یادگیری ماشین یا ماشین لرنینگ ML

یعنی هوش مصنوعی یاد بگیرد که چینش و بهینه سازی شبکه مصنوعی عصبی خود را جهت بهترین تجزیه و تحلیل داده ها با کمترین میزان خطا (که البته هیچ وقت به صفر نمی رسد) انجام داده و در نهایت به یک استنتاج نسبتا منطقی منتهی شود. یادگیری به این معنی نیست که هوش مصنوعی بتواند داده ها را ذخیره سازی و استنتاج کند بلکه به این معنی است که ماشین یاد بگیرد که بهترین جواب را با کمترین خطا ارائه کند و دایما احتمال بروز خطا را کاهش دهد.

  1. عمق یادگیری ماشین: درمورد یادگیری عمیق جداگانه توضیح داده خواهد شد اما تعریف میزان یادگیری ماشین ارتباط مستقیم با گام ها و دفعاتی دارد که هوش مصنوعی اقدام به رفع خطاهای خود می کند. می توان سرعت یادگیری را بالا و عمق آن آنرا کاهش داد که این باعث افزایش خطای ماشین می شود؛ و یا سرعت را پایین آورد و عمق آنرا افزایش داد که باعث کاهش خطای هوش مصنوعی می شود. این موضوع ارتباط مستقیم با سیاست های طراحی هوش مصنوعی دارد. هرچه سرعت یادگیری افزایش یابد، عمق آن کاهش یافته و میزان اعتمادپذیری به هوش مصنوعی کاهش می یابد.
  2. الگوریتم یادگیری ماشین: همیشه تمرکز بر این بوده است که هوش مصنوعی بتواند به صورت خودکار و بدون نظارت دانش خود را رشد داده و به مرور زمان تکمیل کند. همانطور که در مورد کلیات هوش مصنوعی گفته شد، ماشین ها نمی توانند الگوریتم های استنتاج خود را تغییر دهند بنابراین یادگیری نیز باید شامل الگوریتمی باشد که انسان برای آن طراحی می کند. انواع این الگوریتم ها بسیار زیاد است و با توجه به مورد استفاده تغییر می کند مثلا الگوریتم استنتاج تصاویر با متن فرق دارد. اما برخی شرکتها مانند گوگل، آمازون، و مایکروسافت بستری را فراهم ساخته اند تا کاربران بتوانند با دانش کمتری، از الگوهای آماده برای طراحی الگوریتم یادگیری ماشین استفاده کنند. اصلی ترین شاخه های علمی که در یادگیری ماشین استفاده می شود شامل داده کاوی، ریاضیات، آمار، فیزیک، برنامه نویسی، و فناوری اطلاعات در شاخه های مختلف است. زمانی که لازم باشد ماشین به صورت خودکار یاد بگیرد، لازم است که بتواند داده های دریافتی را نیز به صورت اتوماتیک تحلیل کند. برای این منظور باید بتواند رابطه ی داده های دریافتی را شناسایی کرده، آنها را دسته بندی کند، داده های بیربط را حذف کند، و از داده های باقیمانده برای استنتاج استفاده کند. (دقیقا همان کاری که در داده کاوی توسط انسان انجام می شود اما اینجا باید برای آن الگوریتمی طراحی شود که ماشین به صورت خودکار همان کار را انجام دهد). سه نوع یادگیری ماشین وجود دارد:
  • یادگیری کنترل شده: که انسان در آن دخالت دارد و داده ها را دسته بندی کرده و در اختیار هوش مصنوعی قرار می دهد.
  • یادگیری بدون کنترل: در این شیوه، وظیفه شناسایی ارتباط داده ها نیز به الگوریتم ها سپرده می شود و انسان فقط در ابتدا به طراحی الگوریتم ها و بعدا به نظارت و اصلاح آنها می پردازد.
  • یادگیری تقویت شده: این سیستم تقریبا مشابه رفتار انسان در آموزش یک حیوان خانگی است که از عامل تشویق و تنبیه در آن استفاده می شود. یعنی هر بار که هوش مصنوعی در ارائه محتوای مورد نظر کاربر دچار خطا شد، کاربر به هوش مصنوعی تذکر می دهد و هوش مصنوعی یاد می گیرد که ارتباط برخی داده ها را به درستی برقرار نکرده است. سپس در دسته بندی داده های خود تجدید نظر کرده و مجددا به استنتاج می پردازد. این روش شباهت بسیاری به یادگیری بدون کنترل دارد با این تفاوت که هوش مصنوعی حتی به تکامل و اصلاح الگوریتم های خود نیز می پردازد.

این شاخه تخصصی است و برای استفاده از این خدمت باید از متخصصین آن کمک گرفت.

بر اساس نظریات: میچل، ساموئل، لنوکس، فریدمن، ژو، گروویچ، لیندسی، دودا