یادگیری ماشین روش خاصی برای ایجاد هوش مصنوعی است. فرض کنید می‌خواهیم موشکی را پرتاب و محل فرود آن را پیش‌بینی کنیم. این کار البته آنقدرها سخت نیست؛ گرانش مبحث جاافتاده‌ای است و می‌توان معادلات مربوط را نوشت و حساب کرد براساس چند متغیر از جمله سرعت و موقعیت، موشک فرضی کجا فرود خواهد آمد.
اما وقتی پای متغیرهای ناشناخته وسط می‌آید، دیگر نمی‌توان به این راحتی جواب سوال را پیدا کرد. این بار فرض کنید می‌خواهیم کامپیوتر به تعدادی تصویر نگاه کند و بگوید آیا در بین آن‌ها تصویری از گربه بوده است یا خیر. برای این سوال چه نوع معادله‌ای می‌توانیم بنویسیم که تمام ترکیب‌های ممکن سبیل و گوش گربه از زوایای مختلف را برای کامپیوتر توصیف کند؟
اینجا است که یادگیری ماشین به کمک دانشمندان می‌آید؛ به جای اینکه خودمان فرمول و قوانین را بنویسیم، سیستمی می‌سازیم که بتواند قوانین را با مشاهده‌ی چندین نمونه عکس، برای خودش بنویسد. به‌عبارت‌دیگر، به جای اینکه بخواهیم گربه را توصیف کنیم، به هوش مصنوعی تعداد زیادی تصویر گربه نشان دهیم و اجازه می‌دهیم خودش متوجه شود چه چیزی گربه است و چه چیزی گربه نیست.
یادگیری ماشین برای دنیای کنونی لبریز از داده‌ی ما فوق‌العاده است، چرا که سیستمی که بتواند قوانین خودش را براساس داده یاد بگیرد، می‌تواند با داده‌های بیشتر بهبود یابد. می‌خواهید سیستم‌تان در تشخیص گربه ماهرتر شود؟ خب اینترنت در همین لحظه دارد میلیون‌ها تصویر گربه تولید می‌کند!
یکی از دلایلی که یادگیری ماشین در چند سال اخیر تا این اندازه محبوب شده، همین افزایش چشمگیر حجم داده در اینترنت است؛ دلیل دیگر به نحوه‌ی استفاده از این داده‌ها مربوط می‌شود. در بحث یادگیری ماشین، به جز داده، دو سوال مرتبط دیگر نیز مطرح می‌شود:
۱) چطور چیزی را که یاد گرفتم، به خاطر بسپارم؟ در کامپیوتر چطور قوانین و روابطی را که از نمونه داده استخراج کرده‌ام، ذخیره کنم و نمایش دهم؟
۲) چطور فرایند یادگیری را انجام دهم؟ چطور قوانین و روابطی را که در پاسخ به نمونه‌های قبلی ذخیره کرده‌ام، برای نمونه‌های جدید تغییر داده و بهتر شوم؟
به‌عبارت دیگر، چیزی که دارد از این همه داده، یاد می‌گیرد دقیقا چیست؟
در یادگیری ماشین انتخاب نوع مدل بسیار مهم است
در یادگیری ماشین، به نمایش کامپیوتری چیزهای یاد گرفته شده و ذخیره شده، «مدل» می‌گویند. اینکه از چه مدلی استفاده کنید، بسیار مهم است، چون این مدل است که روش یادگیری هوش مصنوعی، نوع داده‌هایی که می‌تواند از آن بیاموزد و نوع سوال‌هایی را که می‌توان از آن پرسید، مشخص می‌کند.
بیایید این موضوع را با یک مثال ساده روشن‌تر کنیم. فرض کنید برای خرید انجیر به میوه‌فروشی رفته‌ایم و می‌خواهیم به‌کمک یادگیری ماشین بفهمیم کدام انجیرها رسیده‌اند. کار آسانی باید باشد، چون می‌دانیم هرچه انجیر نرم‌تر باشد، رسیده‌تر و شیرین‌تر خواهد بود. می‌توانیم چند نمونه انجیر رسیده و کال را انتخاب کرده، میزان شیرینی آن‌ها را مشخص کنیم و بعد اطلاعاتشان را روی نمودار خطی قرار دهیم. این خط همان «مدل» ما است. اگر دقت کنید، همین خط ساده، ایده‌ی «هرچه نرم‌تر باشد، شیرین‌تر است» را بدون اینکه لازم باشد ما چیزی بنویسیم، نشان می‌دهد. هوش مصنوعی نوپای ما هنوز چیزی درباره میزان قند یا چگونگی رسیده شدن میوه‌ها نمی‌داند، اما می‌تواند میزان شیرینی آن‌ها را با فشار دادن و اندازه‌گیری نرمی پیش‌بینی کند.
منبع : zoomit
