هوش مصنوعی، یادگیری عمیق و یادگیری ماشین

هوش مصنوعی

هوش مصنوعی (AI) به هر گونه سیستمی گفته می‌شود که می‌تواند رفتاری شبیه به رفتار انسان را نشان دهد. این رفتار می‌تواند شامل یادگیری، تفکر و حل مسئله باشد. هوش مصنوعی یک حوزه گسترده است که شامل بسیاری از زیرشاخه‌ها می‌شود، از جمله یادگیری ماشین، شبکه‌های عصبی مصنوعی و یادگیری عمیق. جارو برقی هوشمند یا ابر رایانه شطرنج باز دیپ بلو (Deep Blue) که توسط شرکت آی‌بی‌ام (IBM) ساخته شده و در ماه می ۱۹۹۷ با شکست گری کاسپاروف با نتیجه ۳٬۵ به ۲٬۵ در ۶ مسابقه، نخستین رایانه‌ای شد که توانسته‌است قهرمان شطرنج جهان را شکست دهد.

/*! elementor - v3.17.0 - 08-11-2023 */ .elementor-widget-image{text-align:center}.elementor-widget-image a{display:inline-block}.elementor-widget-image a img[src$=".svg"]{width:48px}.elementor-widget-image img{vertical-align:middle;display:inline-block}
دیپ بلو در مقابل کاسپاروف

یادگیری ماشین  

یادگیری ماشین (Machine Learning) زیرشاخه‌ای از هوش مصنوعی است که به ماشین‌ها اجازه می‌دهد بدون برنامه‌نویسی صریح، از داده‌ها یاد بگیرند. یادگیری  ماشین بر روی الگوریتم‌هایی متکی است که می‌توانند از داده‌های آموزشی برای  شناسایی الگوها و روندها استفاده کنند. این الگوریتم‌ها سپس می‌توانند از این الگوها برای پیش‌بینی نتایج آینده یا تصمیم‌گیری استفاده کنند. به عنوان مثال می‌توان به سیستم  تشخیص ایمیل اسپم اشاره کرد.

شبکه‌های عصبی مصنوعی

شبکه‌های عصبی مصنوعی (Artificial Neural Networks) یک نوع خاص از الگوریتم یادگیری ماشین هستند که از ساختاری شبیه به شبکه‌های عصبی موجود در مغز انسان تقلید می‌کنند. شبکه‌های عصبی مصنوعی از چندین لایه گره تشکیل شده‌اند که هر کدام با یکدیگر ارتباط دارند. هر گره یک مقدار را محاسبه می‌کند و این مقدار سپس به گره‌های دیگر منتقل می‌شود. این فرآیند تا زمانی ادامه می‌یابد که شبکه یک نتیجه نهایی تولید کند.

یادگیری عمیق

یادگیری عمیق (Deep Learning) زیرشاخه‌ای از یادگیری ماشین است که از شبکه‌های عصبی مصنوعی با تعداد زیادی لایه استفاده می‌کند. این لایه‌های اضافی به شبکه‌های عصبی اجازه می‌دهند الگوهای پیچیده‌تری را در داده‌ها شناسایی کنند. یادگیری عمیق منابع و دیتای زیاد و هزینه بالایی را می‌طلبد و مزیت مهم آن، افزایش دقت و حل مسایل به صورت end to end است. بنابراین برای مسایل ساختار نیافته، مثل پردازش متن، صوت یا تصویر، بسیار بهتر عمل می کند. یادگیری عمیق برای بسیاری از کاربردهای هوش مصنوعی، از جمله تشخیص تصویر، پردازش زبان طبیعی و ترجمه ماشینی، استفاده می‌شود.

/*! elementor - v3.17.0 - 08-11-2023 */ .elementor-heading-title{padding:0;margin:0;line-height:1}.elementor-widget-heading .elementor-heading-title[class*=elementor-size-]>a{color:inherit;font-size:inherit;line-height:inherit}.elementor-widget-heading .elementor-heading-title.elementor-size-small{font-size:15px}.elementor-widget-heading .elementor-heading-title.elementor-size-medium{font-size:19px}.elementor-widget-heading .elementor-heading-title.elementor-size-large{font-size:29px}.elementor-widget-heading .elementor-heading-title.elementor-size-xl{font-size:39px}.elementor-widget-heading .elementor-heading-title.elementor-size-xxl{font-size:59px}

·       خلاصه

·        هوش مصنوعی

هدف: ایجاد ماشین‌هایی که می‌توانند رفتاری شبیه به رفتار انسان را نشان دهند.

زیرشاخه‌ها: یادگیری ماشین، شبکه‌های عصبی مصنوعی، یادگیری عمیق، ...

کاربرد: هوش مصنوعی در محصولاتی مانند دستیار صوتی، خودروهای خودران و بازی‌های ویدئویی استفاده می‌شود.

 

·        یادگیری ماشین

هدف: اجازه دادن به ماشین‌ها برای یادگیری بدون برنامه‌نویسی صریح.

روش‌ها: الگوریتم‌های یادگیری ماشین، مانند رگرسیون، طبقه‌بندی، خوشه‌بندی، ...

کاربرد: در محصولاتی مانند توصیه‌گرهای خرید، سیستم‌های تشخیص چهره و سیستم‌های رتبه‌بندی محصولات استفاده   می‌شود.

 

·        شبکه‌های عصبی مصنوعی

نوعی الگوریتم یادگیری ماشین

ساختار: شبکه‌ای از گره‌ها که با یکدیگر ارتباط دارند.

کاربرد: در محصولاتی مانند تشخیص تصویر، پردازش زبان طبیعی و ترجمه ماشینی استفاده می‌شوند.

 

·        یادگیری عمیق

زیرشاخه‌ای از یادگیری ماشین

استفاده از شبکه‌های عصبی مصنوعی با تعداد زیادی لایه 

کاربرد: در محصولاتی مانند تشخیص چهره، تشخیص اشیا و ترجمه ماشینی استفاده می‌شود.

gencraft_image_1700829626141

·       سوالات

1.اگر بخواهیم به صورت زیرمجموعه ای به چهار تعریف بالا نگاه کنیم، کدام گزینه صحیح است؟

الف) هوش مصنوعی > یادگیری عمیق > یادگیری ماشین > شبکه عصبی مصنوعی

ب) هوش مصنوعی > یادگیری ماشین > شبکه عصبی مصنوعی > یادگیری عمیق

پ) یادگیری عمیق > شبکه عصبی مصنوعی > یادگیری ماشین > هوش مصنوعی

ت) هیچ کدام از گزینه ها درست نیست

 

2. سیستم تشخیص ایمیل اسپم به طور دقیق از کاربرد های کدام یک از گزینه های زیر است؟

الف) شبکه عصبی مصنوعی

ب) هوش مصنوعی 

پ) یادگیری ماشین

ت) یادگیری عمیق

 

3. ماشین هایی که رفتار  شبیه به انسان دارند را ..... و الگوریتم های ماشینی که برگرفته از ساختار عصبی یک پستاندار باشد را ...... می گویند.

الف) شبکه عصبی مصنوعی – هوش مصنوعی

ب) یادگیری عمیق – شبکه عصبی مصنوعی

پ) هوش مصنوعی – شبکه عصبی مصنوعی

ت) هوش مصنوعی – یادگیری عمیق