(function (s, e, n, d, er) { s['Sender'] = er; s[er] = s[er] || function () { (s[er].q = s[er].q || []).push(arguments) }, s[er].l = 1 * new Date(); var a = e.createElement(n), m = e.getElementsByTagName(n)[0]; a.async = 1; a.src = d; m.parentNode.insertBefore(a, m) })(window, document, 'script', 'https://cdn.sender.net/accounts_resources/universal.js', 'sender'); sender('986212f6399684')
آیا یادگیری ماشین دشوار است؟

  این مقاله را میتوانید در مدت زمان 6 دقیقه مطالعه کنید   منتشر شده در تاریخ: اردیبهشت ۲۹ام, ۱۳۹۹   آخرین بروزرسانی: تیر ۱۵ام, ۱۴۰۰


این مقاله به روایت از دکتر Sridhar Mahadevan ، دکترای کامپیوتر از دانشگاه روتگرز (1990) ، استاد دانشگاه ماساچوست و مدیر آزمایشگاه علوم داده در San Jose میباشد.

کتاب اول Hofstadter

بگزارید ازهمان ابتدا به این سوال پاسخ دهیم : آیا یادگیری ماشین واقعا دشوار است؟ خیر.
من اولین برنامه ماشین لرنینگ خود را در سال 1982 نوشتم ، قبل از اینکه اینترنت ،GPU رایانه ، لپ تاپ ،گوگل ،تلفن همراه ، دوربین های دیجیتال و رایانه های شخصی رومیزی وجود داشته باشند و قبل ازاینکه تقریباً چیزی ازدنیای تکنولوژی که امروزه اطراف خود میبینید وجود داشته باشد.

پس چگونه وجود چنین چیزی را کشف کردم؟
در آن زمان ، برای یادگیری کتاب می خواندند. البته شما مجبور بودید به کتابخانه بروید ،البته در مورد من ، یک رویداد عجیب به نام نمایشگاه کتاب..من در یک نمایشگاه بزرگ کتاب در دهلی نو ، پایتخت هند شرکت کردم و یک کتاب 800 صفحه ای و قطور را انتخاب کردم.در آن زمان، من در انستیتوی فناوری هند (کانپور) مشغول تحصیل در رشته مهندس برق بودم.

کتاب اول Hofstadter

به نظر من ، هنوز هم این کتاب بهترین است ، و برای من بسیار الهام بخش بود.
آن کتاب دنیای تخیلی کاملاً جدیدی را به تصویر میکشید که در آن پیوندهای عمیقی بین هنر ، موسیقی و ریاضی انتزاعی وجود دارد ، که توسط سه شخصیت اصلی – یوهان سباستین باخ ، موریس اسچر ، کورت گودل – و محاسباتی که شامل ماشین لرنینگ و هوش عصبی بود محقق شده بود.

این کتاب مجموعه ای از پازل های بصری را از یک محقق روسی به نام بونگارد نشان می دهد ، که در آن وظیفه کشف دستوری که به کمک آن شش چهره سمت چپ را از آنهایی که در سمت راست قرار دارند جدا کند. این یک مشکل اساسی در ماشین لرنینگ است که طبقه بندی یا classification نامیده میشود.و این کارهمانند تشخیص ایمیل ازهرزنامه یا تشخیص دادن یک چهره در یک تصویر میباشد.

ما به عنوان انسان، در طول زندگی میلیاردها بار محرک های حسی راطبقه بندی می کنیم و بقای ما به آین موضوع بستگی دارد. برای مثال هنگام عبورازیک جاده ، آیا شیء ای که به شما نزدیک میشود یک فرد است یا یک کامیون ؟ اگر پاسخ را اشتباه تشخیص دهید زندگی شما در واقع به پایان رسیده است و ذهن ما چنین مشکلاتی را به طرز شگفت انگیزی حل می کند.

classification

شروع یادگیری ماشین

شما رادعوت میکنم تا این کاررا انجام دهید ، من بدون هیچ آموزشی در این زمینه ، تصمیم گرفتم به طرز احمقانه ای این موضوع را هسته اصلی پایان نامه کارشناسی ارشد خود را قرار دهم.به نوعی من درعمل انجام شده قرار گرفتم و راه حلی را به دست آوردم ، هرچند بسیار ساده لوحانه به نظرمیرسید.
گرچه من با برنامه نویسی پایتون به خوبی آشنا بودم اما، این تجربه باعث شد که متوجه شوم هوش مصنوعی و ماشین لرنینگ هدف زندگی من هستند ، و تصمیم گرفتم که در سال 1983 به آمریکا مهاجرت کنم وبسیار خوش شانس بودم که توانستم با محقق فرهیخته و با استعدادی به نام توماس میچل ، که اکنون معاون دانشگاه علوم کامپیوتر در دانشگاه Carnegie Mellon میباشد در این زمینه همکاری کنم.

Thomas Mitchell

از tom درس مهمی را آموختم. این که که هیچ کتابی نمی تواند شما را آموزش دهد. درعوض تحقیقات سرگرم کننده ودر عین حال بسیار آموزنده است.
او سخت تر از هر کسی که من ملاقات کرده بودم کارو تحقیق می کرد و این درس اثر بزرگی بر من گذاشت و از آن زمان تا کنون با من ماند.
پس از اخذ مدرک دکترا ، من در اواخر سال 1989 به IBM Watson Research در نیویورک پیوستم ، جایی که آنها نتوانستند تشخیص دهند که یک محقق ماشین لرنینگ برای چه کاری مناسب است بنابراین مرا به یک گروه روباتیک تازه تشکیل بردند. من هیچ زمینه ای در این حیطه نداشتم و هرگزیک ربات را برنامه نویسی نکرده بودم.

رباتیک
ولی به نظر می رسید که من در این چالش تا حدودی موفق بودم و به نوشتن برخی از مقالات با استناد به تحقیقات قبلی خود پرداختم، برای مثال چگونه روبات ها می توانند با استفاده از زمینه یادگیری تقویتی رفتارهای جدیدی را بدست آورند. همچنین در سال 1993 اولین کتاب در زمینه یادگیری روبات ها را منتشر کردم ، که شامل تحقیقاتی از سراسر جهان در زمینه هوش مصنوعی بود و با وجود نداشتن هیچ پیش زمینه ای دررباتیک ، موفق شدم شهرتی نسبی دراین زمینه کسب کنم.

سالها بعد، من به عنوان عضو منتخب انجمن AAAI ( پیشرو در جامعه حرفه ای بین المللی برای محققان هوش مصنوعی ) انتخاب شدم  که در آن هر ساله تعداد محدودی ازمحققان انتخاب می شوند و رقابت شدید است.
اعضای AAAI امسال و در 2020 شامل برخی از بنیانگذاران انقلاب یادگیری عمیق (دیپ لرنینگ) میباشد: یوشوا بنگیو ، و یان لو کون.

اعضای AAAI

لیست اعضاء AAAI همواره شامل برخی ازبزرگترین محققان هوش مصنوعی و یادگیری ماشین است ، و من بسیار خوش شانس بوده ام که در چنین انجمن ممتازی قرار گرفتم.
هیچ یک از این اتفاق ها نمی افتاد اگردر همان سال 1982 ، فکر می کردم انجام ماشین لرنینگ بدون آموزش رسمی دراین زمینه ، با محاسبات بدوی یا فعالیت درزمینه یادگیری روبات در IBM آن هم بدون آموزش رباتیک ، دشوارو امکان پذیر میباشد.

توصیه های من 

برای آن دسته از محققان جوان مشتاق که این مطلب را  می خوانند ، بهترین توصیه ای که می توانم کنم این است که اگر خودتان را به چالش بکشید و شروع کنید، هیچ چیز “دشوار” نیست. مهمتر از همه ، به یاد داشته باشید: تحقیقات بسیارسرگرم کننده و جذاب است!
برای سالهای بسیاری، از سال 2001 تا 2011 ، من به عنوان یکی از پیشگامان یادگیری تقویتی درآزمایشگاهی در دانشگاه ماساچوست مشغول بودم .Andrew Barto و دانشجوی دکترای وی  Rich Sutton همکاران من بوده و به ایجاد زمینه مدرن RL ، فضایی که زمینه ساز Deep Mind و Alpha Go Zero بود ، کمک کردند.
اندی و ریچ تجسم روح واقعی پژوهشگران را داشتند و ازپژوهش لذت می برند و همکاری با آنها بهترین تجربه حرفه ای در کار من بود.آن ها در آزمایشگاه علامتی را بر روی درب اصلی آویزان کردند که نقل قول یکی از برجسته ترین دانشمندان همه زمان ها ، آلبرت انیشتین بود :

آلبرت انیشتین

که بیانگر ابن بود که “تحقیقات نیازی به تخصص ندارند” انیشتین در حقیقت از دانش کتاب درسی متنفربود. مهمتر از همه ، او ارزش بسیاری برای توانایی رویا پردازی و تخیل قائل بود. او به والدین دانش آموزان توصیه کرده بود :اگر می خواهید فرزندان خود را باهوش کنید ، داستان های پری و جادوگری را به آنها یاد دهید.

هم اکنون با آخرین بیماری همه گیر ، کورونا ویروس ووهان می جنگیم و بزرگترین سلاحی که در اختیارداریم ،توانایی ما درشناسایی توالی ژنوم ویروس است.
بزرگترین پیشرفتی که درزیست شناسی قرن بیستم از طرف واتسون و کریک ، دو زیست شناس بی نظیرایجاد شد و دنیای زیست شناسی را ترقی دادند آن هم با تفریح و سرگرمی!
Watson در ادامه به نوشتن یک گزارش بسیار محبوب از کشف خود با نام Double Helix اشاره کرد. در آن گزارش وی داستان اینکه چگونه آنها توسط محققان برجسته ، مانند اسوالد اوری از دانشگاه کلمبیا رسوا شدند، وقتی وی فهمید که آنها حتی بیوشیمی ابتدایی را نمی شناسند را گفته بود.

Double Helix ا
با این حال ،آن ها با بازی با مدل های سه بعدی و سرقت از مجموعه داده های جمع آوری شده Rosalind Franklin و با انجام کارهایی که از آن لذت میبردند وبرایشان سرگرم کننده بود راززندگی را شکستند!

بنابراین ، در پایان، مجددا  پاسخ من این است : نه ،یادگیری ماشین دشوار نیست. سرگرم کننده است! بنابراین ، پیش بروید، کاوش کنید و یک ذهن باز برای یادگیری داشته باشید.

برخی از پروژه های جالب را پیدا کنید که نیاز به مهارت یادگیری ماشینی دارد ،تا انگیزه ای برای یادگیری آن داشته باشید و خود را به چالش بکشید.

منابع مفید برای آشنایی با ماشین لرنینگ

میتوانید در ابتدا از منابع زیر استفاده نموده تا درک مناسبی از ماشین لرنینگ کسب نمایید و سپس کاوش در برنامه های کاربردی یادگیری ماشین را شروع کرده و سعی کنید پروژه های مورد نظر خود را بسازید.

  • دوره اندرو پوکر در یادگیری ماشین – یادگیری ماشین | کورسرا
  • سخنرانی های Caltech در زمینه یادگیری ماشین – دوره یادگیری ماشین YouTube – CS 156 
  • سخنرانی های ویدیویی Nptel – آشنایی با یادگیری ماشین NPTEL پروفسور S. Sarkar IIT  – YouTube
  • (اختیاری ، در صورت علاقه به شبکه های عصبی) یادگیری عمیق توسط Simon haykins – https: //cours.etsmtl.ca/sys843/R …

همچنین میتوانید در دوره های  44 ساعته حضوری آکادمی آمانج (کانون کارآفرینی دانشگاه تهران) جهت آموزش یادگیری ماشین تخصصی به همراه سرفصلهای به روز و متناسب با بازارکار یادگیری ماشین و هوش مصنوعی و جلسات عملی و پروژه محور و در نهایت کار با داده های واقعی و پروژه واقعی از طریق شرکت فناوری های فناپ با تدریس بی نظیر مهندس ابوالفضل  شرکت نمایید. 

آیا این مطلب برای شما مفید بود؟

امتیازشو ثبت کنید

میانگین / 5. تعداد رای

اولین نفر شما امتیاز دهید

دوره تخصصی یادگیری ماشین

در یک دوره آموزشی متخصص یادگیری ماشین شوید.

از یادگیری ماشین می توان در صنایع مختلف با اهداف مختلف استفاده کرد. ماشین لرنینگ باعث افزایش بهره وری در صنایع می شود، به بازاریابی محصول کمک کرده و پیش بینی دقیق فروش را ساده تر می کند. پیش بینی های دقیق پزشکی و تشخیص ها را تسهیل می کند. دقت در قوانین و مدل های مالی را بهبود می بخشد. به سیستم های توصیه گر، الگوریتم های فرا ابتکاری و حرکت ربات ها کمک خواهد کرد. در بحث فروش میتواند محصولات مناسب تری را به مشتری پیشنهاد دهد( با کمک به تقسیم بندی بهتر و پیش بینی دقیق طول عمر محصولات ) و ...
استفاده از سیستم های ماشین لرنینگ می تواند تا حد زیادی حجم کاری ما را کاهش دهد. به خصوص کارهایی که نیاز به آنالیز حجم عظیمی از داده و تصمیم گیری بر اساس این داده ها را دارد بسیار تسهیل می کند. سیستم های مبتنی بر ماشین لرنینگ ظرفیت انجام کار صد نفر را همزمان دارد و تنها به کمک ماشین ها می توان بدون صرف وقت و انرژی زیاد، کارهای سنگین را انجام داده و در عین حال پول و درآمد بیشتری کسب کرد. ماشین لرنینگ با خودکارسازی فرایندها و صرفه جویی در زمان، به ما کمک می کند تا بتوانیم زمان و انرژی خود را بر تصمیم گیری های پیچیده تری متمرکز کنیم.
ادامه...

شاید به این مطالب نیز علاقه مند باشید.

دیتاست یادگیری ماشین استاندارد

دیتاست یادگیری ماشین استاندارد + ۵ مثال کامل در دیتاست های طبقه بندی باینری

بهتر است مبتدیان در یادگیری ماشین بر روی دیتاست‌های (مجموعه داده های) کوچک دنیای واقعی تمرین کنند. به اصطلاح مجموعه داده های یادگیری ماشین استاندارد شامل مشاهدات واقعی هستند و…

هوش مصنوعی چیست

هوش مصنوعی چیست و چه کاربردی دارد؟

برای درک بهتر هوش مصنوعی بیایید فرض کنیم که در سال ۲۰۲۹ میلادی هستیم. همه چیز تحت نظر و سیطره اسکای نت هست. ربات ها به دنبال نابودی و غلبه…

یادگیری تحت نظارت

یادگیری نظارت شده در ماشین لرنینگ (راهنمای جامع)

امروزه یادگیری تحت نظارت شایع‌ترین شاخه فرعی یادگیری ماشین است. به طور معمول، متخصصان با یادگیری ماشین جدید سفر خود را با الگوریتم های یادگیری تحت نظارت آغاز خواهند کرد.…

0 0 رای
امتیازدهی به مقاله
دنبال کردن
با خبر کردن از
guest
0 دیدگاه
بازخورد داخلی
دیدن همه نظرات

تاییدیه ها

تهران - ستارخان، خیابان کوثر دوم، پلاک ۱۰، واحد ۳

آیا این مطلب برای شما مفید بود؟

امتیازشو ثبت کنید

میانگین / 5. تعداد رای

اولین نفر شما امتیاز دهید

دوره تخصصی یادگیری ماشین

در یک دوره آموزشی متخصص یادگیری ماشین شوید.

از یادگیری ماشین می توان در صنایع مختلف با اهداف مختلف استفاده کرد. ماشین لرنینگ باعث افزایش بهره وری در صنایع می شود، به بازاریابی محصول کمک کرده و پیش بینی دقیق فروش را ساده تر می کند. پیش بینی های دقیق پزشکی و تشخیص ها را تسهیل می کند. دقت در قوانین و مدل های مالی را بهبود می بخشد. به سیستم های توصیه گر، الگوریتم های فرا ابتکاری و حرکت ربات ها کمک خواهد کرد. در بحث فروش میتواند محصولات مناسب تری را به مشتری پیشنهاد دهد( با کمک به تقسیم بندی بهتر و پیش بینی دقیق طول عمر محصولات ) و ...
استفاده از سیستم های ماشین لرنینگ می تواند تا حد زیادی حجم کاری ما را کاهش دهد. به خصوص کارهایی که نیاز به آنالیز حجم عظیمی از داده و تصمیم گیری بر اساس این داده ها را دارد بسیار تسهیل می کند. سیستم های مبتنی بر ماشین لرنینگ ظرفیت انجام کار صد نفر را همزمان دارد و تنها به کمک ماشین ها می توان بدون صرف وقت و انرژی زیاد، کارهای سنگین را انجام داده و در عین حال پول و درآمد بیشتری کسب کرد. ماشین لرنینگ با خودکارسازی فرایندها و صرفه جویی در زمان، به ما کمک می کند تا بتوانیم زمان و انرژی خود را بر تصمیم گیری های پیچیده تری متمرکز کنیم.
ادامه...