مقدمه‌ای بر یادگیری ماشین

۰۱یادگیری ماشین چیست و چه فرقی با برنامه‌نویسی معمولی دارد؟

در برنامه‌نویسی معمولی، شما قاعده‌ها را می‌نویسید و برنامه با ورودی، خروجی می‌سازد. در یادگیری ماشین مسیر برعکس است: ورودی‌ها و پاسخ‌های درست را به الگوریتم می‌دهید و او قاعده‌ها را (به‌شکل پارامترهای مدل) پیدا می‌کند. فیلتر هرزنامه نمونه‌ی خوبی است: نوشتن هزاران قاعده برای هر ترفند تقریباً ناممکن است، اما با هزاران ایمیل برچسب‌دار مدل خودش نشانه‌ها را یاد می‌گیرد.

یادگیری ماشین زیرمجموعه‌ی هوش مصنوعی است و یادگیری عمیق (deep learning) هم زیرمجموعه‌ی یادگیری ماشین که از شبکه‌های عصبی چندلایه استفاده می‌کند. مدل‌های زبانی بزرگ امروزی از همین خانواده‌اند؛ اگر به کاربردشان علاقه دارید، ساخت چت‌بات با مدل‌های زبانی را ببینید.

۰۲سه خانواده‌ی اصلی یادگیری

در کسب‌وکارهای معمولی، بیش از ۹۰ درصد کاربردها از نوع نظارت‌شده‌اند. دو دسته‌ی اصلی آن طبقه‌بندی (classification؛ خروجی یک دسته) و رگرسیون (regression؛ خروجی یک عدد) است.

۰۳مراحل ساخت یک مدل

1. تعریف مسئله: دقیقاً چه چیزی را پیش‌بینی می‌کنیم و این پیش‌بینی چه تصمیمی را تغییر می‌دهد؟
2. جمع‌آوری و پاکسازی داده: مقادیر گم‌شده، تکراری‌ها و داده‌های پرت. ابزار اصلی در این مرحله پایتون و پانداس است.
3. مهندسی ویژگی: ساختن ستون‌های مفید، مثل فاصله از آخرین خرید.
4. تقسیم داده: بخشی برای آموزش و بخشی برای آزمون.
5. آموزش و ارزیابی: یک مدل ساده بسازید و با معیار مناسب بسنجید.
6. استقرار و پایش: مدل در عمل کم‌کم قدیمی می‌شود و باید پایش شود.

اگر پروژه‌ی داده‌محور دارید، بخش تحلیل داده ما می‌تواند مرحله‌ی آماده‌سازی و بررسی اولیه را انجام دهد.

۰۴اولین مدل با scikit-learn

مثال زیر مجموعه‌داده‌ی داخلی تشخیص سرطان سینه را در کتابخانه‌ی scikit-learn (نصب با pip install scikit-learn) می‌خواند، داده را تقسیم می‌کند، یک جنگل تصادفی آموزش می‌دهد و گزارش دقت می‌گیرد. مجموعه‌داده فقط برای آموزش است و نباید از آن برای تصمیم پزشکی استفاده کرد.

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report

X, y = load_breast_cancer(return_X_y=True)

# keep class proportions equal in both splits
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, stratify=y, random_state=42)

model = RandomForestClassifier(n_estimators=200, random_state=42)
model.fit(X_train, y_train)

print(classification_report(y_test, model.predict(X_test)))

چند نکته: random_state نتیجه را تکرارپذیر می‌کند، stratify نسبت دسته‌ها را حفظ می‌کند و گزارش روی داده‌ای محاسبه شده که مدل ندیده است. برای اطلاعات بیشتر، مستندات scikit-learn مرجع خوبی است.

۰۵ارزیابی: دقت تنها کافی نیست

فرض کنید فقط ۲ درصد تراکنش‌ها تقلبی‌اند. مدلی که همیشه بگوید «سالم است» ۹۸ درصد دقت دارد و کاملاً بی‌فایده است. برای همین از معیارهای دیگری هم استفاده می‌کنیم:

• Precision: از مواردی که مدل «مثبت» گفت، چند درصد واقعاً مثبت بودند؟
• Recall: از مثبت‌های واقعی، چند درصد را پیدا کرد؟
• F1: میانگین هماهنگ این دو برای زمانی که هر دو مهم‌اند.
• MAE / RMSE: برای رگرسیون، متوسط خطای عددی.

انتخاب معیار یک تصمیم کسب‌وکاری است: در غربالگری بیماری، از دست‌دادن مورد واقعی (recall پایین) بدتر از هشدار اضافه است؛ در فیلتر هرزنامه برعکس، حذف ایمیل مهم گران‌تر تمام می‌شود.

۰۶اشتباه‌های رایج مبتدیان

• نشت داده (data leakage): ستونی که اطلاعات آینده را لو می‌دهد یا نرمال‌سازی روی کل داده پیش از تقسیم، نتیجه را به‌طرز گمراه‌کننده‌ای خوب نشان می‌دهد.
• بیش‌برازش (overfitting): مدل داده‌ی آموزشی را حفظ می‌کند ولی روی داده‌ی تازه بد عمل می‌کند. فاصله‌ی زیاد بین نمره‌ی آموزش و آزمون نشانه‌ی آن است.
• رفتن سراغ مدل پیچیده: رگرسیون لجستیک یا درخت ساده را اول امتحان کنید؛ اغلب کافی است و توضیح‌پذیرتر.
• نادیده‌گرفتن داده‌ی نامتوازن: در دسته‌های کم‌نمونه فقط به دقت نگاه نکنید.
• نداشتن پایش پس از استقرار: رفتار کاربران عوض می‌شود و مدل کم‌کم افت می‌کند.

۰۷قدم بعدی برای یادگیری و استفاده در کسب‌وکار

مسیر پیشنهادی برای شروع: پایتون و پانداس (برای کار با داده)، سپس scikit-learn برای مدل‌های کلاسیک، و بعد در صورت نیاز یادگیری عمیق. پروژه‌های کوچک واقعی مثل پیش‌بینی ریزش مشتری با داده‌ی خودتان از هر دوره‌ی تئوری مؤثرترند.

برای کسب‌وکارها هم پیش از ساخت مدل بپرسید آیا یک قاعده‌ی ساده یا گزارش خوب مشکل را حل نمی‌کند. اگر پاسخ منفی بود، اتوماسیون کسب‌وکار با هوش مصنوعی و خدمات هوش مصنوعی ما نقطه‌ی شروع خوبی هستند، و برای دیدن دورنمای کاربرد در برنامه‌نویسی هوش مصنوعی در توسعه‌ی نرم‌افزار را بخوانید.