مجله علمی دانشجویی حلقه و انجمن علمی دانشکده ریاضی و علوم کامپیوتر دانشگاه صنعتی امیرکبیر، وبینار «چشم‌انداز پیشرفت و فعالیت در هوش مصنوعی و یادگیری ماشین » را برگزار می‌کند.
به گزارش باشگاه دانشجویان ایسنا، این برنامه با حضور و ارائه دکتر مصطفی محسن‌وند ـ دکترای هوش مصنوعی و علوم شناختی دانشگاه MIT، روز دوشنبه ۱۸ مرداد، ساعت ۱۹:۳۰، به صورت آنلاین در بستر Clubhouse و در کلاب AUT برگزار می شود.
علاقه مندان می‌توانند جهت شرکت در این برنامه به این لینک مراجعه کنند.
تفاوت علم داده، یادگیری ماشین و هوش مصنوعی
حوزه‌های علم داده، یادگیری ماشین و هوش مصنوعی همپوشانی زیادی دارند، اما قابل تعویض نیستند.
علم داده، بینش؛ یادگیری ماشینی، پیش‌بینی‌ها و هوش مصنوعی، اعمالی را تولید می‌کنند.
برای روشن بودن، این یک صلاحیت کافی نیست: هر چیزی که با هر تعریفی مطابقت دارد، بخشی از آن زمینه نیست. (یک فالگیر پیش بینی می‌کند، اما ما هرگز نمی‌گوییم که آنها در حال انجام یادگیری ماشینی هستند.)
علم داده بینش تولید می‌کند
علم داده از دو حوزه دیگر متمایز است زیرا هدف آن یک هدف ویژه انسانی است: کسب بینش و درک. باز هم، هر چیزی که بینش ایجاد می‌کند، به عنوان علم داده واجد شرایط نیست.
تعریف کلاسیک علم داده این است که شامل ترکیبی از آمار، مهندسی نرم افزار و تخصص دامنه است، اما می‌توانیم از این تعریف برای تشخیص آن از ML و AI استفاده کنیم.
تمایز اصلی این است که در علم داده همیشه یک انسان در حلقه وجود دارد: کسی که بینش را می‌فهمد، شکل را می‌بیند یا از نتیجه‌گیری سود می‌برد.
منطقی نیست که بگوییم «الگوریتم بازی شطرنج ما از علم داده برای انتخاب حرکت بعدی خود استفاده می کند» یا Google Maps از علم داده برای توصیه مسیرهای رانندگی استفاده می کند.
دانشمندان داده ممکن است از ابزارهای ساده استفاده کنند: آنها می‌توانند درصدها را گزارش کنند و نمودارهای خطی را بر اساس پرس‌و‌جوهای SQL ایجاد کنند.
آنها همچنین می‌توانند از روش‌های بسیار پیچیده استفاده کنند: ممکن است با ذخیره‌گاه‌های داده توزیع‌شده برای تجزیه و تحلیل تریلیون‌ها رکورد، توسعه تکنیک‌های آماری پیشرفته و ساخت تجسم‌های تعاملی کار کنند.
از هر چیزی که استفاده می‌کنند، هدف به دست آوردن درک بهتری از داده‌هایشان است.
یادگیری ماشین، پیش بینی تولید می‌کند
همپوشانی زیادی بین علم داده و یادگیری ماشین وجود دارد. به عنوان مثال، رگرسیون لجستیک می‌تواند برای ترسیم بینش در مورد روابط (هر چه یک کاربر ثروتمندتر باشد، احتمال بیشتری دارد که محصول ما را بخرد، بنابراین ما باید استراتژی بازاریابی خود را تغییر دهیم)
برای انجام پیش‌بینی‌ها (این کاربر دارای 53 درصد شانس خرید است پس این محصول را به او پپیشنهاد می‌دهیم.)
هوش مصنوعی اقداماتی را تولید می‌کند
هوش مصنوعی به مراتب قدیمی‌ترین و شناخته‌شده‌ترین در بین این سه نام است و در نتیجه تعریف آن چالش برانگیزترین است. به لطف محققان، روزنامه‌نگاران و استارت‌آپ‌هایی که به دنبال پول یا توجه هستند، این اصطلاح با تبلیغات زیادی احاطه شده است.
یکی از موضوعات رایج در تعاریف هوش مصنوعی این است که یک عامل مستقل اقداماتی را اجرا یا توصیه می‌کند.
تفاوت بین هوش مصنوعی و یادگیری ماشین، کمی ظریف‌تر است و از نظر تاریخ اغلب به عنوان زیرشاخه هوش مصنوعی در نظر گرفته می‌شود.
ولی اکثر افرادی که تصمیم می‌گیرند روی مشکلات پیش‌بینی کار کنند، دوست ندارند خود را به عنوان محقق هوش مصنوعی توصیف کنند.
یک مثال:
فرض کنید ما در حال ساخت یک ماشین خودران بودیم و روی مشکل خاص توقف در تابلوهای ایست کار می‌کردیم. ما به مهارت‌هایی نیاز داریم که از هر سه این زمینه‌ها استخراج شود.
- یادگیری ماشین: خودرو باید با استفاده از دوربین‌های خود، علامت توقف را تشخیص دهد. ما مجموعه‌ای از میلیون‌ها عکس از اشیاء کنار خیابان می‌سازیم و الگوریتمی را آموزش می‌دهیم تا پیش‌بینی کنیم کدام یک دارای علائم توقف است.
- هوش مصنوعی: هنگامی که خودروی ما بتواند علائم توقف را تشخیص دهد، باید تصمیم بگیرد که چه زمانی اقدام به ترمزگیری کند.
استفاده از آنها خیلی زود یا خیلی دیر خطرناک است و ما برای کنترل شرایط جاده‌های مختلف به آن نیاز داریم (مثلاً تشخیص اینکه در جاده لغزنده به اندازه کافی سرعتش کم نمی‌شود) که یک مشکل تئوری کنترل است.
- علم داده‌ها: در آزمایش‌های خیابانی متوجه می‌شویم که عملکرد خودرو به اندازه کافی خوب نیست با برخی از منفی‌های کاذب که در آنها با علامت ایست به سمت راست حرکت می‌کند.
پس از تجزیه و تحلیل داده‌های تست خیابانی به این بینش دست می‌یابیم که میزان منفی‌های کاذب به زمان روز بستگی دارد: احتمال اینکه علامت توقف قبل از طلوع یا بعد از غروب خورشید را از دست بدهد، بیشتر است.
ما متوجه شدیم که بیشتر داده‌های آموزشی ما فقط اشیا در نور کامل روز را شامل می‌شود، بنابراین مجموعه داده بهتری شامل تصاویر شبانه ایجاد می‌کنیم و به مرحله یادگیری ماشینی برمی‌گردیم.
