هوش مصنوعی (AI) به عنوان یکی از پیشرفته‌ترین و جذاب‌ترین حوزه‌های فناوری اطلاعات در دهه‌های اخیر شناخته می‌شود. این فناوری نه تنها درک ما از داده‌ها و پردازش اطلاعات را متحول کرده است، بلکه به تغییرات اساسی در صنایع مختلف از جمله پزشکی، خودروسازی، مالی و حتی هنر منجر شده است.
در دنیای هوش مصنوعی اصطلاحات و مفاهیم بسیاری وجود دارد که درک صحیح و جامع آن‌ها برای متخصصان و حتی علاقه‌مندان به این حوزه ضروری است. در این مقاله به بررسی برخی از اصطلاحات مهم در زمینه هوش مصنوعی می‌پردازیم تا شما را با اصول و مفاهیم اساسی این حوزه آشنا کنیم.
با آشنایی با این اصطلاحات، شما می‌توانید بهتر و عمیق‌تر به موضوعات مرتبط با هوش مصنوعی پرداخته و از آخرین دستاوردها و کاربردهای این فناوری پیشرفته بهره‌مند شوید.
درک اصطلاحات مهم در زمینه هوش مصنوعی
مفاهیم مرتبط با به‌کارگیری هوش مصنوعی را بیاموزید. با اصطلاحات، الگوریتم‌ها و تکنیک‌های کلیدی آشنا شوید و به دنیای هوش مصنوعی قدم بگذارید.
هوش مصنوعی (Artificial Intelligence): توانایی ماشین‌ها و نرم‌افزارهای رایانه‌ای برای انجام عملکردهایی که هوش انسانی را تقلید یا شبیه‌سازی می‌کنند.
یادگیری ماشینی (Machine Learning): فرایند بهبود توانایی رایانه‌ها برای انجام یک کار خاص با استفاده از الگوریتم‌ها و مدل‌های آماری.
یادگیری عمیق (Deep Learning): زیر مجموعه‌ای از یادگیری ماشین بر اساس شبکه‌های عصبی مصنوعی. توانایی یادگیری الگوهای پیچیده از مجموعه داده‌های بزرگ.
شبکه‌های عصبی (Neural Networks): شبکه‌های مصنوعی طراحی شده برای تقلید از عملکرد شبکه‌های عصبی بیولوژیکی در مغز.
یادگیری نظارت شده (Supervised Learning): نوعی از یادگیری ماشینی که در آن الگوریتم تابعی را یاد می‌گیرد که داده‌های ورودی و خروجی را ترکیب می‌کند.
یادگیری بدون نظارت (Unsupervised Learning): نوعی از یادگیری ماشینی که در آن الگوریتم سعی می‌کند الگوهایی را از داده‌های ورودی بدون داده‌های خروجی بیابد.
یادگیری تقویتی (Reinforcement Learning): نوعی از یادگیری ماشینی که در آن الگوریتم توانایی خود را در انتخاب بهترین اقدامات برای دستیابی به یک هدف خاص می‌آموزد.
پردازش زبان طبیعی (Natural Language Processing): توانایی رایانه‌ها و نرم افزارها برای درک و دستکاری زبان و زبان شناسی انسانی.
الگوریتم‌ها (Algorithms): مجموعه خاصی از رویه‌ها که برای حل یک مشکل یا انجام یک کار خاص استفاده می‌شود.
مهندسی ویژگی (Feature Engineering): فرایند ایجاد و تبدیل ویژگی‌های داده برای کمک به الگوریتم‌ها برای دستیابی به نتایج بهتر.
رگرسیون (Regression): یک روش آماری است که برای مدل سازی رابطه بین متغیرها استفاده می‌شود.
طبقه بندی (Classification): فرایند تخصیص نقاط داده جدید به دسته‌های از پیش تعریف شده.
تنظیم فراپارامتر (Hyperparameter Tuning): تنظیم پارامترهای مورد استفاده برای بهینه سازی عملکرد مدل یادگیری ماشین.
داده کاوی (Data Mining): فرایند استخراج الگوها و اطلاعات از مجموعه داده‌های بزرگ.
یادگیری آماری (Statistical Learning): رویکرد یادگیری ماشینی که از تکنیک‌های آماری برای یادگیری از مجموعه داده‌ها استفاده می‌کند.
توابع فعال سازی (Activation Functions): تابعی است که خروجی یک گره را در شبکه‌های عصبی مصنوعی تعیین می‌کند.
شبکه عصبی مصنوعی (Artificial Neural Network): یک مدل یادگیری ماشینی که از شبکه‌های عصبی بیولوژیکی در مغز انسان تقلید می‌کند.
شبکه عصبی کانولوشنال (Convolutional Neural Network): یک مدل یادگیری عمیق که به ویژه در وظایف پردازش داده‌های بصری مانند طبقه بندی تصویر استفاده می‌شود.
شبکه عصبی بازگشتی (Recurrent Neural Network): یک مدل یادگیری عمیق طراحی شده برای پردازش داده‌های متوالی مانند داده‌های سری زمانی.
شبکه‌های متخاصم مولد (GANs): یک روش یادگیری عمیق است که در آن دو شبکه در برابر یکدیگر آموزش می‌بینند و یکدیگر را بهبود می‌بخشند.
ماشین‌های بردار پشتیبان (Support Vector Machines): یک روش طبقه‌بندی و تحلیل رگرسیون. این مدل سعی می‌کند وسیع‌ترین “شکاف” را بین طبقات پیدا کند.
درختان تصمیم (Decision Trees): یک مدل یادگیری ماشینی که برای طبقه بندی داده‌ها یا پیش بینی مقادیر استفاده می‌شود.
جنگل‌های تصادفی Random Forests: یک الگوریتم یادگیری ماشینی مجموعه‌ای که در آن چندین درخت تصمیم با هم ترکیب می‌شوند.
تقویت گرادیان Gradient Boosting: یک تکنیک یادگیری ماشینی است که در آن پیش بینی کننده‌ها به طور متوالی بر یکدیگر اعمال می‌شوند.
نرخ یادگیری (Learning Rate): یک فراپارامتر که تعیین می‌کند یک الگوریتم یادگیری ماشینی در مرحله بعدی چقدر سریع یا کند باید “یاد بگیرد”.
تطبیق بیش از حد Overfitting : زمانی اتفاق می‌افتد که یک مدل به داده‌های آموزشی بسیار نزدیک باشد و به خوبی به داده‌های عمومی تعمیم داده نشود.
عدم تناسب Underfitting: وضعیتی که زمانی رخ می‌دهد که مدل به اندازه کافی با داده‌های آموزشی مطابقت نداشته باشد و به خوبی به داده‌های عمومی تعمیم داده نشود.
اعتبار سنجی متقابل (Cross-Validation): تکنیکی که برای تخمین عملکرد تعمیم مدل استفاده می‌شود.
مبادله بایاس-واریانس Bias-Variance Tradeoff: یک مفهوم یادگیری ماشینی که در آن سوگیری زیاد با واریانس کم و سوگیری کم با واریانس بالا همراه است و اغلب باید تعادلی پیدا کرد.
ماتریس سردرگمی Confusion Matrix: جدولی که برای اندازه گیری عملکرد مدل طبقه بندی استفاده می‌شود.
دقت، یادآوری، امتیاز Precision, Recall, F1 Score: معیارهای مورد استفاده برای ارزیابی عملکرد مدل طبقه‌بندی.
منحنی ROC :(ROC Curve) منحنی مشخصه عملیاتی گیرنده نموداری است که عملکرد یک مدل طبقه بندی را در مقادیر آستانه مختلف نشان می‌دهد.
AUC-ROC: نشان دهنده سطح زیر منحنی ROC است و برای ارزیابی عملکرد مدل استفاده می‌شود.
مجموعه داده‌ها (Dataset): مجموعه‌ای از داده‌ها که برای تحلیل و مدل سازی استفاده می‌شود.
مجموعه داده‌های آموزشی (Training Set): مجموعه داده‌ای که برای یادگیری و تنظیم خود مدل استفاده می‌شود.
مجموعه داده‌های تست (Test Set): عملکرد مدل را ارزیابی کنید.
مجموعه داده اعتبارسنجی (Validation Set): مجموعه داده‌ای که برای تنظیم ابرپارامترهای مدل استفاده می‌شود.
یادگیری انتقالی (Transfer Learning): استفاده مجدد از یک مدل از پیش آموزش دیده برای یک وظیفه جدید.
قضیه بیز (Bayes Theorem): روشی برای محاسبه احتمال یک رویداد بر اساس اطلاعات قبلی.
پرسپترون (Perceptron): نوعی شبکه عصبی مصنوعی که برای مسائل دسته‌بندی دوتایی استفاده می‌شود.
بازپخش پسرو (Backpropagation): الگوریتمی برای انتشار خطاها در شبکه‌های عصبی مصنوعی.
حذف تصادفی Dropout: تکنیکی برای حذف تصادفی نرون‌ها در شبکه‌های عمیق برای جلوگیری از بیش‌برازش.
تنظیم‌سازی (Regularization): مجموعه‌ای از تکنیک‌ها برای جلوگیری از بیش‌برازش مدل.
جستجوی شبکه‌ای (Grid Search): روشی برای تنظیم ابرپارامترها که تمامی ترکیب‌های یک فضای ابرپارامتری مشخص را آزمایش می‌کند.
مدل دنباله‌ای (Sequential Model): نوعی مدل که در کتابخانه‌های یادگیری عمیق مانند Keras استفاده می‌شود و امکان افزودن لایه‌ها به صورت ترتیبی را فراهم می‌کند.
توقف زودهنگام (Early Stopping): تکنیکی برای توقف آموزش در یک نقطه معین برای جلوگیری از بیش‌برازش.
دوره (Epoch): یک چرخه که در آن تمامی مجموعه داده آموزشی یک بار به طور کامل پردازش می‌شود.
اندازه دسته (Batch Size): تعداد نمونه‌هایی که در یک بار پردازش می‌شوند.
تعبیه‌ها (Embeddings): نمایشی از متغیرهای دسته‌ای، معمولاً داده‌های متنی یا کلمات، در یک فضای پیوسته با ابعاد کمتر.
خودرمزگذار (Autoencoder): نوعی شبکه عصبی مصنوعی که با استفاده از ورودی به عنوان هدف، نمایشی با ابعاد کمتر از داده‌ها را یاد می‌گیرد.
تابع خطا (Loss Function): تابعی که تفاوت بین پیش‌بینی‌های مدل و مقادیر واقعی را اندازه‌گیری می‌کند.
بهینه‌ساز (Optimizer): الگوریتمی که به مدل کمک می‌کند با به‌روزرسانی وزن‌ها و کمینه‌سازی تابع خطا، یاد بگیرد.
کدگذاری یک-داغ (One-hot Encoding): نمایشی از متغیرهای دسته‌ای به صورت بردارهای باینری که هر ستون نمایانگر یک دسته است.
کدگذاری برچسبی (Label Encoding): نمایشی از متغیرهای دسته‌ای به صورت فرمت عددی که هر دسته یک عدد صحیح جداگانه دارد.
Word2Vec: مدلی که امکان نمایشی از کلمات در فضای برداری را فراهم می‌کند.
BERT (Bidirectional Encoder Representations from Transformers): مدل یادگیری عمیقی که برای پردازش داده‌های متنی استفاده می‌شود و با در نظر گرفتن کلمات قبل و بعد، بافت یک کلمه را می‌فهمد.
مدل ترنسفورمر (Transformer Model): نوعی مدل یادگیری عمیق که از مکانیزم توجه استفاده می‌کند و معمولاً در وظایف پردازش زبان طبیعی استفاده می‌شود.
مکانیزم توجه (Attention Mechanism): تکنیکی که به مدل کمک می‌کند تشخیص دهد کدام قسمت‌های ورودی باید متمرکز شود.
مدل Seq2Seq: مدلی که ورودی یک دنباله را به خروجی یک دنباله تبدیل می‌کند و معمولاً در وظایفی مانند ترجمه متنی استفاده می‌شود.
شبکه عصبی بازگشتی (RNN): نوعی مدل یادگیری عمیق که برای پردازش داده‌های ترتیبی استفاده می‌شود و اطلاعات گذشته را به وظیفه فعلی اعمال می‌کند.
LSTM (Long Short-Term Memory): نوعی شبکه عصبی بازگشتی که برای پردازش داده‌های دنباله‌ای طولانی استفاده می‌شود.
GRU (Gated Recurrent Unit): نوعی شبکه عصبی بازگشتی که ساختاری ساده‌تر از LSTM دارد.
لایه تجمیع (Pooling Layer): لایه‌ای که در شبکه‌های عصبی کانولوشنی استفاده می‌شود و اندازه ورودی را کاهش داده و بار محاسباتی را سبک می‌کند.
کانولوشن با گام‌بندی (Strided Convolution): عملیاتی کانولوشنی که دارای گام‌بندی بزرگ‌تر از ۱ است.
کانولوشن گسترده (Dilated Convolution): نوعی عملیات کانولوشنی که در لایه‌های کانولوشنی استفاده می‌شود و فضاهایی را در اطراف هسته کانولوشنی باقی می‌گذارد.
پدینگ (Padding): تکنیکی برای حفظ اندازه ورودی در شبکه‌های عصبی کانولوشنی.
نرمال‌سازی دسته‌ای (Batch Normalization): تکنیکی برای تسریع آموزش و حساسیت کمتر شبکه به وزن‌های اولیه.
افزایش داده (Data Augmentation): تکنیکی برای متنوع کردن و گسترش مجموعه داده آموزشی موجود.
ویژگی سازی (Feature Engineering): فرایند استخراج ویژگی‌های معنادار از داده خام و ایجاد این ویژگی‌ها برای بهبود عملکرد مدل.
یادگیری دسته‌جمعی (Ensemble Learning): روشی برای ترکیب چندین مدل یادگیری ماشین به منظور دستیابی به عملکرد بهتر.
Bagging (Bootstrap Aggregating): روشی که در آن مدل مشابه بر روی زیرمجموعه‌های مختلف داده‌ها آموزش داده شده و نتایج ترکیب می‌شوند.
Boosting :تکنیک یادگیری دسته‌جمعی که در آن مدل‌های ضعیف به صورت متوالی آموزش داده می‌شوند و سعی در اصلاح خطاها دارند.
Stacking: روشی برای ترکیب چندین مدل و ایجاد یک مدل جدید که خروجی این مدل‌ها توسط یک متا-مدل استفاده می‌شود.
کاهش ابعاد (Dimensionality Reduction): فرایندی برای کاهش ابعاد داده و افزایش عملکرد و کارایی محاسباتی مدل. به عنوان مثال، استفاده از PCA (Principal Component Analysis).
تحلیل مؤلفه‌های اصلی (PCA): تکنیکی برای ایجاد متغیرهای جدید کمتر که واریانس داده را به بهترین شکل نمایان می‌کنند.
t-SNE (t-Distributed Stochastic Neighbor Embedding): روشی برای نمایش شباهت‌های نقاط داده با پروجکشن داده از فضای با ابعاد بالا به فضای با ابعاد کمتر.
خوشه‌بندی K-Means: الگوریتمی برای تقسیم داده‌ها به خوشه‌هایی با ویژگی‌های مشابه.
خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering): روشی برای تقسیم داده‌ها به خوشه‌ها در یک ساختار سلسله‌مراتبی.
DBSCAN (Density-Based Spatial Clustering of Applications with Noise): الگوریتم خوشه‌بندی مبتنی بر تراکم که داده‌ها را با در نظر گرفتن نویز به خوشه‌های متراکم تقسیم می‌کند.
یادگیری تقویتی (Reinforcement Learning): فرایندی که در آن یک عامل از طریق پاداش‌ها یا تنبیه‌ها یاد می‌گیرد چگونه باید عمل کند.
Q-Learning: الگوریتمی در یادگیری تقویتی که به عامل کمک می‌کند احتمال انتخاب یک عمل خاص در یک وضعیت خاص را یاد بگیرد.
فرایند تصمیم‌گیری مارکوف (MDP): روشی برای مدل‌سازی احتمال انتقال از یک وضعیت به وضعیت دیگر هنگام انجام یک عمل خاص در یادگیری تقویتی.
تحلیل داده اکتشافی (EDA): فرایندی برای فهم، خلاصه‌سازی و بصری‌سازی داده‌ها.
انتخاب ویژگی (Feature Selection): فرایندی برای انتخاب ویژگی‌های معنادارتر به منظور افزایش عملکرد و کارایی محاسباتی مدل.
گرادیان کاهشی (Gradient Descent): الگوریتمی برای کمینه‌سازی تابع خطا.
گرادیان کاهشی تصادفی (SGD): نسخه‌ای از الگوریتم گرادیان کاهشی که در هر گام فقط از یک نمونه داده استفاده می‌کند.
گرادیان کاهشی مینی-بچ (Mini-Batch Gradient Descent): نسخه‌ای از الگوریتم گرادیان کاهشی که در هر گام از یک زیرمجموعه کوچک داده‌ها استفاده می‌کند.
AdaBoost: الگوریتمی که عملکرد را با یادگیری از خطاهای مدل‌های قبلی بهبود می‌بخشد.
XGBoost: الگوریتم Boosting اکستریم، سریع و کارآمد.
LightGBM: الگوریتم Boosting سریع، بهینه‌شده برای مجموعه‌های داده بزرگ و داده‌های با ابعاد بالا.
CatBoost: الگوریتم Boosting که با داده‌های دسته‌ای عملکرد بهتری دارد.
Shapley Values: روشی برای توضیح مدل، که تعیین می‌کند هر ویژگی چقدر به پیش‌بینی کمک کرده است.
LIME (Local Interpretable Model-agnostic Explanations): روشی برای توضیح تصمیمات مدل‌های جعبه سیاه.
یادگیری تقویتی (RL): فرایند یادگیری یک عامل در یک محیط از طریق پاداش‌ها یا تنبیه‌ها.
شبکه‌های Q عمیق (DQN): روشی در یادگیری تقویتی که یادگیری عمیق و Q-learning را ترکیب می‌کند.
شبیه‌سازی مونت کارلو (Monte Carlo Simulation): روشی برای حل یک مشکل خاص با نمونه‌برداری تصادفی.
بهینه‌سازی بیزی (Bayesian Optimization): روشی که از آمارهای بیزی برای بهینه‌سازی عملکرد مدل در فرایند تنظیم ابرپارام.
نتیجه
آشنایی با اصطلاحات مهم در زمینه هوش مصنوعی برای فهم بهتر این فناوری پیچیده و کاربردهای گسترده آن ضروری است. اصطلاحاتی مانند یادگیری ماشین، شبکه‌های عصبی، پردازش زبان طبیعی و بینایی ماشین، هر یک به بخش خاصی از هوش مصنوعی اشاره دارند و درک آن‌ها به ما کمک می‌کند تا به نحوی مؤثرتر از این فناوری پیشرفته بهره‌برداری کنیم. با شناخت دقیق این اصطلاحات، می‌توانیم بهتر با تحولات جدید در حوزه هوش مصنوعی آشنا شده و از مزایای آن در زمینه‌های مختلف زندگی روزمره و حرفه‌ای خود بهره‌مند شویم.
