این مقاله به روایت از دکتر Sridhar Mahadevan ، دکترای کامپیوتر از دانشگاه روتگرز (۱۹۹۰) ، استاد دانشگاه ماساچوست و مدیر آزمایشگاه علوم داده در San Jose میباشد.

کتاب اول Hofstadter

بگزارید ازهمان ابتدا به این سوال پاسخ دهیم : آیا یادگیری ماشین واقعا دشوار است؟ خیر.
من اولین برنامه ماشین لرنینگ خود را در سال ۱۹۸۲ نوشتم ، قبل از اینکه اینترنت ،GPU رایانه ، لپ تاپ ،گوگل ،تلفن همراه ، دوربین های دیجیتال و رایانه های شخصی رومیزی وجود داشته باشند و قبل ازاینکه تقریباً چیزی ازدنیای تکنولوژی که امروزه اطراف خود میبینید وجود داشته باشد.
پس چگونه وجود چنین چیزی را کشف کردم؟
در آن زمان ، برای یادگیری کتاب می خواندند. البته شما مجبور بودید به کتابخانه بروید ،البته در مورد من ، یک رویداد عجیب به نام نمایشگاه کتاب..من در یک نمایشگاه بزرگ کتاب در دهلی نو ، پایتخت هند شرکت کردم و یک کتاب ۸۰۰ صفحه ای و قطور را انتخاب کردم.در آن زمان، من در انستیتوی فناوری هند (کانپور) مشغول تحصیل در رشته مهندس برق بودم.

کتاب اول Hofstadter

به نظر من ، هنوز هم این کتاب بهترین است ، و برای من بسیار الهام بخش بود.
آن کتاب دنیای تخیلی کاملاً جدیدی را به تصویر میکشید که در آن پیوندهای عمیقی بین هنر ، موسیقی و ریاضی انتزاعی وجود دارد ، که توسط سه شخصیت اصلی – یوهان سباستین باخ ، موریس اسچر ، کورت گودل – و محاسباتی که شامل ماشین لرنینگ و هوش عصبی بود محقق شده بود.
این کتاب مجموعه ای از پازل های بصری را از یک محقق روسی به نام بونگارد نشان می دهد ، که در آن وظیفه کشف دستوری که به کمک آن شش چهره سمت چپ را از آنهایی که در سمت راست قرار دارند جدا کند. این یک مشکل اساسی در ماشین لرنینگ است که طبقه بندی یا classification نامیده میشود.و این کارهمانند تشخیص ایمیل ازهرزنامه یا تشخیص دادن یک چهره در یک تصویر میباشد .
ما به عنوان انسان، در طول زندگی میلیاردها بار محرک های حسی راطبقه بندی می کنیم و بقای ما به آین موضوع بستگی دارد. برای مثال هنگام عبورازیک جاده ، آیا شیء ای که به شما نزدیک میشود یک فرد است یا یک کامیون ؟ اگر پاسخ را اشتباه تشخیص دهید زندگی شما در واقع به پایان رسیده است و ذهن ما چنین مشکلاتی را به طرز شگفت انگیزی حل می کند.

classification

شروع یادگیری ماشین

شما رادعوت میکنم تا این کاررا انجام دهید ، من بدون هیچ آموزشی در این زمینه ، تصمیم گرفتم به طرز احمقانه ای این موضوع را هسته اصلی پایان نامه کارشناسی ارشد خود را قرار دهم.به نوعی من درعمل انجام شده قرار گرفتم و راه حلی را به دست آوردم ، هرچند بسیار ساده لوحانه به نظرمیرسید.
این تجربه باعث شد که متوجه شوم هوش مصنوعی و ماشین لرنینگ هدف زندگی من هستند ، و تصمیم گرفتم که در سال ۱۹۸۳ به آمریکا مهاجرت کنم وبسیار خوش شانس بودم که توانستم با محقق فرهیخته و با استعدادی به نام توماس میچل ، که اکنون معاون دانشگاه علوم کامپیوتر در دانشگاه Carnegie Mellon میباشد در این زمینه همکاری کنم.

Thomas Mitchell

از tom درس مهمی را آموختم. این که که هیچ کتابی نمی تواند شما را آموزش دهد. درعوض تحقیقات سرگرم کننده ودر عین حال بسیار آموزنده است.
او سخت تر از هر کسی که من ملاقات کرده بودم کارو تحقیق می کرد و این درس اثر بزرگی بر من گذاشت و از آن زمان تا کنون با من ماند.
پس از اخذ مدرک دکترا ، من در اواخر سال ۱۹۸۹ به IBM Watson Research در نیویورک پیوستم ، جایی که آنها نتوانستند تشخیص دهند که یک محقق ماشین لرنینگ برای چه کاری مناسب است بنابراین مرا به یک گروه روباتیک تازه تشکیل بردند. من هیچ زمینه ای در این حیطه نداشتم و هرگزیک ربات را برنامه نویسی نکرده بودم.

رباتیک
ولی به نظر می رسید که من در این چالش تا حدودی موفق بودم و به نوشتن برخی از مقالات با استناد به تحقیقات قبلی خود پرداختم، برای مثال چگونه روبات ها می توانند با استفاده از زمینه یادگیری تقویتی رفتارهای جدیدی را بدست آورند. همچنین در سال ۱۹۹۳ اولین کتاب در زمینه یادگیری روبات ها را منتشر کردم ، که شامل تحقیقاتی از سراسر جهان در زمینه هوش مصنوعی بود و با وجود نداشتن هیچ پیش زمینه ای دررباتیک ، موفق شدم شهرتی نسبی دراین زمینه کسب کنم.

سالها بعد، من به عنوان عضو منتخب انجمن AAAI ( پیشرو در جامعه حرفه ای بین المللی برای محققان هوش مصنوعی ) انتخاب شدم  که در آن هر ساله تعداد محدودی ازمحققان انتخاب می شوند و رقابت شدید است.
اعضای AAAI امسال و در ۲۰۲۰ شامل برخی از بنیانگذاران انقلاب یادگیری عمیق (دیپ لرنینگ) میباشد: یوشوا بنگیو ، و یان لو کون.

اعضای AAAI

لیست اعضاء AAAI همواره شامل برخی ازبزرگترین محققان هوش مصنوعی و یادگیری ماشین است ، و من بسیار خوش شانس بوده ام که در چنین انجمن ممتازی قرار گرفتم.
هیچ یک از این اتفاق ها نمی افتاد اگردر همان سال ۱۹۸۲ ، فکر می کردم انجام ماشین لرنینگ بدون آموزش رسمی دراین زمینه ، با محاسبات بدوی یا فعالیت درزمینه یادگیری روبات در IBM آن هم بدون آموزش رباتیک ، دشوارو امکان پذیر میباشد.

توصیه های من 

برای آن دسته از محققان جوان مشتاق که این مطلب را  می خوانند ، بهترین توصیه ای که می توانم کنم این است که اگر خودتان را به چالش بکشید و شروع کنید، هیچ چیز “دشوار” نیست. مهمتر از همه ، به یاد داشته باشید: تحقیقات بسیارسرگرم کننده و جذاب است!
برای سالهای بسیاری، از سال ۲۰۰۱ تا ۲۰۱۱ ، من به عنوان یكی از پیشگامان یادگیری تقویتی درآزمایشگاهی در دانشگاه ماساچوست مشغول بودم .Andrew Barto و دانشجوی دکترای وی  Rich Sutton همکاران من بوده و به ایجاد زمینه مدرن RL ، فضایی که زمینه ساز Deep Mind و Alpha Go Zero بود ، کمک کردند.
اندی و ریچ تجسم روح واقعی پژوهشگران را داشتند و ازپژوهش لذت می برند و همکاری با آنها بهترین تجربه حرفه ای در کار من بود.آن ها در آزمایشگاه علامتی را بر روی درب اصلی آویزان کردند که نقل قول یکی از برجسته ترین دانشمندان همه زمان ها ، آلبرت انیشتین بود :

آلبرت انیشتین

که بیانگر ابن بود که “تحقیقات نیازی به تخصص ندارند” انیشتین در حقیقت از دانش کتاب درسی متنفربود. مهمتر از همه ، او ارزش بسیاری برای توانایی رویا پردازی و تخیل قائل بود. او به والدین دانش آموزان توصیه کرده بود :اگر می خواهید فرزندان خود را باهوش کنید ، داستان های پری و جادوگری را به آنها یاد دهید.

هم اکنون با آخرین بیماری همه گیر ، کورونا ویروس ووهان می جنگیم و بزرگترین سلاحی که در اختیارداریم ،توانایی ما درشناسایی توالی ژنوم ویروس است.
بزرگترین پیشرفتی که درزیست شناسی قرن بیستم از طرف واتسون و کریک ، دو زیست شناس بی نظیرایجاد شد و دنیای زیست شناسی را ترقی دادند آن هم با تفریح و سرگرمی!
Watson در ادامه به نوشتن یک گزارش بسیار محبوب از کشف خود با نام Double Helix اشاره کرد. در آن گزارش وی داستان اینكه چگونه آنها توسط محققان برجسته ، مانند اسوالد اوری از دانشگاه كلمبیا رسوا شدند، وقتی وی فهمید كه آنها حتی بیوشیمی ابتدایی را نمی شناسند را گفته بود.

Double Helix ا
با این حال ،آن ها با بازی با مدل های سه بعدی و سرقت از مجموعه داده های جمع آوری شده Rosalind Franklin و با انجام کارهایی که از آن لذت میبردند وبرایشان سرگرم کننده بود راززندگی را شکستند!

بنابراین ، در پایان، مجددا  پاسخ من این است : نه ،یادگیری ماشین دشوار نیست. سرگرم کننده است! بنابراین ، پیش بروید، کاوش کنید و یک ذهن باز برای یادگیری داشته باشید.

برخی از پروژه های جالب را پیدا کنید که نیاز به مهارت یادگیری ماشینی دارد ،تا انگیزه ای برای یادگیری آن داشته باشید و خود را به چالش بکشید.

منابع مفید برای آشنایی با ماشین لرنینگ

میتوانید در ابتدا از منابع زیر استفاده نموده تا درک مناسبی از ماشین لرنینگ کسب نمایید و سپس کاوش در برنامه های کاربردی یادگیری ماشین را شروع کرده و سعی کنید پروژه های مورد نظر خود را بسازید.

  • دوره اندرو پوکر در یادگیری ماشین – یادگیری ماشین | کورسرا
  • سخنرانی های Caltech در زمینه یادگیری ماشین – دوره یادگیری ماشین YouTube – CS 156 
  • سخنرانی های ویدیویی Nptel – آشنایی با یادگیری ماشین NPTEL پروفسور S. Sarkar IIT  – YouTube
  • (اختیاری ، در صورت علاقه به شبکه های عصبی) یادگیری عمیق توسط Simon haykins – https: //cours.etsmtl.ca/sys843/R …

همچنین میتوانید در دوره های  ۴۴ ساعته حضوری آکادمی آمانج (کانون کارآفرینی دانشگاه تهران) جهت آموزش یادگیری ماشین تخصصی به همراه سرفصلهای به روز و متناسب با بازارکار یادگیری ماشین و هوش مصنوعی و جلسات عملی و پروژه محور و در نهایت کار با داده های واقعی و پروژه واقعی از طریق شرکت فناوری های فناپ با تدریس بی نظیر مهندس ابوالفضل  شرکت نمایید.