کاربردهای یادگیری ماشین در پزشکی
کاربردهای یادگیری ماشین در پزشکی
آرتور ساموئل (Arthur Samuel) آمريکايي، يکي از پيشروهاي حوزه بازي هاي کامپيوتري و هوش مصنوعي، عبارت يادگيري ماشين را در سال 1959 زماني که در IBM کار ميکرد، به ثبت رساند.تعریف و پیدایش یادگیری ماشین
يادگيري ماشين (Machine Learning)، که از الگوشناسي و نظريه يادگيري محاسباتي الهام گرفته شده است، مطالعه و ساخت الگوريتمهايي را که ميتوانند بر اساس داده ها يادگيري و پيش بيني انجام دهند بررسي ميکند. چنين الگوريتم هايي از دستورات برنامه پيروي صرف نميکنند و از طريق مدلسازي از داده هاي ورودي نمونه، پيشبيني يا تصميم گيري ميکنند. يادگيري ماشين در کارهاي محاسباتي که طراحي و برنامه نويسي الگوريتم هاي صريح با عملکرد مناسب در آنها سخت يا نشدني است، استفاده ميشود؛ برخي کاربردها عبارتاند از فيلترينگ ايميل، شناسايي مزاحمهاي اينترنتي يا بدافزارهاي داخلي که قصد ايجاد رخنه اطلاعاتي دارند، نويسه خوان نوري، يادگيري رتبه بندي، و بينايي ماشين.
با گسترش کاربردهاي فناوري اطلاعات در حوزه هاي مختلف، نياز به خودکارسازي فرآيندهاي تصميم سازي و تصميم گيري، روند فزايندهاي داشته است. دانش هوش مصنوعي به عنوان يکي از راهکارهاي اصلي براي رفع اين نيازها، از روشهاي مبتني بر يادگيري ماشين استفاده ميکند. يادگيري ماشين ارتباط نزديکي با آمار محاسباتي دارد و اغلب با آن هم پوشاني دارد، تمرکز اين شاخه نيز پيشبيني کردن توسط رايانه است و پيوند محکمي با بهينه سازي رياضي دارد، که آن هم روشها، تئوري ها و کاربردهايي را وارد ميدان ميکند. يادگيري ماشين گاهي اوقات با داده کاوي ادغام ميشود؛ تمرکز اين زيرشاخه بر تحليل اکتشافي داده ها است و با عنوان يادگيري بينظارت شناخته ميشود. يادگيري ماشين نيز ميتواند بينظارت باشد و براي يادگيري و شناخت فرم ابتدايي رفتار موجودات مختلف و سپس پيداکردن ناهنجاريه اي معنادار استفاده شود.
در زمينه تحليل داده ها، يادگيري ماشين روشي براي طراحي الگوريتم ها و مدل هاي پيچيده است که براي پيشبيني استفاده ميشوند؛ در صنعت، اين مطلب تحت عنوان تحليل پيشگويانه شناخته ميشود. اين مدل هاي تحليلي به محققان، پژوهشگران علم داده ها، مهندسان و تحليلگران اجازه ميدهد. تصميمات و نتايجي قابل اطمينان و تکرارپذير به دست آورند و با آموختن از روابط و روندهاي مربوط به گذشته، از فراست هاي پنهان پرده برداري کنند. طبق سيکل هايپ (Hype Cycle) کمپاني گارتنر، يادگيري ماشين اکنون در مرحله اوج توقعات زياد (Peak of Inflated Expectations) قرار دارد. پياده سازي اثربخش يادگيري ماشين دشوار است زيرا الگويابي دشوار است و اغلب، داده هاي آموزشي به مقدار کافي در دسترس نيستند، در نتيجه برنامه هاي يادگيري ماشين اغلب با شکست مواجه ميشوند.
روش هاي يادگيري ماشين، سيستم هاي مختلف را قادر ميکنند که ياد بگيرند، بررسي کنند و پيشنهادهاي کاربردي ارائه دهند. اين سيستم ها به مرور زمان که با داده ها، شبکه ها و افراد تعامل دارند، باهوش تر ميشوند. با استفاده از رويکردهاي يادگيري ماشين و هوش مصنوعي، اين سيستم ها قادر هستند افراد را در حل مسائل مهم، کاربردي و روزمره ياري دهند. غالباً اين کار با استفاده از داده هايي انجام ميشود که به دليل حجم زياد يا ماهيت نامفهوم، براي انسان ها چندان قابل استفاده نيست.
تاکنون انسان ها کاربردهاي بسيار زيادي از هوش مصنوعي و يادگيري ماشين را در زندگي روزمره تجربه کرده اند. سرويس هاي ايميل براي تشخيص اسپم از الگوريتم هاي يادگيري ماشين استفاده ميکنند. سيستم هاي پيشنهادگر، مرتبسازي نتايج موتورهاي جستجو، تشخيص چهره خندان براي عکاسي خودکار، همگي نمونه هاي ديگري از کاربردهاي يادگيري ماشين هستند. ابزارها و روش هاي مبتني بر يادگيري ماشين، بر خلاف ساير ابداعات و اختراعات بشر، براي رفع محدوديت ها و نيازهاي فيزيکي نيستند، بلکه هدف آنها ساختن سيستم هايي است که به جاي انسان بي انديشند، ياد بگيرند و ياد بدهند.
در طي يک دهه آينده، به نظر ميرسد که ما شاهد استفاده هر چه بيشتر يادگيري ماشين در طراحي سيستم هاي داراي تعامل با انسان خواهيم بود. يادگيري ماشين به اين معنا است که ماشين بتواند برنامه، ساختار يا داده هايش را بر اساس وروديها يا در پاسخ به اطلاعات خارجي، به نحوي تغيير دهد که رفتارش به آن چه از او انتظار ميرود نزديکتر شود، به عبارت ديگر ميتوان گفت يعني قدرت تجزيه و تحليل داشته باشد. يادگيري ماشين سال ها است که توسط شرکت هاي بزرگ در ابعاد کوچک استفاده ميشود. مثلاً آمازون با رصد کليک ها و علاقه منديهاي افراد سعي در يافتن سليقه هاي فرد کرده و تبليغاتي متناسب با آن براي افراد نشان ميدهد، گوگل در زمينه جستجوهاي اينترنتي و فيسبوک در زمينه شبکه هاي اجتماعي اقدام مشابه را انجام ميدهند و پست هاي مورد علاقه افراد را برايشان به نمايش در ميآورند.
