Machine learning (ML) فرآیندی میباشد که کامپیوتر را توانمند میسازد
طراحی اپلیکیشن اندروید کاری را اجرا دهد که به صراحت گفته نشده میباشد چه کاری را اجرا دهد. از این رو ML نقش اصلی در تشکیل داد ماشینهایی که حقیقت را شعور نمایند را بر عهده گرفته میباشد. با فعالسازی Sophia، ربات هوش تصنعی که به وسیله Hanson robotics پیشرفته میباشد، شگفتزده میشویم که به وسیله این اشخاص هوشمند چقدر به دستیبابی به توفیقهای رفیعتر مجاورت هستیم.
چنانچه به بعدی machine learning در 10 سال آجل فکر می کنید، در مکان قابل قبولی می باشید. بیایید برویم آغاز کنیم.
وضع و اوضاع کنونی
ML با ساخت روشی که بتوان علم را از دسته دادههای والا بی نیاز ایجاد کرد، خطاهای اپنویسی را نگه داشت و از اشتباهات منطقی پرهیز کرد، برای سیستمهای آجل یه خرده غامضخیس گردیده است. با به کار گیری از کادرورک BigData در اپهای مهم، الگوریتمهای هوشمند فعلا میتوانند این ریپازیتوریهای والا از دادههای استاتیک و داینامیک را به فعالیت گرفته و به صورت مداوم سعی آن را خاطر بگیرند و بهبود دهند.
در همین سال، کارشناسان ML از انتزاع و عقیدهپردازی بدور گردیدهاند و بر روی اپهای تجاری هوش تصنعی و مصنوعی به وسیله machine learning و معنی Deep Learning تمرکز دارا هستند. در عرصه عملی، ML به صورت بزرگ در نگهداریهای بهداشتی پیشگیریکننده، پزشکی، بانکی، مالی، بازاریابی و رسانهای اجرا گردیدهاست.
با دقت به بسط ML در پنج سال پیشین، جلو رفتن آن بهاین زودیها نماید نخواهد شد.
گسترشهای ML
فی مابین توسعه و گسترشهای اصلی ML، گوگل به تازگی پروژه Tensorflow ی machine learning خویش را open source نموده است. مایکروسافت CNTK را open source کرده، Baidu، PaddlePaddle را نشر داده و آمازون اعلام نموده است که MXNet را در پلتهیبت AWS ML نو خویش سوار نموده است. از طرف دیگر، فیسبوک عمدتا از بسط دو قابورک Deep Learning: Torch و Caffe نگهبانی مینماید. گوگل همینطور از Keras فوقالعاده پیروز پناه مینماید.
این مفاد بر این ایده تمرکز دارااست که الگوریتمها و machine learning برای دوران فرصت وقت گیر میخواهند در دنیای فناوری داده ها مانور دهند. تقاضا برای machine learning بیشتر گردیدهاست و پلتهیبتها در درحال حاضر کارکشتهخیس شدن میباشند.
ارتقا
در چندین سال آینده، نرم افزارهای هوش تصنعی و مصنوعی اشاعه بیشتری پیدا مینمایند و عموم نسبت به ماشینها تایید بیشتری دارا هستند. به این ترتیب تمامی ارائهدهندگان خدمت بایستی به طور دورازشوخی هم دشوارافزار خویش (ذخیرهسازی، بکآپ، توان محاسبات، و غیره) و هم نرم افزار (خدمتها، کانالها، کانالهای تک کاره، و غیره) را ارتقا دهند.
ما شاهد رونق در به کار گیری از machine learning در اپلیکیشنهای گوشی، سیستمهای تشخیص تصویر، اپلیکیشنهای تشخیص سرمشق، ابزارهای فیلترینگ، رباتیک و غیره هستیم. پژوهشگران فعلا در تلاشند تا فعالیت کردن با ماشینهایی را پیشرفت دهند که پردازش ظریف مغز آدم را دنبال مینمایند. درصورتیکه ما هر گره و کانال عصبی مغزمان را نقشهبرداری کرده و دادهها را به آن بدهیم، سیستم بایستی کارکشته به پردازش دادههایی مثل مغز آدم باشد.
این معنا را محاسبات شناختی مینامند. از این رو سیستمهای محاسبات شناختی از تشخیص سر مشق، پردازش لهجه طبیعی، دادهکاوی استعمال مینمایند تا از روش روند مغز آدم یادگرفتن دهند. این سیستمها با غرض آخریشان که یک دستگاه هوش تصنعی و مصنوعی حساس و فهم و شعور کننده احساسات میباشد، بایستی در سالهای آجل اعتنا متعددی را به خویش جلب نمایند.