در آموزش های قبلی مان ، مقدمه یادگیری ماشین را مطالعه کردیم. در اینجا، ما کاربردهای یادگیری ماشین را بررسی خواهیم کرد. کاربرد های یادگیری ماشین حوزه یا حیطه یادگیری ماشین را نشان می دهد.

پس بیایید بررسی کاربرد های یادگیری ماشین را شروع کنیم.

کاربرد های یادگیری ماشین

با حرکت رو به جلو در عصر دیجیتال، یکی از نوآوری های مدرن که دیده ایم، ظهور یادگیری ماشین است. این نوع خارق العاده از هوش مصنوعی، در صنایع و حرفه های مختلف مورد استفاده قرار می گیرد. به عنوان مثال، شناسایی تصویر و گفتار ، تشخیص پزشکی ، پیش بینی ، کلاسه بندی ، وابستگی های یادگیری ، معامله گری آماری ، استخراج و رگرسیون. ما در دنیای مدرن امروز همه این برنامه های یادگیری ماشین را دنبال می کنیم.

مواردی که در ادامه ذکر خواهد شد کاربردهای یادگیری ماشین دنیای واقعی هستند، بیایید به تک تک آن ها نگاهی بیندازیم.

۱- شناسایی تصویر

این یکی از رایج ترین کاربرد های یادگیری ماشین است. موارد زیادی وجود دارند که می توانید شی را به عنوان یک تصویر دیجیتال کلاسه بندی کنید. برای تصاویر دیجیتال ، معیار های اندازه گیری ، خروجی های هر پیکسل در تصویر را توصیف می کند.

در مورد تصویر سیاه و سفید ، شدت روشنایی هر پیکسل به عنوان یک معیار اندازه گیری ، عمل می کند. بنابراین اگر یک تصویر سیاه و سفید دارای N * N پیکسل باشد، تعداد کل پیکسل ها و از این رو معیار های اندازه گیری ، N² می باشد.

در تصویر رنگی ، هر پیکسل ۳ معیار اندازه گیری از شدت روشنایی ۳ رنگ اصلی یعنی RGB را در نظر می گیرد. بنابراین در تصویر رنگیN * N تعداد ۳N² معیار اندازه گیری وجود دارد.

برای تشخیص چهره – دسته ها قابل تفکیک، ممکن است حضور یا عدم حضور چهره در تصویر باشد. یا ممکن است در یک پایگاه داده از چندین فرد، یک دسته جداگانه برای هر فرد وجود داشته باشد.

موتور تشخیص چهره شرکت دانش بنیان شهاب در اوایل سال ۹۸ و پس از طی کردن آزمایش های مختلف و جواب گرفتن روی دیتابیس های استاندارد و نیز در محیط های واقعی به مرحله بهره برداری رسید. برای دریافت اطلاعات بیشتر به صفحه معرفی کتابخانه تشخیص چهره روبینا مراجعه فرمایید.

برای شناسایی حروف – می توانیم یک متن دست خط را به تصاویر کوچک تر تقسیم کنیم، که هر کدام شامل یک حرف هستند. این دسته ها ممکن است شامل ۲۶ حرف الفبای انگلیسی، ۱۰ رقم و برخی حروف خاص باشند.

پرشیانگار، سامانه‌ی نویسه خوان ( OCR ) قدرتمند است که شما را از در بسیاری از موارد از تایپ مجدد مستندات چاپی بی‌نیاز می‌کند. با استفاده از پرشیانگار می‌توانید در کمتر از چند ثانیه اسناد چاپی‌تان را با دقتی بیش از ٩۵% به متون متناظر تبدیل کنید. برای دریافت اطلاعات بیشتر به صفحه معرفی نویسه خوان فارسی پرشیانگار مراجعه فرمایید.

۲- شناسایی گفتار

شناسایی گفتار ( Speech Recognition ) تبدیل گفتاری به متن است. همچنین به عنوان ” شناسایی گفتار خودکار” ( Automatic Speech Recognition )، ” شناسایی گفتار رایانه ای ( Computer Speech Recognition )” یا ” گفتار به متن” ( Speech To Text ) نیز شناخته می شود.

در شناسایی گفتار ، یک نرم افزار، کلمات گفته شده را تشخیص می دهد. معیار های اندازه گیری در این کاربرد یادگیری ماشین ، ممکن است مجموعه ای از اعداد باشد که سیگنال گفتار را نشان می دهند. ما می توانیم سیگنال را به بخش هایی تقسیم کنیم که حاوی کلمات یا صدا های مجزا باشند. در هر بخش، می توانیم سیگنال گفتار را با شدت و یا انرژی در باند های فرکانس-زمان مختلف نشان دهیم.

اگرچه جزئیات نمایش سیگنال، خارج از حیطه کار ماست، اما می توانیم سیگنال را با مجموعه ای از مقادیر حقیقی نمایش دهیم.

در مورد ساخت برنامه های تشیخص گفتار بیشتر بدانید.

از جمله کاربرد های شناسایی گفتار ، می توان رابط های کاربری صوتی را نام برد. رابط های کاربری صوتی مثل شماره گیری صوتی ، مسیریابی تماس و کنترل لوازم خانگی هستند و همچنین می تواند در ورود اطلاعات ساده ، تهیه اسناد ساختار یافته ، پردازش گفتار به متن ، و … استفاده شود.

۳- تشخیص پزشکی

یادگیری ماشین ، روش ها ، تکنیک ها و ابزارهایی را ارائه می دهد که می توانند به حل مسائل تشخیص و پیش بینی در انواع حوزه های پزشکی کمک کنند. این روش برای تحلیل اهمیت پارامترهای بالینی و ترکیب آن ها برای به دست آوردن یک پیش بینی ، به عنوان مثال پیش بینی پیشرفت بیماری است. این پیش بینی می تواند در جهت استخراج اطلاعات پزشکی جهت تحقیق نتایج، برای برنامه ریزی و حمایت های درمانی و برای مدیریت وضعیت کلی بیمار ، مورد استفاده قرار می گیرد.

یادگیری ماشین همچنین برای تحلیل داده هایی از قبیل تشخیص الگو ها در داده ها از طریق برخورد مناسب با داده های ناقص و تفسیر داده های پیوسته ی مورد استفاده در بخش مراقبت های ویژه استفاده شده همچنین برای هشدار های هوشمندانه که منجر به نظارت مؤثر و کارآمد بر وضعیت بیمار می شود، مورد استفاده قرار می گیرد.

می توان نشان داد پیاده سازی درست روش های یادگیری ماشین ، می تواند به یکپارچه سازی سیستم های رایانه ای در محیط مراقبت های بهداشتی کمک کند تا فرصتی برای تسهیل و تقویت کار متخصصان پزشکی و در نهایت بهبود کارآیی و کیفیت مراقبت های پزشکی فراهم کند.

بیایید در مورد وضعیت هوش مصنوعی در حوزه پزشکی و کاربرد های آن بیشتر بدانیم.

در تشخیص پزشکی ، هدف اصلی تشخیص وجود یک بیماری و سپس ارزیابی دقیق آن است. یک دسته جداگانه برای هر بیماری در نظر گرفته می شود و یک دسته برای افرادی که هیچ بیماری ای ندارند. در اینجا یادگیری ماشین دقت تشخیص پزشکی را با تحلیل داده های بیمار بهبود می بخشد.

معیار های اندازه گیری در این کاربرد یادگیری ماشین ، معمولا نتایج آزمایشات پزشکی خاصی هستند (مانند فشار خون ، دما و آزمایشات مختلف خون ) یا تشخیص پزشکی ( مانند تصاویر پزشکی )، وجود / عدم وجود / شدت علائم مختلف و اطلاعات اولیه بدنی در مورد بیمار ( سن ، جنس ، وزن و غیره ). براساس نتایج این اندازه گیری ها، پزشکان بیماری فرد را بهبود می دهند.

۴- معامله گری آماری

در امور مالی ، معامله گری آماری به راهبرد های تجاری خودکار اشاره دارد که معمولا در کوتاه مدت به بررسی اوراق بهادار پرداخته می شود. در چنین استراتژی هایی، کاربر سعی می کند بر اساس مقادیری از قبیل همبستگی تاریخی و متغیر های اقتصادی عمومی ، یک الگوریتم تجاری برای مجموعه ای از اوراق بهادار پیاده سازی کند. این اندازه گیری ها می تواند به عنوان یک مسئله کلاسه بندی یا تخمین مطرح شود. فرضیه اصلی این است که قیمت ها به سمت میانگین تاریخی حرکت خواهند کرد.

ما می توانیم برای دستیابی به یک استراتژی معامله گری شاخص ، روش های یادگیری ماشین را بکار بریم. مخصوصا می توانیم رگرسیون خطی و رگرسیون بردار پشتیبانی ( SVR ) را بر روی قیمت های یک شاخص قابل معامله در بورس و ارز و سهام استفاده می کنیم. با استفاده از تحلیل مولفه های اصلی ( PCA ) در کاهش ابعاد فضای ویژگی ، سود را مشاهده می کنیم و موارد مربوط را در SVR در نظر می گیریم. برای تولید سیگنال های تجاری ، باقیمانده های رگرسیون قبلی را به عنوان یک فرآیند بازگشت به میانگین ، مدل می کنیم.

در مورد کلاسه بندی ، برای هر اوراق بهادار دسته ها می توانند به صورت فروخته شده ، خریداری شده یا بدون اقدام باشد. در مورد تخمین ممکن است سعی کنیم بازده مورد انتظار هر اوراق بهادار را در افق زمانی آینده پیش بینی کنیم. در این مورد، شخص معمولا برای ایجاد یک تصمیم تجاری ( خرید ، فروش ، و غیره )، به استفاده از برآورد های بازده مورد انتظار نیاز دارد.

۵- یادگیری وابستگی ها

یادگیری وابستگی ها فرآیند توسعه نگرش در ارتباطات مختلف بین محصولات است. یک مثال خوب این است که با تحلیل رفتار های خرید مشتریان ، ارتباط محصولات به ظاهر بی ربط تشخیص داده شود.

بزرگ ترین خرده فروشان جهان چگونه از یادگیری ماشین و هوش مصنوعی به نفع خود استفاده می کنند؟

یکی از کاربرد های یادگیری ماشین ، اغلب مطالعه ارتباط بین کالا هایی است که مردم خریداری می کنند، که به عنوان تحلیل سبد خرید نیز شناخته می شود. اگر خریداری محصول “X” را خریداری کند آیا او مجبور است محصول “Y” را به دلیل رابطه ای که می تواند بین آن ها وجود داشته باشد، خریداری کند؟ این کار به تشخیص رابطه ی بین ماست موسیر و چیپس ، منتهی می شود. وقتی محصولات جدید در بازار عرضه می شوند، دانستن این روابط، آن را به عنوان یک رابطه جدید تعمیم می دهد. دانستن این روابط می تواند به پیشنهاد کالای مرتبط به مشتری کمک کند. برای بالا بردن احتمال خرید کردن مشتری، می تواند در تهیه بسته بندی بهتر محصولات نیز کمک کند.

این یادگیری ارتباط بین محصولات توسط یک ماشین ، یادگیری وابستگی ها نام دارد. هنگامی که ما با بررسی مقدار زیادی از داده های فروش ، یک وابستگی پیدا کردیم، داده های کلان آن ها را تحلیل می کنند. این می تواند یک قاعده را برای بدست آوردن یک آزمایش احتمال در یادگیری یک احتمال شرطی، تعمیم دهد.

۶- کلاسه بندی

کلاسه بندی فرآیند قرار دادن هر فرد از جمعیت مورد مطالعه، در کلاس های متعدد است که به عنوان متغیرهای مستقل شناخته می شوند.

برای اطلاعات بیشتر در مورد کلاسه بندی این ویدیو را تماشا کنید.

کلاسه بندی به تحلیلگران کمک می کند تا از بررسی معیار هایاندازه گیری یک شی برای شناسایی گروهی که آن شی به آن تعلق دارد، استفاده کنند. برای ایجاد یک قاعده کار آمد، تحلیلگران از داده ها استفاده می کنند. داده ها شامل نمونه های بسیاری از اشیاء با کلاسه بندی صحیح آن ها هستند.

برای مثال، قبل از اینکه یک بانک، تصمیم به پرداخت وام به مشتریان بگیرد، توانایی مشتریان در بازپرداخت وام را ارزیابی کند. می توانیم این کار را با در نظر گرفتن عواملی چون درآمد مشتری ، سن ، پس انداز و سابقه مالی انجام دهیم. این اطلاعات از داده های گذشته وام ها، حاصل شده است. بنابراین، جستجوگر بین ویژگی های مشتری و ریسک های مرتبط ، ارتباط برقرار می کند.

۷- پیش بینی

در نظر بگیرید که یک بانک، احتمال بازپرداخت هرکدام از متقاضیان وام را محاسبه می کند. برای محاسبه احتمال خطا، سیستم ابتدا باید داده های موجود در برخی دسته ها را کلاسه بندی کند. این کار توسط مجموعه ای از قوانین که توسط تحلیلگران فراهم شده است، توصیف می شود.

پس از انجام کلاسه بندی ، می توانیم بنا به نیاز، احتمال را محاسبه کنیم. این محاسبات احتمال ، می تواند در همه بخش ها برای اهداف متنوع محاسبه شود.

در حال حاضر پیش بینی یکی از داغ ترین الگوریتم های یادگیری ماشین است. بیایید یک مثال بزنیم، در مقالات پیشین از مواردی مانند تعداد اتاق خواب ، مساحت و محله برای پیش بینی قیمت خانه ها استفاده کردیم. این نوع گزارش ها را گزارش های تاریخی می نامند. اما در حال حاضر تجارت بیشتر علاقه مند است تا بداند که قیمت فروش خانه در ماه آینده چیست تا بتواند به موقع تصمیم لازم ( مربوط به خرید ، فروش و غیره ) را بگیرد.

۸- استخراج اطلاعات

استخراج اطلاعات ( Information Extraction ) یکی دیگر از کاربرد های یادگیری ماشین است. این روش، فرآیند استخراج اطلاعات ساختار یافته از داده های بدون ساختار است. به عنوان مثال صفحات وب ، مقالات ، وبلاگ ها ، گزارش های تجاری و ایمیل ها. پایگاه داده رابطه ای ، خروجی تولید شده توسط استخراج اطلاعات را ذخیره می کند.

فرآیند استخراج ، از ورودی به عنوان مجموعه ای از اسناد استفاده می کند و یک داده ساختار یافته تولید می کند. این خروجی به صورت خلاصه مانند یک برگه و جدول اکسل در یک پایگاه داده رابطه ای می باشد.

امروزه، استخراج اطلاعات در صنعت داده های کلان به یک راه حل کلیدی تبدیل شده است.

همانطور که می دانیم حجم عظیمی از داده ها در حال تولید می باشد که بیشتر داده ها بدون ساختار هستند. اولین چالش اساسی، کار با داده های بدون ساختار است. باید تبدیل داده های بدون ساختار به فرم ساختاریافته مبتنی بر برخی الگوه انجام گیرد تا بتواند در RDBMS ذخیره گردد.

علاوه بر این، مکانیزم جمع آوری داده ها نیز در حال تغییر است. پیش از این ما داده ها را در دسته هایی در پایان روز جمع آوری می کردیم، اما اکنون تجارت، داده ها را به محض تولید یعنی بطور بلادرنگ می خواهد.

۹- رگرسیون

ما می توانیم یادگیری ماشین را به رگرسیون نیز اعمال کنیم.

فرض کنید x = x₁, x₂, x₃, … x_n متغیرهای ورودی و y متغیر خروجی است. در این حالت، می توانیم از فناوری یادگیری ماشین برای تولید خروجی(y) بر اساس متغیرهای ورودی(x) استفاده کنیم. شما می توانید از یک مدل برای بیان رابطه بین پارامتر های مختلف به شرح زیر استفاده کنید :

چگونه می توان با رگرسیون امید به زندگی افراد را پیشبینی کرد؟

Y = g(x) که در آن g تابعی است که به ویژگی های خاص مدل بستگی دارد.

در رگرسیون، ما می توانیم از اصل یادگیری ماشین برای بهینه سازی پارامتر ها استفاده کنیم. برای کاهش خطای تقریبی و محاسبه نزدیک ترین نتیجه ممکن.

همچنین می توانیم از یادگیری ماشین برای بهینه سازی تابع استفاده کنیم. ما می توانیم برای به دست آوردن یک مدل بهتر، ورودی ها را تغییر دهیم. این اقدام یک مدل جدید و بهبود یافته برای کار با آن می دهد و به عنوان طراحی سطح پاسخ، شناخته می شود.

بنابراین، این موارد کاربرد های یادگیری ماشین هستند. امیدوارم توضیحات ما را پسندیده باشید.

نتیجه گیری

به طور کلی، یادگیری ماشین، پیشرفت خارق العاده ای در زمینه هوش مصنوعی است. در حالی که وقتی در موردش فکر می کنید ممکن است مفاهیم آن ترسناک باشید، این کاربرد های یادگیری ماشین، برخی از روش مختلفی هستند که این فناوری می تواند زندگی ما را بهبود بخشد.

اگر کاربرد های دیگری از یادگیری ماشین به نظرتان می رسد، لطفاً در نظرات به ما اطلاع دهید!