«یادگیری ماشین» (Machine Learning) یکی از کاربردهای «هوش مصنوعی» (Artificial Intelligence | AI) است که به سیستم‌ها توانایی آن را می‌دهد که به صورت خودکار بیاموزند و براساس تجربیات، بدون آنکه صراحتا برنامه‌ریزی شوند خود را بهبود ببخشند. یادگیری ماشین بر توسعه برنامه‌های کامپیوتری تمرکز دارد که می‌توانند به داده‌ها دسترسی داشته باشند و از آن‌ها برای یادگیری خودشان استفاده کنند.

فرآیند «یادگیری» (Learning) با مشاهده‌ها یا داده‌ها (برای مثال تجربه مستقیم یا دستورالعمل)، به منظور گشتن به دنبال الگو در داده‌ها و اتخاذ تصمیمات بهتر در آینده برپایه مثال‌های فراهم شده  آغاز می‌شود. هدف اصلی یادگیری ماشین آن است که به کامپیوترها امکان یادگیری به صورت خودکار و بدون مداخله یا یاری انسان را بدهد.

برخی از روش‌های یادگیری ماشین

الگوریتم‌های یادگیری ماشین اغلب در سه دسته «نظارت شده» (Supervised)، «نظارت نشده» (Unsupervised) و «نیمه‌نظارت شده» (Semi-supervised) دسته‌بندی می‌شوند. این موارد در ادامه به صورت اجمالی مورد بررسی قرار گرفته‌اند.

الگوریتم‌های یادگیری ماشین نظارت شده: این الگوریتم‌ها می‌توانند آنچه از گذشته یاد گرفته شده را با استفاده از مثال‌های برچسب‌گذاری شده روی داده‌های جدید به منظور پیش‌بینی رویدادهای آتی اعمال کنند. با آغاز از تحلیل مجموعه داده آموزش شناخته شده، الگوریتم یادگیری یک تابع استنباط شده را برای انجام پیش‌بینی مقادیر خروجی تولید می‌کند. سیستم قادر به فراهم کردن اهدافی برای هر داده جدید پس از آموزش مناسب است. الگوریتم یادگیری همچنین می‌تواند خروجی خود را با خروجی‌های صحیح از قبل تعیین شده مقایسه و خطاها را به منظور ویرایش مدل پیدا کند.

الگوریتم‌های یادگیری ماشین نظارت نشده: این الگوریتم‌ها هنگامی مورد استفاده قرار می‌گیرند که اطلاعات مورد استفاده برای آموزش نه دسته‌بندی شده و نه برچسب‌دار است. یادگیری نظارت نشده به مطالعه این مبحث می‌پردازد که سیستم‌ها چگونه یک تابع را برای توصیف الگوهای پنهان از داده‌های بدون برچسب استنتاج می‌کنند. 

الگوریتم‌های یادگیری ماشین نیمه نظارت شده: جایی در میان یادگیری نظارت شده و نظارت نشده قرار می‌گیرند، زیرا هم از داده‌های دارای برچسب و هم بدون برچسب برای آموزش استفاده می‌کنند. معمولا بخش کوچکی از داده‌ها دارای برچسب و بخش بزرگی از آن بدون برچسب است. سیستم‌هایی که از این روش بهره می‌برند قادر به بهبود قابل توجه صحت یادگیری هستند. معمولا یادگیری نظارت شده هنگامی انتخاب می‌شود که داده‌های برچسب‌گذاری شده نیازمند منابع به منظور آموزش آن/یادگیری از آن هستند. در غیر این صورت، به دست آوردن داده‌های بدون برچسب معمولا نیازمند منابع افزوده نیست.

الگوریتم‌های یادگیری ماشین تقویتی: یک روش یادگیری است که با تولید اقداماتی با محیط تعامل دارد و خطاها یا پاداش‌ها را کشف می‌کند. جست‌و‌جوی این روش آزمون و خطا است و پاداش‌های به تعویق افتاده مرتبط‌ترین ویژگی‌های یادگیری تقویتی هستند. این روش به ماشین‌ها و عامل‌های نرم‌افزاری این امکان را می‌دهد که به صورت خودکار رفتار ایده‌آل درون یک زمینه مشخص را جهت بیشینه‌سازی کارایی تعیین کنند. بازخورد پاداش ساده برای عامل به منظور یادگیری اینکه کدام اقدام بهترین است مورد نیاز محسوب می‌شود. به این امر سیگنال تقویتی گفته می‌شود.

یادگیری ماشین انجام تحلیل حجم انبوهی از داده‌ها را فراهم می‌کند. در حالیکه به طور کلی نتایج سریع‌تر و دقیق‌تری را برای شناسایی موقعیت‌های سودده یا ریسک‌های خطرناک دارد. در عین حال ممکن است الگوریتم‌های یادگیری ماشین نیاز به زمان و منابع برای آموزش دیدن به صورت مناسب داشته باشند. ترکیب یادگیری ماشین با هوش مصنوعی و «فناوری‌های ادراکی» (cognitive technologies) می‌تواند یادگیری ماشین را در پردازش حجم عظیمی از اطلاعات موثرتر سازد.

اگر مطلب بالا برای شما مفید بوده، آموزش‌های زیر نیز به شما پیشنهاد می‌شوند:

• مجموعه آموزش‌های آمار، احتمالات و داده‌کاوی
• مجموعه آموزش‌های یادگیری ماشین و بازشناسی الگو
• مجموعه آموزش‌های هوش محاسباتی
• مجموعه آموزش‌های شبکه‌های عصبی مصنوعی
• گنجینه آموزش‌های برنامه نویسی پایتون (Python)
• آموزش برنامه‌نویسی R و نرم‌افزار R Studio
• مجموعه آموزش‌های برنامه نویسی متلب (MATLAB)
• علم داده، تحلیل داده، داده‌کاوی و یادگیری ماشین ــ تفاوت‌ها و شباهت‌ها