‫یادگیری ماشینی چیست؟‬

‫بوده و این در حالی )هوش مصنوعی( ‪ Artificial Intelligence‬یکی از زیرشاخه‌های )یادگیری ماشینی( ‪Machine Learning‬‬
‫است که یکی از اهداف یادگیری ماشینی درک ساختار دیتا و سپس قرار دادن دیتا در مدل‌هایی است که برای سیستم‪ ‬قابل‌فهم و استفاده‬
‫باشد‪ .‬در واقع‪ ،‬اگر سیستمی بتواند به صورت خودکار از محیط پیرامونش درس گرفته و عملکرد خود را بهبود بخشد‪،‬‬
‫‪.‬می‌گوییم‪ ‬یادگیری‪ ‬توسط آن سیستم صورت گرفته است‬

‫‪   ‬اولین کسی باشید که به این سٔوال پاسخ می‌دهید‬

‫هرچند یادگیری ماشینی یکی از رشته‌های علوم کامپیوتر است‪ ،‬اما با روش‌های محاسباتی مرسوم و رایج در این علم تفاوت‌هایی دارا‬
‫است‪ .‬در روش‌های محاسباتی رایج‪ ‌،‬الگوریتم‌ها به صورت مجموعه‌ای از دستورات صریح و مشخص به منظور انجام محاسبات و یا‬
‫حل مسئله و با هدف اجرا در کامپیوترها نوشته می‌شوند اما در یادگیری ماشینی سیستم‌ها با دریافت ورودی‌های مختلف و انجام‬
‫تحلیل‌های آماری برای ایجاد خروجی‌هایی در یک باز ٔه‌ آماری مشخص‪ ،‬خود اقدام به‪ ‬یادگیری‪ ‬می‌کنند و از همین روی یادگیری‬
‫ماشینی این امکان را برای کامپیوترها فراهم می‌کند تا پس از دریافت دیتای نمونه و مدل‌سازی آن‪ ،‬به طور خودکار قادر به انجام‬
‫‪.‬در مورد داده‌های‪ ‬ورودی جدید باشند )تصمیم‌گیری( ‪ Decision Making‬فرایند‬

‫امروزه در اغلب تکنولوژی‌ها از یادگیری ماشینی استفاده می‌شود‪ .‬برای مثال‪ ،‬می‌توان به تکنولوژی تشخیص چهره‪ ،‬تکنولوژی تبدیل‬
‫تصویر به متن و … اشاره نمود و به عنوان نمونه کاربردهای پیشرفته‌تر هم می‌توان به خودروهای خودران (بدون راننده) اشاره‬
‫‪.‬کرد که قادر هستند با استفاده از یادگیری ماشینی مسیریابی انجام دهند و در حین رانندگی تصمیمی درست اتخاذ کنند‬

‫یادگیری ماشینی یک حوز ٔه همواره در حال گسترش است و آنچه در این مقاله مد نظر‪ ‬خواهیم داشت‪ ،‬نگاهی به روش‌های رایج در‬
‫و )نظارت‌نشده( ‪)، Unsupervised‬نظارت‌شده( ‪ Supervised‬یادگیری ماشینی خواهیم انداخت که در سه بخش یادگیری‬
‫تقسیم‌بندی می‌شوند و پس از آن رویکردهای الگوریتمی معمول در یادگیری ماشینی را مورد بررسی )تقویت شده( ‪Reinforcement‬‬
‫قرار می‌دهیم و در انتها هم نقاط قوت هر یک از معمول‌ترین زبان‌های مورد استفاده در یادگیری ماشینی را نیز مورد بررسی قرار‬
‫‪.‬خواهیم داد‬

‫در یادگیری ماشینی‪َ ،‬تسک‌ها بر مبنای روش یادگیری و یا به عبارتی بر اساس نحؤ‌ه فیدبک‌دهی به سیستم در حین یادگیری در چند‬
‫‪:‬گروه عمده تقسیم‌بندی می‌شوند‪ .‬به طور کلی‪ ،‬سه روش اصلی در یادگیری ماشینی مورد استفاده قرار می‌گیرد که عبارتند از‬

‫)یادگیری نظارت‌شده( ‪Supervised Learning‬‬

‫ً‬
‫به منظور آموزش الگوریتم در یادگیری نظارت‌شده‪ ،‬دیتایی به عنوان ورودی اولیه در اختیار سیستم قرار می‌گیرد که قبال توسط‬
‫شده‌ است و از همین روی ورودی‌ها و )برچسب‌زده( ‪ Labeled‬عامل انسانی با خروجی مطلوب و مورد انتظار به اصطالح‬
‫‪.‬خروجی‌های مطلوب متناظر با آن‌ها به صورت جفت‌های ورودی‪/‬خروجی در اختیار سیستم قرار می‌گیرند‬

‫هدف از ارائ ٔه این جفت‌‌های ورودی‪/‬خروجی این است که الگوریتم با مقایس ٔه پاسخ درست که از پیش تعیین شده است و پاسخی که‬
‫خود پیش‌بینی کرده‪ ،‬خطاهای موجود را شناسایی کند و به این ترتیب برای ایجاد خروجی‌های بعدی آموزش دیده و مدل مورد استفاد ٔه‌‬
‫خود را بر اساس این آموزش‌ها اصالح نماید و فرایند آموزش تا زمانی که مدل پیش‌بینی الگوریتم به دقت کافی برسد و نتایج پیش‌بینی‬
‫با نتیج ٔه از قبل تعیین شده یکسان باشند ادامه خواهد یافت و از همین روی در یادگیری نظارت‌شده سیستم پس از آموزش دیدن و با‬
‫بدون( ‪ Unlabeled‬استفاده از الگوهایی که در طی آموزش ایجاد نموده‪ ،‬قادر خواهد بود تا در مواجهه با دیتای به اصطالح‬
‫‪ Regression ،Decision Tree‬از جمله الگوریتم‌های یادگیری نظارت‌شده می‌توان به( خروجی مناسب‪ J‬را پیش‌بینی نماید ‪)،‬برچسب‪J‬‬
‫)‪.‬اشاره نمود ‪ Logistic Regression‬و ‪،Random Forest ،KNN‬‬

‫به عنوان مثال‪ ،‬فرض کنید در این روش الگوریتم یادگیری با تصاویری از ماهی و تصاویری از اقیانوس که به ترتیب تحت عنوان‬
‫برچسب‌دار شده‌اند‪ ،‬مورد آموزش قرار گیرد‪ .‬این الگوریتم پس از آموزش دیدن با این تصاویر و برچسب‌ها‪ ،‬قادر ‪ Ocean‬و ‪Fish‬‬
‫مورد شناسایی قرار داده و این تصاویر ‪ Ocean‬و‪ Fish ‬خواهد بود تا تصاویر بدون برچسب ماهی و اقیانوس را به ترتیب به عنوان‬
‫‪.‬را با برچسب تصاویری که با آن‌ها آموزش دیده یکسان قلمداد کند‬

‫یکی از کاربردهای رایج یادگیری نظارت‌شده زمانی است که با استفاده از اطالعات گذشته قرار است اتفاقات‪ J‬آیند ٔه نزدیک مورد‬
‫پیش‌بینی قرار گیرند‪ .‬به عنوان مثال‪ ،‬با این روش می‌توان اطالعات چند ماه یا چند هفت ٔه اخیر بازار سهام را برای پیش‌بینی نواسانات‪J‬‬
 ‫بازار در هفته‌ها و ماه‌های آتی‪ ‬مورد استفاده قرار داد‪ .‬یک نمون ٔه دیگر استفاده از این الگوریتم نیز در تشخیص ایمیل‌های اسپم‬
‫‪(.‬هرزنامه) از غیر اسپم است‬

‫)یادگیری نظارت‌نشده( ‪Unsupervised Learning‬‬

‫در یادگیری نظارت‌نشده‪ ،‬دیتای ورودی فاقد هرگونه برچسب است و از همین روی هم الگوریتم یادگیری به دنبال مشابهت‌ها و‬
‫ویژگی‌های مشترک دیتای ورودی می‌گردد و از آنجا که داده‌های بدون برچسب معمول‌تر و فراگیرتر از داده‌های برچسب‌دار هستند‪،‬‬
‫این روش یادگیری از اهمیت ویژه‌ای برخوردار است‪ .‬به عبارتی‪ ،‬هدف یادگیری نظارت‌نشده شناسایی الگوی‌های پنهان موجود در‬
‫مجموع ٔه داده‌های فاقد‪ J‬برچسب است‪ .‬در واقع‪ ،‬با استفاده از الگوریتم‌های یادگیری نظارت‌نشده‪ ،‬سیستم قادر خواهد بود تا ویژگی‌های‬
‫‪.‬داده‌های‪ ‬مختلف را شناسایی نموده و از این ویژگی‌ها برای دسته‌بندی داده‌های مد نظر استفاده نماید‬

‫این روش یادگیری عمدتا ً در مورد داده‌های تجاری مورد استفاده قرار می‌گیرد‪ .‬به عنوان مثال‪ ،‬ممکن است مجموعه‌ای از اطالعات‬
‫مشتری‌های یک شرکت شامل مشخصات فردی آن‌ها و فهرست خرید‌های ایشان در دسترس باشد‪ .‬هر چند این اطالعات ممکن است‬
‫جامع و کامل باشند‪ ،‬اما شناسایی الگوی موجود در این داده‌ها حداقل به راحتی امکان‌پذیر نیست و برای تشخیص الگوی پنهان موجود‬
‫‪ K-‬و ‪ (Apriori algorithm‬وارد نمود‪ Unsupervised ‬در چنین داده‌هایی می‌توان آن‌ها را به یک الگوریتم یادگیری به اصطالح‬
‫)‪.‬مثال‌هایی از الگوریتم‌های یادگیری نظارت‌نشده هستند ‪means‬‬

‫در مثال فوق‪ ،‬با به‌کارگیری الگوریتم یادگیری نظارت‌نشده ممکن است در نهایت مشخص شود که مثالً خانم‌هایی که در یک باز ٔه سنی‬
‫خاص قرار دارند و صابون بدون‌بو خریداری نموده‌اند‪ ‌،‬احتماالً باردار هستند‪ .‬بدین ترتیب با شناسایی این الگو و از آنجا که این‬
‫مشتریان احتماالً به محصوالت مرتبط با دوران بارداری و پس از بارداری نیاز دارند‪ ،‬اگر پیشنهادات‪ J‬مرتبط با بارداری و مراقبت‬
‫‪. ‬نوزاد نیز در اختیار این دسته از مشتریان قرار گیرد‪ ،‬احتمال خرید این محصوالت باالتر خواهد رفت‬

‫)یادگیری تقویتی( ‪Reinforcement Learning‬‬

‫در یادگیری تقویتی‪ ،‬الگوریتم با وارد شدن به چرخ ٔه آزمون و خطا می‌آموزد که تصمیمات مشخصی را اتخاذ نماید و به این ترتیب با‬
‫‪ (Markov‬توجه به تصمیمات‪ J‬قبلی‪ ،‬پیش‌بینی‌ها و تصمیمات بعدی خود را‪ ‬اصالح‪ ‬نموده و به طور پیوسته در حال آموختن است‬
‫)‪.‬یکی از الگوریتم‌های یادگیری تقویتی است ‪Decision Process‬‬

‫برای روشن‌تر شدن مطلب و به عنوان یک مثال کاربردی‪ ،‬می‌توان ربات فوتبالیستی را در نظر گرفت که با قرار گرفتن در‬
‫موقعیت‌های مختلف و اتخاذ تصمیم‌های متناسب با این موقعیت‌ها و رفع تدریجی خطاهای خود‪ ،‬سرانجام می‌آموزد که در هر‬
‫‪. ‬موقعیتی‪ ‬درست‌ترین‪ ‬تصمیم را برای شوت زدن بگیرد‬

‫‪ ‬درآمدی بر ارتباط مابین یادگیری ماشینی و آمار‬

‫از آنجا که مقول ٔه یادگیری ماشینی ارتباط نزدیکی با آمار دارد‪ ،‬آشنایی با مفاهیم آماری در درک و به‌کارگیری الگوریتم‌های یادگیری‬
‫ماشینی نقش به‌سزایی خواهد داشت و از همین روی قبل از مطرح نمودن رایج‌ترین الگوریتم‌های یادگیری ماشینی‪ ،‬توضیح مختصری‬
‫‪.‬ارائه خواهیم داد )رگرسیون( ‪ Regression‬و )همبستگی( ‪ Correlation‬در مورد دو مفهوم آماری‬

‫عبارت است از میزان وابستگی دو متغییر نسبت به یکدیگر که با ضریبی به نام‪ ‬ضریب همبستگی‪ ‬نشان )همبستگی( ‪Correlation‬‬
‫داده می‌شود که مقدار آن عددی مابین‪ ۱ ‬و ‪ -۱‬است‪ .‬ضریب همبستگی ‪ ۰‬میان دو پارامتر به این معنا است که این پارامترها هیچ‌گونه‬
‫وابستگی نسبت به یکدیگر ندارند و هر چه‌قدر ضریب همبستگی دو پارامتر از ‪ ۰‬دورتر باشد‪ ،‬به معنای این است که تغییرات دو‬
‫‪.‬پارامتر وابستگی بیشتری به یکدیگر دارند‬

‫مثبت بودن ضریب همبستگی هم به این معنا است که اگر یکی از دو پارامتر افزایش یابد‪ ،‬دیگری نیز افزایش خواهد یافت و اگر یکی‬
‫از آن‌ها کاهش یابد‪ ،‬دیگری نیز کاهش خواهد یافت اما منفی بودن ضریب همبستگی به معنای وابستگی معکوس میان دو پارامتر‬
‫است‪ .‬به عبارت دیگر‪ ،‬اگر یکی از آن‌ها کاهش پیدا کند‪ ،‬دیگری افزایش می‌یابد و اگر یکی افزایش پیدا کند‪ ،‬دیگری کاهش خواهد‬
‫یافت‪ .‬به عنوان مثال‪ ،‬همبستگی میان قد و وزن انسان‌ها معموالً یک همبستگی مثبت است و هر چه قد افراد بلندتر باشد‪ ،‬وزن آن‌ها‬
‫نیز بیشتر است (البته همواره استثناءهایی وجود خواهد داشت‪).‬‬

‫در لغت به معنای «بازگشت»‪ ‬است‪ .‬هنگامی که دو متغیر با یکدیگر ‪  ‬همبستگی باالیی داشته باشند‪ ،‬رگرسیون پیش‌بینی‪Regression ‬‬
‫برای آشنایی بیشتر با برخی مفاهیم آماری و آشنایی( و بیان تغییرات یک متغیر بر اساس تغییرات متغیر دیگر را امکان‌پذیر می‌سازد‬
‫و زبان ‪ NumPy‬با نحو ٔه کدنویسی عملی در این خصوص‪ ،‬توصیه می‌کنیم به مقال ٔه‪ ‬درآمدی بر آمار با استفاده از الیبرری‬
‫)‪.‬مراجعه نمایید‪ Python ‬برنامه‌نویسی‬
 ‫آشنایی با الگوریتم‌های کاربردی در حوز ٔه یادگیری ماشینی‬
‫الگوریتم‌ها و رویکردهای به‌کاررفته در یادگیری ماشینی همواره در حال تغییر و پیشرفت‪ J‬هستند که در ادامه چند مورد از‬
‫‪.‬مرسوم‌ترین آن‌ها را مورد بررسی قرار داده‌ایم‬

‫این‪ ‬الگوریتم یک مدل شناسایی الگو است که هم در مورد طبقه‌بندی و هم در‪): ‬نزدیک‌ترین همسایه( ‪- K-nearest Neighbor‬‬
‫مورد تعیین رگرسیون داده‌ها قابل‌استفاده است‪ .‬برای استفاده از این الگوریتم الزم است تا یک مجموع ٔه داده و یک معیار برای‬
‫در این الگوریتم یک عدد صحیح مثبت و معموالً ‪.) K‬نیز باید تعیین شود ‪ K‬همچنین مقدار( محاسب ٔ‪J‬ه شباهت‌ها در دست داشته باشیم‬
‫مناسب‌تر است‪ .‬برای روشن‌تر شدن مطلب به این ‪ K‬کوچک است و این در حالی است که معموالً در نظر گرفتن مقادیر فرد برای‬
‫‪.‬مثال توجه کنید‬

‫در نمودار زیر دو دسته وجود دارد؛ یکی‪ ‬مربع‌های آبی‌ رنگ‪ ‬و دیگری‪ ‬ستاره‌های نارنجی‌ رنگ‪ .‬این اشکال در دو دست ٔه مجزا‬

‫‪:‬طبقه‌بندی شده‌اند که این دسته‌ها عبارتند از دست ٔه مربع و دست ٔه‌ ستاره‬

‫فرض کنیم مانند آنچه که در نمودار زیر دیده می شود‪ ،‬یک داد ٔه جدید به مجموع ٔه داده‌ها اضافه شود که در اینجا به شکل‪ ‬قلب سبز‬

‫‪:‬رنگ‪ ‬نشان داده شده است‬

‫را برابر با ‪ ۳‬در نظر ‪ K‬این داد ٔه جدید را در یکی از دو دست ٔ‌ه موجود قرار دهیم‪ .‬اگر ‪ K-NN،‬حال‪ ‬می‌خواهیم با استفاده از الگوریتم‬
‫بگیریم‪ ،‬این بدین‪ ‬معنا است که به الگوریتم گفته‌ایم که ‪ ۳‬مورد از نزدیک‌ترین همسایه‌های این دادٔ‌ه جدید را شناسایی کرده و سپس با‬
‫توجه به اینکه در بین این ‪ ۳‬مورد اعضای کدام دسته غالب است‪ ،‬داد ٔه جدید را در همان دسته قرار بدهد‪ .‬با توجه به نمودار زیر‬
‫می‌بینیم که نزدیک‌ترین همسایه‌های این داد ٔه جدید عبارتند از ‪ ۲‬ستاره و ‪ ۱‬مربع و از همین روی این دیتای جدید در دست ٔه ستاره‬

‫‪:‬طبقه‌بندی خواهد شد‬

‫در کاربرد‌های عمومی‪ ،‬درخت تصمیم به منظور نمایش دادن روند تصمیم‌گیری مورد استفاده‪): ‬درخت تصمیم( ‪- Decision Tree‬‬
‫قرار می‌گیرد اما این رویکرد در یادگیری ماشینی و کار با داده‌ها به عنوان یک مدل پیش‌بینی نیز به کار می‌رود‪ .‬هدف از‬
‫به‌کارگیری درخت تصمیم ایجاد مدلی است که بتواند بر مبنای داده‌های ورودی‪ ،‬تصمیم مورد نظر را اتخاذ نماید‪ .‬به عبارتی‪ ،‬در‬
‫درخت تصمیم داد ٔه اصلی بر مبنای شرایط مختلف به زیرشاخه‌هایی تقسیم می‌شود و این زیرشاخه‌ها نیز بسته به شرایط فرعی‌تر به‬
‫زیرشاخه‌های دیگری تقسیم می‌شوند و پروس ٔه تقسیم شدن تا زمانی ادامه می‌یابد که در یکی از شاخه‌ها‪ ‌،‬نتیج ٔه ایجاد شده با نتیج ٔه‬
‫‪.‬مورد نظر‪ ‬برابر‪ ‬شود‬

‫به مثال زیر که بسیار ساده و ابتدایی بوده و صرفا ً جهت روشن شدن مطلب ارائه شده است دقت کنید‪ .‬در این مثال‪ ،‬یک درخت‬
‫تصمیم ساده رسم شده است که می‌تواند در مورد رفتن یا نرفتن به ماهیگیری تصمیم بگیرد‪ .‬این درخت بر اساس شرایط مٔوثر در‬

‫‪:‬تعیین آب‌وهوا به سه زیرشاخه‪ J‬و سپس به زیرشاخه‌های دیگری تقسیم شده است‬

‫مشخص شود‪ ،‬شاخه‌ها دیگر به شاخه‌های جدیدی تقسیم ‪ No‬و یا ‪ Yes‬همان‌طور که در تصویر فوق‪ ‬مشاهده می‌شود‪ ،‬هنگامی که پاسخ‬
‫‪.‬نخواهند شد چرا که به هدف دست یافته‌ایم‬

‫زبان‌های برنامه‌نویسی مورد استفاده در یادگیری ماشینی‬

‫مناسب‌ترین زبان برای پیاده‌سازی الگوریتم‌های یادگیری ماشینی باشد و پس از آن‪ Python ‬به نظر می‌رسد که زبان برنامه‌نویسی‬
‫‪.‬را جزو گزینه‌های بعدی در نظر گرفت ‪ ++C‬و ‪ R ،Java‬می‌توان زبان‌های‬

‫پایتون‪ :‬محبوبیت این زبان در زمین ٔه یادگیری ماشینی شاید به دلیل افزایش تنوع فریمورک‌های مرتبط با هوش مصنوعی برای این ‪-‬‬
‫اشاره کرد‪ .‬همچنین دالیلی مانند سینتکس ساد ٔه زبان پایتون ‪ Keras‬و ‪ TensorFlow ،PyTorch‬زبان باشد که از آن جمله می‌توان به‬
‫در محبوب‌ بودنش بی‌تٔاثیر نبوده‌ است‪ .‬از دیگر عوامل محبوبیت این زبان در زمین ٔه‌ هوش مصنوعی می‌توان به قدرت و سرعت آن‬
‫توسعه یافته ‪ Matolotlib‬و ‪ Numby، SciPy‬که بر مبنای پکیج‌های ‪ Scikit-learn‬در کار با داده‌ها و تحلیل داده‌ها اشاره نمود‪ .‬مثالً‬
 ‫است‪ ،‬یکی از الیبرری‌های پایتون برای استفاده در زمین ٔه یادگیری ماشینی است (برای شروع یادگیری این زبان می‌توانید به‪ ‬دور ٔه‬
‫آموزش آنالین و رایگان پایتون‪ ‬در سکان آکادمی مراجعه نمایید‪).‬‬

‫جاوا‪ :‬زبان برنامه‌نویسی جاوا نیز توسط بسیاری از برنامه‌نویسان در سطوح تجاری و همچنین توسط برخی از برنامه‌نویسان با ‪-‬‬
‫هدف پیاده‌سازی الگوریتم‌های یادگیری ماشینی در پروژه‌های خود مورد استفاده قرار می‌گیرد‪ .‬هر چند این زبان برای دولوپرهایی که‬
‫به‌ تازگی شروع به یادگیری آن نموده‌اند زبان مناسبی برای اهداف یادگیری ماشینی نیست‪ ،‬اما برای دولوپرهایی که تسلط خوبی بر‬
‫این زبان دارند انتخاب خوبی تلقی می‌گردد‪ .‬زبان جاوا در برخی زمینه‌های یادگیری ماشینی مانند امنیت شبکه‪ ،‬تشخیص تقلب و‬
‫کالهبرداری و همچنین حفاظت در مقابل حمله‌های سایبری کاربرد دارد و از جمله الیبرری‌‌های این حوزه‌ هم می‌توان‬
‫اشاره کرد (برای شروع یادگیری زبان برنامه‌نویسی جاوا می‌توانید به‪ ‬دور ٔه آموزش آنالین و ‪ MALLET‬و‪ Deeplearning4j ‬به‬
‫رایگان جاوا‪ ‬در سکان آکادمی مراجعه نمایید‪).‬‬

‫آر‪  :‬زبان آر که ابتدا به ساکن با اهداف محاسبات آماری مورد استفاده قرار می‌گرفت به مرور در میان دولوپرها به محبوبیت رسید ‪-‬‬
‫و در محافل دانشگاهی نیز محبوبیت باالیی به دست آورد‪ .‬هر چند این زبان در محیط‌‌های صنعتی‪ ‬کاربرد زیادی ندارد اما به دلیل‬
‫پررنگ‌تر شدن اهمیت داده‌کاوی‪ ،‬شاهد کاربرد بیش از پیش آن در اپلیکیشن‌های صنعتی هم‪ ‬هستیم‪ .‬برای استفاده از این زبان در‬
‫‪.‬را به کار برد‪ e1071 ‬و ‪ caret ،randomForest‬یادگیری ماشینی می‌توان پکیج‌هایی مانند‬

‫سی‌پالس‌پالس‪  :‬این زبان نیز یکی از ابزارهای مناسب برای استفاده در حوز ٔه یادگیری ماشینی و هوش مصنوعی در زمینه‌هایی ‪-‬‬
‫ِمبدد و مهندسان الکترونیک هم به دلیل کارایی زبان‌هایی مانند‬
‫مانند ساخت گیم و ربات است‪ .‬توسعه‌دهندگان سخت‌افزار سیستم‌های ا ِ‬
‫بیشتر به استفاده از این زبان‌ها در یادگیری ماشینی عالقمندند چرا که این دو زبان به زبان ماشین (صفر و یک) ‪ ++C،‬و یا ‪C‬‬
‫نزدیک‌تر بوده و می‌توانند ارتباط بهتری با سخت‌افزار ایجاد کنند‪ .‬برخی از الیبری‌های مورد استفاده در هوش مصنوعی مناسب‬
‫‪ Shark.‬و ‪ mlpack ،Dlib‬هم عبارتند از ‪ ++C‬برای زبان‬

‫عالوه بر زبان‌های فوق‌الذکر‪ ،‬زبان‌های دیگری هم هستند که در حوز ٔه هوش مصنوعی مورد توجه قرار گرفته‌اند که برای آشنایی‬
‫بیشتر با آن‌ها می‌توانید به مقال ٔه‪ ‬معرفی زبان‌های برنامه‌نویسی مناسب‪ J‬برای یادگیری ماشینی‪ ‬مراجعه نمایید‪ .‬همچنین جهت آشنایی با‬
‫‪.‬فریمورک‌های رایج در این حوزه‪ ،‬می‌توانید به مقال ٔ‌ه‪ ‬معرفی برخی فریمورک‌های یادگیری ماشینی برای پایتون‪ ‬مراجعه نمایید‬

‫نتیجه‌گیری‬
‫یادگیری ماشینی و به طور کلی فناوری هوش مصنوعی امروزه جایگاه مهمی در علوم کامپیوتر به خود اختصاص داده و روز به‬
‫روز در حال گسترده‌تر شدن و پیشرفت است‪ .‬از آنجا که یادگیری ماشینی و جنبه‌های مختلف آن مقوله‌ای بسیار گسترده است‪ ‌،‬در این‬
‫‪.‬مقاله به ذکر خالصه‌ای از مفاهیم‪ ‌،‬کاربرد‌ها‪ ،‬روش‌ها‪ ،‬رویکرد‌ها و زبان‌های مورد استفاده در یادگیری ماشینی بسنده نمودیم‬

‫دکتر سیدمصطفی کالمی هریس‪ :‬یکی از دو بنیان‌گذار سازمان علمی‪-‬آموزشی فرادرس‪- ‬‬

‫دکتر اسماعیل آتش‌پز گرگری‪ :‬متخصص هوش‌مصنوعی‪ ،‬داده کاوی و دانش داده‪- ‬‬
‫‪ ‬دکتر محمود کریمیان‪ :‬متخصص در حوز ٔه هوش مصنوعی‪- ‬‬
‫علی امیری‪ :‬متخصص هوش مصنوعی و یادگیری ماشینی در گوگل‪- ‬‬
‫نغمه غزاله‪ :‬دکترای نوروساینس‪ ،‬متخصص ماشین لرنینگ و دیتا ساینس‪- ‬‬
‫مصطفی اجل‌لوییان‪ :‬متخصص یادگیری ژرف‪ ،‬پردازش متن و پردازش زبان طبیعی‪- ‬‬

‫اگر عالقمند به کسب اطالعات بیشتر پیرامون هوش مصنوعی‪ ،‬یادگیری ماشینی و دیگر حوزه‌های وابسته هستید‪ ،‬توصیه می‌کنیم به‬
‫‪.‬پادکست‌های فوق از رادیو فول‌استک سکان آکادمی که با متخصصین ایرانی این حوزه ضبط شده‌اند نیز مراجعه نمایید‬