Machine learningWelcome to Machine Learning

یادگیری ماشین و جایگاه آن در هوش تجاری

یادگیری ماشین چیست؟

یادگیری ماشین علم و هنر برنامه نویسی کامپیوتر است به گونه ای که کامپیوتر را قادر به یادگیری از داده ها بکند.

تعریف یادگیری ماشین از نگاه Arthur Samuel

یادگیری ماشین رشته ای که که کامپیوتر ها را قادر به انجام کار هایی می کند که قبلا و به طور واضح برای انجام آن کار برنامه ریزی نشده اند.

تعریف یادگیری ماشین از نگاه Tom Mitchell

یادگیری ماشین در واقع برنامه است که بر اساس تجربه ای مانند E  یاد میگیرید تا فعالیتی مانند T  را انجام دهید و در حین انجام این فعالیت میزان کیفیت اجرا با مقداری مانند P سنجیده می شود و این برنامه همواره سعی در بهبود مقدار P دارد.

یک مثال عملی از کاربرد یادگیری ماشین

به عنوان نمونه فیلتر کردن ایمیل های spam یک برنامه یادگیری ماشین است که می تواند یاد بگیرد تا ایمیل های spam و ایمیل های عادی را علامت گذاری کند.در اینجا سیستم یادگیری ماشین از مجموعه ای از ایمیل ها جهت آموزش دیدن استفاده می کند که به این مجموعه اصطلاحا Training Set  گفته می شود.

بعد از آموزش دیدن برنامه آماده است تا با مجموعه جدیدی از داده ها یا تجربیات جدید آزموده شود به این مجموعه که برای آزمودن برنامه بکار میرود Test Set گفته می شود.معمولا میزان کارایی ،دقت و صحت کارکرد یک برنامه یادگیری ماشین در این مرحله مشخص می شود که به آن ارزیابی الگوریتم یا برنامه یادگیری ماشین نیز گفته می شود.

جایگاه یادگیری ماشین در هوش تجاری

شکل زیر سیر تکاملی یک سیستم هوش تجاری را به تصویر کشیده است

سیر تکاملی هوش تجاری

این شکل گویای مسیر تکاملی هوش تجاری در سازمانهاست.محور عمودی میزان رقابت پذیری سازمان و محوری افقی میزان بلوغ تحلیلی سازمان را نشان می دهد.

همانطور که در شکل مشخص است سیر تکاملی یک سیستم هوش تجاری در هر سازمانی شامل 4 مرحله به شرح زیر است:

گام اول :توصیف وقایع که بیانگر اتفاقات و رویدادهای صورت گرفته در سازمان است (What Happened)

در این مرحله با جمع آوری ،پاکسازی، طبقه بندی و یکپارچه سازی اطلاعات تصویری از وضعیت سازمان را به نمایش می گذاریم.به عنوان مثال در قالب نموداری بیان می کنیم که روند خروج پرسنل از سازمان در سال جاری شدت گرفته است!

گام دوم:شرح چرایی اتفاقات و رویدادها(Why Did It Happened)

در این مرحله با بررسی و تحلیل داده های در اختیار می توانیم علت وقوع یک رویداد را کشف کنیم . مثلا در مورد خروج پرسنل که در مورد اول به آن اشاره شد ، ممکن است با بررسی نحوهپرداخت حقوق به این نتیجه بررسیم که پراخت حقوق در سال جاری شکل مناسبی نداشته و همواره با تاخیر مواجه بوده است،که این امر شدت خروج پرسنل را به همراه داشته است.

گام سوم:پیش بینی وضعیت در آینده(What Will Happen)

همانطور که از نام این مرحل نیز مشخص است در این مرحله پیش بینی می شود با شرایط موجود در گام اول و دوم و در صورت پایداری آنها در آینده چه اتفاقی روی خواهد داد.مثلا با روند خروج پرسنل در مهر ماه امسال با کمبود نیرو مواجه و در نتیجه در تولید کالا با مشکل روبرو خواهیم شد.

گام چهارم: تجویز راه حل(What is the best that could happen)

در این مرحله به این موضوع پرداخته می شود که با انجام چه اقداماتی می توان نتیجه را به دلخواه تغییر داد.مثلا اگر با دریافت وامی از بانک عقب افتادگی دوماهه حقوق پرسنل جبران شود مشکل کمبود نیرو از مهر ماه به دی ماه منتقل خواهد شد. با توجه به توضیحات فوق حالا باید پرسید که جایگاه یادگیری ماشین در هوش تجاری کجاست؟بله کاملا درست حدس زدید مراحل 3 و 4 دقیقا محل ورود یادگیری ماشین به هوش تجاری است یعنی در نقطه ای که نیاز به پیش بینی و یا ارائه راه حل داریم میتوانیم از امکانات موجود در سیستم های یادگیری ماشین بهره برداری کنیم.

نکته جالب توجه دیگری که در شکل فوق، لازم به توضیح است ،متمایز شدن سازمانها از نظر نحوه برخوردشان با مسائل زمانی که از یادگیری ماشین استفاده می کنند ، می باشد. به این صورت که تاقبل از بهره گیری از یادگیری ماشین سازمانها به صورت انفعالی (Reactive)عمل می کنند،یعنی منتظر می مانند اتفاقی رو میدهد سپس به فکر چاره اندیشی می افتند!که البته شاید چاره ای هم پیدا نکنند! درصورتیکه با بهره گیری از امکانات یادگیری ماشین سازمانها به حالت فعال(Proactive)در آمده و اصطلاحا علاج واقعه قبل از وقوع می کنند.

آخرین نکته در مورد تصویر

این است که هرچه میزان بهره گیری از یادگیری ماشین در سازمانها بیشتر باشد ، بلوغ تحلیلی آنها بالاتر و توان رقابتشان در بازار بیشتر خواهد شد.

حال که جایگاه یادگیری ماشین مشخص گردید به ادامه بحث مان در این حوزه می پردازیم و ما را با معرفی انواع سیستم های یادگیری ماشین دنبال می کنیم.

انواع سیستم های یادگیری ماشین

سیستم های یادگیری ماشین را می توان از چند منظر به گونه های مختلفی تقسیم کرد که در ادامه به آنها اشاره می کنیم

الف) منظر نحوه دریافت اطلاعات

1) سیستم های آنلاین

در این سیستم ها دریافت اطلاعات در شکل یک جریان داده ای است که هیچگاه متوقف نمی شود و سیستم همواره درگیر دریافت اطلاعات جدید ،یادگیری با اطلاعات جدید و انجام وظیفه اصلی خود می باشد.به عنوان مثال در این خصوص می توان یک سیستم تشخیص کلاهبرداری در پرداخت های کارتی را در نظر گرفت که دائما در حال دریافت اطلاعات جدید از تراکنش های بانکی ایجاد شده است.

2) سیستم آفلاین

در این سیستم ها ابتدا داده های مورد نیاز برا ی آموزش  دریافت و جریان ورود داده ها قطع می گردد،سپس الگوریتم شروع به یادگیری از داده های موجود کرده و مرحله آموزش را به پایان می رساند، بعد از انجام تست در مورد صحت و دقت کار الگوریتم ، برنامه برای استقرار در محیط اصلی آماده می شود.به عنوان مثال سیستمی را در نظر بگیرید که نتایج حاصل از آزمایش بیماران چند بیمارستان را جهت پیش بینی احتمال ایست قلبی با توجه به سن ،فشار خون،چربی ودیابت را بررسی می کند.

ب) از منظر اینکه آیا الگوریتم تحت نظارت عامل انسانی آموزش دیده است یا خیر؟

1) یادگیری های باناظر  Supervised Learning 

در این مدل از یادگیری داده های موجود همه دارای مشخصه متمایز کننده یا اصطلاحا برچسب می باشند ،مثلا زمانی که می خواهیم تشخیص دهیم که آیا یک مشتری از یک فروشگاه خرید می کند یا خیر؟ اطلاعاتی از مشتری مانند سن،میزان درآمد ،جنسیت و غیره در اختیار داریم در اینجا سن ، میزان درآمد یا سایر مشخصه ها همان برچسب های اطلاعات موجود هستند.

مدل با ناظر در یادگیری ماشین

2) یادگیری های بدون ناظر Unsupervised Learning

در این مدل از یادگیری هیچگونه مشخصه ای  از ابتدا برای ما مشخص نیست و معمولا بعد از اجرای مدل و پیاده سازی سیستم است که برخی از ویژگی ها مشخص می شنوند .مثلا فرض کنید بخواهیم جهت ارائه خدمات بهتر به مراجعین یک وب سایت یک بررسی رو آنها داشته باشیم بعد از انجام بررسی به این نتیجه می رسیم که مراجعین جوانتر به دنبال مطالب سرگرم کننده و تفریحی هستند در حالی که افراد بالایی 40 سال بیشتر به دنبال اخبار و پیگیری رویدادها هستند،مشاهده می کنید که ویژگی همچون سن در خروجی مدل ظاهر شده نه در ورودی!

مدل بدون ناظر در یادگیری ماشین

3) یادگیری شبه باناظر Semi Supervised Learning

این مدل در واقع ترکیبی از دو مدل با ناظر و بدون ناظر است و در واقع به مدل هایی گفته می شود که در آنها بخشی از اطلاعات برچسب دار و بخش دیگری بدون برچسب هستند.

برخی از سرویس های گوگل، مانند Google Photos نمونه های خوبی از این مورد هستند. یک بارهمه عکسهای خانوادگی خود را در این سرویس بارگذاری می کنید ، به طور خودکار تشخیص می دهد که همان شخص A در عکسهای 1 ، 5 و 11 نشان داده می شود ، در حالی که شخص دیگری B در آن حضور داردعکسهای 2 ، 5 و 7. این قسمت بدون ناظر الگوریتم (خوشه بندی) است.

حالا همه نیاز سیستم به شما این است که بگویید این افراد چه کسانی هستند. فقط یک برچسب برای هر نفر ،و قادر است هر کسی را در هر عکس نامگذاری کند ، که برای جستجوی عکس ها مفید است.(قسمت با ناظر)

مدل شبه با ناظر در یادگیری ماشین

4) یادگیری تقویتی  Reinforcement Learning

شاید بتوان گفت پیشرفته ترین مدل یادگیری ماشین این مدل است و روش کار در آن به این صورت است که سیستم یادگیری ماشین همانند رباتی در معرض تجربیات مختلف قرار می گیرد و در مواجه بامحیط اطراف بسته به نوع عملکردی که دارد ممکن است جریمه شود یا جایزه بگیرد،بنابراین عامل یادگیرنده همواره سعی دارد راهی را انتخاب کند تا بیشترین جایزه را دریافت نماید.

به عنوان مثال ، بسیاری از روبات ها از الگوریتم های یادگیری تقویتی برای  پیاده سازی چگونگی حرکت خود استفاده می کنند. برنامه DeepMind’s Alpha Go  نمونه خوبی از این مدل یادگیری است. این برنامه در ماه مه 2017 با شکست KeJie قهرمان جهان در بازی Go رکورد این بازی را جابجا کرد. این برنامه  با تجزیه و تحلیل میلیون ها بازی ، وپس از آن انجام بازی های زیادی با خودش توانست به این پیروزی دست پیدا کند .

مدل تقویتی در یادگیری ماشین

در ادامه  و در مقالات آینده

تشریح متدلوژی استقرار سیستم های یادگیری ماشین

نحوه آماده سازی داده ها برای بکار گیری در الگوریتم های یادگیری ماشین

و تشریح هر یک از مدل های فوق و معرفی الگوریتم های پرکاربرد هریک از آنها خواهیم پرداخت.

دیدگاهتان را بنویسید

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

دکمه بازگشت به بالا
بستن
بستن