تاریخچه یادگیری ماشین

اسکچ‌نوت توسط Tomomi Imura

آزمون پیش از درس

🎥 روی تصویر بالا کلیک کنید تا ویدئوی کوتاهی درباره این درس مشاهده کنید.

در این درس، به بررسی نقاط عطف مهم در تاریخچه یادگیری ماشین و هوش مصنوعی خواهیم پرداخت.

تاریخچه هوش مصنوعی (AI) به عنوان یک حوزه علمی با تاریخچه یادگیری ماشین در هم تنیده است، زیرا الگوریتم‌ها و پیشرفت‌های محاسباتی که پایه یادگیری ماشین را تشکیل می‌دهند، به توسعه هوش مصنوعی کمک کرده‌اند. لازم است به یاد داشته باشیم که اگرچه این حوزه‌ها به عنوان زمینه‌های تحقیقاتی مستقل از دهه ۱۹۵۰ شکل گرفتند، کشفیات مهم الگوریتمی، آماری، ریاضیاتی، محاسباتی و تکنیکی پیش از این دوره و در طول آن رخ داده‌اند. در واقع، انسان‌ها صدها سال است که به این سوالات فکر می‌کنند. این مقاله به بررسی پایه‌های فکری تاریخی ایده "ماشین فکر کننده" می‌پردازد.

کشفیات برجسته

۱۷۶۳، ۱۸۱۲ قضیه بیز و پیشینیان آن. این قضیه و کاربردهای آن پایه استنتاج را تشکیل می‌دهند و احتمال وقوع یک رویداد را بر اساس دانش قبلی توصیف می‌کنند.
۱۸۰۵ نظریه کمترین مربعات توسط ریاضیدان فرانسوی آدرین-ماری لژاندر. این نظریه که در واحد رگرسیون یاد خواهید گرفت، به تطبیق داده‌ها کمک می‌کند.
۱۹۱۳ زنجیره‌های مارکوف، نام‌گذاری شده به افتخار ریاضیدان روسی آندری مارکوف، برای توصیف دنباله‌ای از رویدادهای ممکن بر اساس حالت قبلی استفاده می‌شود.
۱۹۵۷ پرسیپترون نوعی طبقه‌بند خطی است که توسط روانشناس آمریکایی فرانک روزنبلات اختراع شد و پایه پیشرفت‌های یادگیری عمیق را تشکیل می‌دهد.

۱۹۶۷ نزدیک‌ترین همسایه الگوریتمی است که در ابتدا برای نقشه‌برداری مسیرها طراحی شده بود. در زمینه یادگیری ماشین برای تشخیص الگوها استفاده می‌شود.
۱۹۷۰ پس‌انتشار برای آموزش شبکه‌های عصبی پیش‌خور استفاده می‌شود.
۱۹۸۲ شبکه‌های عصبی بازگشتی شبکه‌های عصبی مصنوعی مشتق شده از شبکه‌های عصبی پیش‌خور هستند که نمودارهای زمانی ایجاد می‌کنند.

✅ کمی تحقیق کنید. چه تاریخ‌های دیگری به عنوان نقاط عطف در تاریخچه یادگیری ماشین و هوش مصنوعی برجسته هستند؟

۱۹۵۰: ماشین‌هایی که فکر می‌کنند

آلن تورینگ، فردی واقعاً خارق‌العاده که در سال ۲۰۱۹ توسط عموم مردم به عنوان بزرگ‌ترین دانشمند قرن بیستم انتخاب شد، به عنوان کسی که به ایجاد مفهوم "ماشینی که می‌تواند فکر کند" کمک کرد، شناخته می‌شود. او با مخالفان و نیاز خود به شواهد تجربی برای این مفهوم دست و پنجه نرم کرد و بخشی از این تلاش‌ها را با ایجاد آزمون تورینگ انجام داد که در درس‌های پردازش زبان طبیعی (NLP) به آن پرداخته خواهد شد.

۱۹۵۶: پروژه تحقیقاتی تابستانی دارتموث

"پروژه تحقیقاتی تابستانی دارتموث در زمینه هوش مصنوعی یک رویداد مهم برای هوش مصنوعی به عنوان یک حوزه علمی بود" و در اینجا بود که اصطلاح "هوش مصنوعی" ابداع شد (منبع).

هر جنبه‌ای از یادگیری یا هر ویژگی دیگر هوش به طور اصولی می‌تواند به گونه‌ای دقیق توصیف شود که یک ماشین بتواند آن را شبیه‌سازی کند.

محقق اصلی، پروفسور ریاضیات جان مک‌کارتی، امیدوار بود "بر اساس این فرضیه پیش برود که هر جنبه‌ای از یادگیری یا هر ویژگی دیگر هوش به طور اصولی می‌تواند به گونه‌ای دقیق توصیف شود که یک ماشین بتواند آن را شبیه‌سازی کند." شرکت‌کنندگان شامل یکی دیگر از بزرگان این حوزه، ماروین مینسکی، بودند.

این کارگاه به آغاز و تشویق چندین بحث از جمله "ظهور روش‌های نمادین، سیستم‌های متمرکز بر حوزه‌های محدود (سیستم‌های خبره اولیه)، و سیستم‌های استنتاجی در مقابل سیستم‌های استقرایی" اعتبار داده شده است (منبع).

۱۹۵۶ - ۱۹۷۴: "سال‌های طلایی"

از دهه ۱۹۵۰ تا اواسط دهه ۷۰، خوش‌بینی زیادی وجود داشت که هوش مصنوعی می‌تواند بسیاری از مشکلات را حل کند. در سال ۱۹۶۷، ماروین مینسکی با اطمینان بیان کرد که "در یک نسل ... مشکل ایجاد 'هوش مصنوعی' به طور قابل توجهی حل خواهد شد." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)

تحقیقات پردازش زبان طبیعی شکوفا شد، جستجو بهبود یافت و قدرتمندتر شد، و مفهوم "جهان‌های کوچک" ایجاد شد، جایی که وظایف ساده با استفاده از دستورالعمل‌های زبان ساده انجام می‌شد.

تحقیقات توسط آژانس‌های دولتی به خوبی تأمین مالی شد، پیشرفت‌هایی در محاسبات و الگوریتم‌ها صورت گرفت، و نمونه‌های اولیه ماشین‌های هوشمند ساخته شدند. برخی از این ماشین‌ها شامل موارد زیر هستند:

ربات شیکی، که می‌توانست به طور هوشمند حرکت کند و تصمیم بگیرد که چگونه وظایف را انجام دهد.

شیکی در سال ۱۹۷۲

الیزا، یک "چتر‌بات" اولیه، می‌توانست با مردم گفتگو کند و به عنوان یک "درمانگر" ابتدایی عمل کند. در درس‌های NLP بیشتر درباره الیزا خواهید آموخت.

نسخه‌ای از الیزا، یک چتر‌بات

"جهان بلوک‌ها" نمونه‌ای از یک جهان کوچک بود که در آن بلوک‌ها می‌توانستند انباشته و مرتب شوند، و آزمایش‌هایی در آموزش ماشین‌ها برای تصمیم‌گیری انجام می‌شد. پیشرفت‌هایی که با کتابخانه‌هایی مانند SHRDLU ساخته شدند، به پیشبرد پردازش زبان کمک کردند.

🎥 روی تصویر بالا کلیک کنید تا ویدئویی درباره جهان بلوک‌ها با SHRDLU مشاهده کنید.

۱۹۷۴ - ۱۹۸۰: "زمستان هوش مصنوعی"

تا اواسط دهه ۱۹۷۰، مشخص شد که پیچیدگی ساخت ماشین‌های "هوشمند" کمتر از حد تصور شده و وعده‌های آن، با توجه به قدرت محاسبات موجود، بیش از حد بزرگ‌نمایی شده است. بودجه کاهش یافت و اعتماد به این حوزه کاهش یافت. برخی از مشکلاتی که بر اعتماد تأثیر گذاشتند شامل موارد زیر بودند:

محدودیت‌ها. قدرت محاسباتی بسیار محدود بود.
انفجار ترکیبی. تعداد پارامترهایی که باید آموزش داده می‌شدند به صورت نمایی افزایش یافت، بدون اینکه قدرت و قابلیت محاسباتی به موازات آن تکامل یابد.
کمبود داده. کمبود داده فرآیند آزمایش، توسعه و اصلاح الگوریتم‌ها را مختل کرد.
آیا سوالات درستی می‌پرسیم؟. خود سوالاتی که مطرح می‌شدند مورد سوال قرار گرفتند. محققان شروع به دریافت انتقاداتی درباره رویکردهای خود کردند:
- آزمون‌های تورینگ با نظریه‌هایی مانند "اتاق چینی" زیر سوال رفتند که مطرح می‌کردند "برنامه‌ریزی یک کامپیوتر دیجیتال ممکن است باعث شود که به نظر برسد زبان را می‌فهمد، اما نمی‌تواند فهم واقعی ایجاد کند." (منبع)
- اخلاق معرفی هوش‌های مصنوعی مانند "درمانگر" الیزا به جامعه به چالش کشیده شد.

در همین زمان، مدارس مختلف هوش مصنوعی شروع به شکل‌گیری کردند. یک دوگانگی بین روش‌های "شلوغ" و "مرتب" ایجاد شد. آزمایشگاه‌های شلوغ برنامه‌ها را تا رسیدن به نتایج مطلوب تنظیم می‌کردند. آزمایشگاه‌های مرتب "بر منطق و حل مسئله رسمی تمرکز داشتند". الیزا و SHRDLU سیستم‌های شلوغ شناخته‌شده‌ای بودند. در دهه ۱۹۸۰، با ظهور تقاضا برای قابل‌تکرار بودن سیستم‌های یادگیری ماشین، رویکرد مرتب به تدریج پیشرفت کرد زیرا نتایج آن قابل توضیح‌تر بودند.

سیستم‌های خبره دهه ۱۹۸۰

با رشد این حوزه، مزایای آن برای کسب‌وکارها واضح‌تر شد و در دهه ۱۹۸۰ سیستم‌های "خبره" گسترش یافتند. "سیستم‌های خبره از اولین اشکال واقعاً موفق نرم‌افزار هوش مصنوعی (AI) بودند." (منبع).

این نوع سیستم در واقع ترکیبی است، که بخشی از آن شامل یک موتور قوانین برای تعریف نیازهای کسب‌وکار و یک موتور استنتاج است که از سیستم قوانین برای استنتاج حقایق جدید استفاده می‌کند.

این دوره همچنین شاهد توجه بیشتر به شبکه‌های عصبی بود.

۱۹۸۷ - ۱۹۹۳: "سردی هوش مصنوعی"

گسترش سخت‌افزارهای تخصصی سیستم‌های خبره اثر ناخوشایندی داشت و بیش از حد تخصصی شد. ظهور کامپیوترهای شخصی نیز با این سیستم‌های بزرگ، تخصصی و متمرکز رقابت کرد. دموکراتیزه شدن محاسبات آغاز شد و در نهایت راه را برای انفجار مدرن داده‌های بزرگ هموار کرد.

۱۹۹۳ - ۲۰۱۱

این دوره شاهد عصر جدیدی برای یادگیری ماشین و هوش مصنوعی بود که توانست برخی از مشکلات ناشی از کمبود داده و قدرت محاسباتی را حل کند. مقدار داده‌ها به سرعت افزایش یافت و در دسترس‌تر شد، چه خوب و چه بد، به ویژه با ظهور گوشی‌های هوشمند در حدود سال ۲۰۰۷. قدرت محاسباتی به صورت نمایی گسترش یافت و الگوریتم‌ها نیز همراه با آن تکامل یافتند. این حوزه شروع به بلوغ کرد زیرا روزهای آزاد گذشته به تدریج به یک رشته واقعی تبدیل شدند.

اکنون

امروزه یادگیری ماشین و هوش مصنوعی تقریباً هر بخش از زندگی ما را لمس می‌کنند. این دوره نیازمند درک دقیق خطرات و اثرات بالقوه این الگوریتم‌ها بر زندگی انسان‌ها است. همان‌طور که برد اسمیت از مایکروسافت بیان کرده است: "فناوری اطلاعات مسائلی را مطرح می‌کند که به قلب حفاظت از حقوق اساسی انسانی مانند حریم خصوصی و آزادی بیان می‌پردازد. این مسائل مسئولیت شرکت‌های فناوری که این محصولات را ایجاد می‌کنند را افزایش می‌دهد. به نظر ما، این مسائل همچنین نیازمند مقررات دولتی متفکرانه و توسعه هنجارهایی در مورد استفاده‌های قابل قبول هستند." (منبع).

هنوز مشخص نیست آینده چه چیزی در انتظار دارد، اما مهم است که این سیستم‌های کامپیوتری و نرم‌افزارها و الگوریتم‌هایی که اجرا می‌کنند را درک کنیم. امیدواریم این برنامه درسی به شما کمک کند تا درک بهتری پیدا کنید تا بتوانید خودتان تصمیم بگیرید.

🎥 روی تصویر بالا کلیک کنید تا ویدئویی درباره تاریخچه یادگیری عمیق توسط یان لکون مشاهده کنید.

🚀چالش

یکی از این لحظات تاریخی را بررسی کنید و درباره افراد پشت آن بیشتر بیاموزید. شخصیت‌های جذابی وجود دارند و هیچ کشف علمی هرگز در یک خلاء فرهنگی ایجاد نشده است. چه چیزی کشف می‌کنید؟

آزمون پس از درس

مرور و مطالعه شخصی

مواردی برای مشاهده و گوش دادن:

این پادکست که در آن امی بوید درباره تکامل هوش مصنوعی صحبت می‌کند

تکلیف

یک خط زمانی ایجاد کنید

سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما تلاش می‌کنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌ها باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، توصیه می‌شود از ترجمه حرفه‌ای انسانی استفاده کنید. ما مسئولیتی در قبال سوء تفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.

18 KiB Raw Blame History