یادگیری ماشین

یادگیری ماشین (Machine Learning) یعنی به کامپیوتر نمونه نشان بدهیم تا از آن‌ها یاد بگیرد و بتواند دربارهٔ نمونه‌های تازه حدس بزند. مثل کارآموز میوه‌فروشی که با دیدن سیب‌های سالم و آسیب‌دیده، جدا کردن آن‌ها را تمرین می‌کند.

به کارآموز یک سیب سالم نشان می‌دهید و بعد سیبی که لکهٔ خرابی دارد. با دیدن نمونه‌های بیشتر، کم‌کم یاد می‌گیرد به چه چیزهایی توجه کند. در این نوع یادگیری ماشین هم عکس‌های زیادی به کامپیوتر می‌دهیم و مشخص می‌کنیم کدام سیب سالم است و کدام آسیب دیده.

کامپیوتر اول حدس می‌زند: «این سیب سالم است.» روش آموزش، حدسش را با جواب درست مقایسه می‌کند و تنظیماتش را کمی تغییر می‌دهد تا کمتر اشتباه کند. این کار بارها تکرار می‌شود. به چیزی که در پایان آماده شده و می‌تواند عکس تازه را بررسی کند، «مدل» می‌گوییم.

پس به‌جای اینکه برای شکل هر لکه یک دستور جدا بنویسیم، نمونه می‌دهیم تا مدل از آن‌ها یاد بگیرد. همهٔ روش‌ها دقیقاً مثل این مثال نیستند؛ در بعضی روش‌ها، جواب درست از قبل کنار هر نمونه نوشته نشده است.

اگر کارآموز فقط همان سیب‌های روز اول را بشناسد، هنوز مطمئن نیستیم کار را یاد گرفته است. باید سیب‌هایی جلو او بگذاریم که قبلاً ندیده. مدل را هم باید با نمونه‌های تازه امتحان کنیم.

برای همین، بخشی از عکس‌ها را در آموزش به مدل نشان نمی‌دهند و بعد با آن‌ها امتحانش می‌کنند. خوب جواب دادن به عکس‌های تمرین به‌تنهایی کافی نیست.

حتی ممکن است چیز اشتباهی یاد گرفته باشد. فرض کنید همهٔ سیب‌های سالم روی میز روشن و همهٔ سیب‌های خراب روی میز تیره عکس‌برداری شده‌اند. مدل شاید به‌جای خود سیب، رنگ میز را تشخیص بدهد! عکس‌هایی با نور و پس‌زمینه‌های مختلف کمک می‌کنند چنین اشتباهی را پیدا کنیم.

هوش مصنوعی نام گسترده‌تری است و یادگیری ماشین یکی از راه‌های ساختن آن است. در مثال سیب، هدف این است که کامپیوتر عکس را بررسی کند؛ یادگیری از نمونه‌ها راهی است که برای رسیدن به این هدف انتخاب کرده‌ایم.

یادگیری ماشین فقط برای عکس نیست. در ساخت مدل‌های زبانی و ابزارهای کار با متن و گفتار هم از یادگیری با داده کمک می‌گیرند.

توضیح IBM دربارهٔ یادگیری ماشین، به زبان انگلیسی.