یک مسئله دسته‌بندی مشترک و رگرسیون بیان کرد که در آنجا مختصات کادر محدودکننده توسط رگرسیون برداری پیش‌بینی می‌شود.
  • تقسیم‌بندی تصویر: با توجه به یک تصویر یک ماسک (پوشش) پیکسلی روی موضوع موردنظر بتوان ترسیم نمود.

یادگیری نظارت‌نشده

این شاخه از یادگیری ماشینی شامل یافتن تغییرات جالب داده‌های ورودی بدون کمک هیچ نقطه هدفی برای اهداف مربوط به تصویرسازی داده‌ها، فشرده‌سازی داده‌ها یا مسکوت کردن داده‌ها یا درک بهتر روابط موجود در داده‌های در دسترس است. یادگیری بدون نظارت جز اصلی تحلیل داده‌ها است و اغلب مرحله ضروری در درک بهتر یک مجموعه داده قبل از تلاش برای حل یک مسئله مربوط به یادگیری تحت نظارت محسوب می‌شود. کاهش ابعاد و خوشه‌بندی دسته‌بندی‌های شناخته‌شده یادگیری نظارت‌نشده است.

یادگیری خود نظارتی

این نوع یادگیری نمونه خاصی از یادگیری نظارت‌شده است ولی با آن فرق دارد چون دسته‌بندی خاص خودش را دارد. یادگیری خود نظارتی نوعی یادگیری نظارت‌شده بدون حاشیه‌نویسی و تفسیر انسانی است که می‌توان آن را به‌عنوان یادگیری تحت نظارت بدون وجود انسان در این حلقه در نظر گرفت. بااین‌حال هنوز لیبلهایی در آن دخیل هستند (چون یادگیری باید توسط چیزی نظارت شود) ولی معمولاً داده‌های ورودی با استفاده از یک الگوریتم غیر مستدل ذهنی تولید می‌شوند. برای مثال، کدگذارهای مکانیزه نمونه معروفی از این یادگیری خود نظارتی هستند که در آنجا اهداف ایجادشده داده‌های ورودی اصلاح‌نشده هستند. به همین ترتیب، تلاش برای پیش‌گویی فریم بعدی در یک ویدئو، با توجه به پیرابندهای قبلی، یا واژه بعدی در یک متن با توجه به واژه قبلی نمونه‌هایی از یادگیری خود نظارتی هستند (یادگیری نظارت‌شده در این مورد، نظارت از داده‌های ورودی آتی نشان می‌گیرد). توجه کنید که فرق بین یادگیری نظارت‌شده، خود نظارتی و بدون نظارت برخی اوقات خیلی مبهم و گنگ هستند، این دسته‌بندی‌ها بیشتر شامل پیوستاری بدون مرزهای معین هستند. یادگیری خود نظارتی را می‌توان مجدداً به‌عنوان یادگیری نظارت‌شده یا بدون نظارت تفسیر و تعبیر نمود که به اینکه آیا به مکانیسم یادگیری توجهی دارید یا خیر و یا به میزان کاربرد آن بستگی دارد.

نکته: در این کتاب، بر یادگیری نظارت‌شده متمرکز می‌شویم، چون امروزه جز انواع بسیار برجسته یادگیری عمیق است و کاربردهای صنعتی بسیار زیادی دارد. همچنین در فصل‌های بعدی به یادگیری خود نظارتی نیز نگاهی خواهیم داشت.

یادگیری تقویتی

این شاخه از یادگیری عمیق اخیراً شروع‌شده تا بعد از سرویس Google DeepMind که در حوزه یادگیری بازی با بازی‌های آتاری بسیار موفق عمل کرد آن‌هم موردتوجه قرار گیرد (و بعداً، یادگیری برای بازی Go در سطوح بالاتر). در تقویت یادگیری، عامل، اطلاعاتی درباره محیط یادگیری کسب می‌نماید و یاد می‌گیرد اقداماتی را انتخاب کند که پاداش را به حداکثر مقدار ممکن برسانند. برای مثال، یک شبکه عصبی که در صفحه یک بازی کامپیوتری دیده می‌شود و فعالیت‌های خروجی بازی را برای به حداکثر رساندن امتیاز آن می‌توان از طریق یادگیری تقویتی آموزش داد. اخیراً، یادگیری تقویتی حوزه‌ای از پژوهش محسوب می‌شود ولی تاکنون موفقیت‌ها و دستاوردهای عملی شایان توجهی ورای بازی‌های رایانه‌ای نتوانسته کسب کند. بااین‌حال، الآن انتظار داریم یادگیری تقویتی بر رنج بسیار گسترده‌ای از کاربردها در جهان واقعی مسلط شود که ازجمله می‌توان به ماشین‌های بدون راننده، ربات‌ها، مدیریت منابع، آموزش و غیره اشاره نمود. این ایده‌ای است که زمانی مطرح‌شده و به‌زودی عملی خواهد شد.

 

Facebook
Twitter
LinkedIn
Email
Print
Telegram
WhatsApp

مهرداد جان نثار

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

مطالب مرتبط

روش‌های کرنل

مهرداد جان نثار 28 آگوست 2020

پیش‌پردازش داده‌ها (پارت سوم)

مهرداد جان نثار 04 سپتامبر 2020

وعده هوش مصنوعی

مهرداد جان نثار 26 آگوست 2020

کاربردهای هوش مصنوعی

مهرداد جان نثار 25 آگوست 2020
تمامی حقوق محفوظ است. 1399