یادگیری ماشین-صفحه ۱

 

Elon Musk:

“AI( Artificial Intelligence a fundamental risk to the existence of human civilization”

ایلان ماسک می گوید: 

هوش مصنوعی یک ریسک بنیادی برای وجود انسان متمدن است.

Machine Learning (ML) and Artificial Intelligence (AI)

ML appears first as a branch of AI

ML is now also a preferred approach to other subareas of AI

Computer Vision,Speech Recognition,..

Robotics

Natural Language Processing

تعاریف اولیه :

یادگیری ماشین را زیرشاخه ای از هوش مصنوعی میبینیم و همینطور تکنیک یا رویکردی است که مسايل دیگر هوش مصنوعی را با استفاده از این حل کنیم.

حوزه Perception : در این بخش می توانیم از یادگیری ماشین یا رویکردهای یادگیری در حالت کلی استفاده کنیم برای اینکه این مسائل را بهتر حل کنیم.

Computer Vision : حوزه بینایی ماشین که قرار است یک تصویر را بگیریم و اشیا داخل تصویر را دربیاریم و تشخیص دهیم.

 Speech Recognition : قرار است یک سیگنال صوت را دریافت کنیم و مشخص کنیم که چه کلماتی در دنباله این سیگنال گفته شده.

حوزه رباتیک : learning کمک میکنه برای اینکه مسائلی که قرار است هدایت ربات و یادگیری توی رباتیک انجام دهد از پس آن بر آییم.

حوزه پردازش زبان طبیعی : یکی تکنیک هایی است که در صدر NLP استفاده میشود و خیلی ها با رویکرد learning سراغ حل مسائل NLP می روند.

بنابراین می توان این ها را به عنوان دیدگاه حوزه ها ی کاربردهای یادگیری ماشین بهش نگاه کرد یعنی جنبه ی دیگری که در AI هست را بتوانیم جاهایی در نظر بگیریم که تکنیک های machine learning را در آنجا apply کنیم و نتیجه ش را ببینیم.

Perception مشاهده قوه ادراک,احساس,ادراک

Speech Recognition شناسایی گفتار

A Definition of ML

Tom Mitchell (1998): Well-posed learning problem

“A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P, improves with experience E”.

Using the observed data to make better decisions

Generalizing from the observed data

 مسئله یادگیری خوش وضع:

مفهوم یادگیری: زمانی گفته می شود که یک برنامه ی کامپیوتری از تجربه E در مورد کار T برحسب معیارکارایی P یادگیری دارد که کارایی اش بعد از تجربه E برای کار T بهبود یابد.

در حوزه یادگیری ماشین با یکسری تجارب یا داده ها روبه رو هستیم که میخواهیم از آنها کمک بگیریم برای اینکه یک Task را بهتر انجام دهیم – Task را با T نشان  داده ایم و معیار بهتر انجام دادن را با یک performance measure به نام P- یک Task T داریم, یک معیار کارایی (P) داریم؛ در کنار این یکسری تجارب یا داده داریم که می خواهیم از این تجارب یا داده استفاده کنیم برای اینکه این Task را بهتر انجام دهیم.

اگر بتوانیم با استفاده از experience یا تجاربی که داریم طوری این Task را انجام دهیم که performance measure عدد بیشتری را نشان دهد درواقع میگوییم که learning انجام شده.

*نکته مهم :

ما میخواهیم از داده هایی که در بخش تجارب مون وجود دارداستفاده کنیم تا تصمیمات بهتری بگیریم و این به این معنی نیست که ما این داده هارا به خاطر بسپاریم, میخواهیم تعمیم دهیم, قدرت تعمیم پیدا کنیم و در مورد موارد جدیدی هم که قبلا ندیدیم تصمیمات درست بگیریم.

چیزی که الان پر رنگ است این است که ما با چیزی به نام data و experience روبه رو هستیم و میخواهیم از آن کمک بگیریم.

Well-posed learning problem مسئله یادگیری خوش وضع

Performance measure معیار کارایی

Task کار 

Experience تجربه

Generalizing تعمیم دادن – کلیت بخشیدن

ML Definition: Example

Consider an email program that learns how to filter spam according to emails you do or not mark as spam.

T: Classifying emails as spam or not spam.

E: Watching you label emails as spam or not spam.

P: The number (or fraction) of emails correctly classified as spam/not spam.

مثالی برای این تعریف:

فرض کنید در اپلیکیشنی هستید که میخواهید ایمیل های دریافتی را به دو دسته  ایمیل های اسپم و عادی تقسیم کنید,اگر بخواهیم از تکنیک های machine learning در اینجا استفاده کنیم Task و performance measure و expirence ما چه میتواند باشد؟

تسکی که داریم دسته بندی درست ایمیل هاست, یعنی یک ایمیل را در دسته عادی قرار دهیم یا در دسته اسپم؟

تجارب در این مسئله می تواند یک تعداد ایمیلی که قبلا در دسته اسپم ریخته ایم یا در اینباکس نگه داشتیم این ها به عنوان تجارب هستند یعنی نمونه ها یا سمپل هایی از داده که ما می دانیم خروجی به ازای آنها چی است.

ساده ترین معیارکارایی در اینجا می تواند تعداد ایمیل های درست دسته بندی شده را ما دوست داریم حداکثر کنیم یعنی واقعا ایمیل اسپم درشاخه اسپم ریخته شود و ایمیل عادی در inbox باقی بماند.

اگر با ساده ترین صورت بخواهیم باهاش برخورد کنیم این است که  میخواهیم درصد آنهایی که درست دسته بندی شدند زیاد باشد.

پس در این مثال متوجه شدیم که T و E و P چه می تواند باشد.

Consider فرض کردن

According to بر طبق – برحسب

Classify دسته بندی کردن

مسئله یادگیری بازی چکرز (Checkers):

عمل T: بازی کردن چکرز

کارایی P: درصد بازی های برده در مقابل حریف

تجربیات آموزشی E: بازی تمرینی در مقابل خودش

مسئله یادگیری تشخیص دستخط:

عمل T: تشخیص و دسته بندی کلمات دست نویس در تصاویر

کارایی P: درصد کلماتی که درست دسته بندی شده اند

تجربیات آموزشی E: پایگاه داده ای از کلمات دست نویس با دسته بندی هایشان

مسئله یادگیری هدایت یک اتومبیل:

عمل T: هدایت اتومبیل در آزادراه با استفاده از دوربین های نصب شده

کارایی P: میزان طولی که بدون خطا اتومبیل هدایت شده( خطا ممکن است توسط عامل انسانی مشخص شده باشد)

تجربیات آموزشی E: مجموعه ای از دستورهای هدایت و عکس های مربوطه ی دوربین ها در زمان هدایت اتومبیل توسط انسان