یادگیری ماشین و متن کاوی

برای دانلود فایل PDF کلیک کنید

ارائه: خانم لیلی بنی هاشمی 

دانشجوی دکتری علم اطلاعات و دانش شناسی

گرایش بازیابی اطلاعات و دانش- دانشگاه الزهرا (س)

هوش مصنوعی (Artificial intelligence)، یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) سه عبارتی هستند که خیلی زیاد و گاهی به اشتباه به جای یکدیگر استفاده می‌شوند تا نرم‌افزاری را توصیف کنند که هوشمندانه عمل می‌کند. اما بهتر است افرادی که می‌خواهند در این حوزه حرفه‌ای شوند، فرق آنها را بدانند.

یک راه ساده برای فهمیدن تفاوت این سه موضوع این است که آنها را مانند یک سری عروسک‌های روسی تصور کنیم که هر کدام داخل دیگری جای می‌گیرند. یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین است، و یادگیری ماشین زیرمجموعه‌ای از هوش مصنوعی. در واقع هوش مصنوعی چتری است که تمام برنامه‌های کامپیوتری که کاری هوشمندانه انجام می‌دهند را در زیر خود جا می‌دهد. به عبارت دیگر، هر نوع یادگیری ماشین خودش هوش مصنوعی به حساب می‌آید، اما هر هوش مصنوعی‌ای یادگیری ماشین نیست.

ریشه‌های داده کاوی در میان سه خانواده از علوم، قابل پیگیری است.

مهم‌ترین این خانواده‌ها، آمار کلاسیک (Classic Statistics) می‌باشد. بدون آمار، هیچ داده کاوی وجود نخواهد داشت، بطوری‌که آمار، اساس اغلب تکنولوژی‌هایی است که داده کاوی بر روی آن‌ها بنا می‌شود. آمار کلاسیک مفاهیمی مانند تحلیل رگرسیون، توزیع استاندارد، انحراف استاندارد، واریانس، تحلیل خوشه، و فاصله‌های اطمینان را که همه این موارد برای مطالعه داده و ارتباط بین داده‌ها می‌باشد، را در بر می‌گیرد. مطمئنا تحلیل آماری کلاسیک نقش اساسی در تکنیک‌های داده کاوی ایفا می‌کند.

دومین خانواده‌ای که داده کاوی به آن تعلق دارد هوش مصنوعی (Artificial Intelligence) است. هوش مصنوعی که بر پایه روش‌های ابتکاری است و با آمار ضدیت دارد، تلاش دارد تا فرایندی مانند فکر انسان، را برای حل مسائل آماری به‌کار بندد. چون این رویکرد نیاز به توان محاسباتی بالایی دارد، تا اوایل دهه 1980 عملی نشد. هوش مصنوعی کاربردهای کمی را در حوزه‌های علمی و حکومتی پیدا کرد، اما نیاز به استفاده از کامپیوترهای بزرگ باعث شد همه افراد نتوانند از تکنیک‌های ارائه شده استفاده کنند.

سومین خانواده داده کاوی، یادگیری ماشین (Machine Learning) است، که به مفهوم دقیق‌تر، اجتماع آمار و هوش مصنوعی می‌باشد. درحالی‌که هوش مصنوعی نتوانست موفقیت تجاری کسب کند، یادگیری ماشین در بسیاری از موارد جایگزین آن شد.

کاربردهای داده کاوی

کاربردهای معمول تجاری: از قبیل تحلیل و مدیریت بازار (تحلیل بورس- تحلیل رفتار مشتریان)، تحلیل سبد بازار، بازاریابی هدف، فهم رفتار مشتری، تحلیل و مدیریت ریسک؛

مثال:

گزارش دیجی‌کالا و کتاب، که به پرسش‌های زیر پاسخ دهد؛

نقش دیجی‌کالا در تأمین کتاب برای مردم ایران چیست؟

دیجی‌کالا در حوزه فروش کتاب چه عملکردی داشته است؟

ایرانیانی که تجربه خرید کتاب از دیجی‌کالا دارند، چه ویژگی‌ها و عادت‌هایی دارند؟ (لینک دانلود گزارش کامل)

مدیریت و کشف فریب: کشف فریب تلفنی، کشف فریب‌های بیمه‌ای و اتومبیل، کشف حقه‌های کارت اعتباری، کشف تراکنش‌های مشکوک مالی (پولشویی)؛

متن کاوی (Text Mining): پالایش متن (نامه‌های الکترونیکی، گروه‌های خبری و غیره)؛

پزشکی: کشف ارتباط علامت و بیماری، تحلیل آرایه‌های DNA، تصاویر پزشکی؛

ورزش: آمارهای ورزشی؛

وب کاوی (Web Mining): پیشنهاد صفحات مرتبط، بهبود ماشین‌های جست‌وجوگر یا شخصی‌سازی حرکت در وب سایت؛

تعریف کلان داده (گارتنر)

John Mashey متخصص کامپیوتر در اوایل دهه 90 میلادی اصطلاح بیگ دیتا را ابداع کرد اما این مفهوم در سال 2000 مورد توجه قرار گرفت و شاید دلیل این توجه ظهور اینترنت به صورت فراگیر، گرایش ما به دستگاه های هوشمند و محبوب شدن رسانه های اجتماعی باشد. ما به طور روزانه در حال تولید اطلاعات به صورت گسترده و سریع هستیم و همین اطلاعات اساس کلان داده یا بیگ دیتا را تشکیل می دهد. در واقع بیگ دیتا به معنای حجم زیادی از داده ها و اطلاعات است که به سرعت و با تنوع بسیار منتشر می شود و نمی شود آنها را با استفاده از روش های سنتی پردازش کرد.

5 V's of Big Data

• Volume 
• Veracity
• Variety
• Value
• Velocity

تنوع: کلان داده ها می توانند ساختاریافته، بدون ساختار و نیمه ساختاری باشند که از منابع مختلف جمع آوری می شوند. داده‌ها در گذشته فقط از پایگاه‌های اطلاعاتی و برگه‌ها جمع‌آوری می‌شد، اما این روزها داده‌ها به شکل‌های آرایه‌ای مانند فایل‌های PDF، ایمیل، فایل‌های صوتی، پست‌های SM، عکس‌ها، ویدیوها و غیره ارائه می‌شوند.

لینک منابع:

منبع اول، منبع دوم، منبع سوم، منبع چهارم، منبع پنجم، منبع ششم، منبع هفتم، منبع هشتم

مدرس: ملیحه باغبان، دانشجوی دکتری علم اطلاعات و دانش شناسی/بازیابی اطلاعات و دانش

این مباحث برای دانشجویان علم اطلاعات و دانش شناسی گردآوری و ارائه می شود

هوش مصنوعی Artificial Intelligence,که به طور خلاصه AI خوانده می‌شود، شاخه‌ای از علوم کامپیوتر است که در بر گیرندهٔ تمام فرآیندهایی است که به شبیه‌سازی هوش انسان بر روی کامپیوتر‌ها و یا دستگاه‌هایی که توسط کامپیوتر کنترل می‌شوند می‌پردازند.

شاخه‌های گوناگونی از هوش مصنوعی در دانش‌های رایانه‌ای مورد استفاده قرار می‌گیرند،

👈برخی این شاخه‌ها عبارتند از:

یادگیری ماشین

بینایی ماشین

مفاهیم مرتبط با روباتیک

پردازش زبان طبیعی

سیستم های خبره

شبکه های عصبی

الگوریتم ژنتیک

👈در حوزة كتابداري و اطلاع‌رساني، همان‌طور كه ورود رايانه و استفاده از نرم‌افزارهاي كتابخانه‌‍‌اي و پايگاه‌هاي اطلاعاتي رايانه‌اي، كتابخانه‌هاي رقومي، و ... توانسته است بر سرعت و دقت دسترسي به اطلاعات اثرگذار باشد، بهره‌گيري از نظام‌هاي هوشمند مي‌تواند در بسياري از فعاليت‌هاي كتابخانه‌ها از جمله فهرستنويسي، رده‌بندي، كتابخانه‌هاي رقومي، امانت، امانت بين‌كتابخانه‌اي، و جستجو و بازيابي اطلاعات مفيد واقع گردد.

👈تهیه و تنظیم: خانم مهناز اسدزاده ، دانشجوی کارشناسی ارشد مدیریت اطلاعات دانشگاه تبریز

دانلود پاورپوینت هوش مصنوعی

لینک دانلود مستقیم فرمت zip

لینک کمکی