مقدمه‌ای بر یادگیری ماشینی و داده‌کاوی

داده‌کاوی و یادگیری ماشین در عین شباهت باهم متفاوت هستند. اغلب اوقات حتی داده‌کاوی را بانام یادگیری ماشین خطاب می‌کنند. هرچند روزبه‌روز این دو به یکدیگر نزدیک‌تر و شبیه‌تر می‌شوند.  

یادگیری ماشین از تلاش برای ساخت هوش مصنوعی گذر کرد و اکنون هدف اصلی آن ساخت ماشینی است که بتواند یاد بگیرد و خود را با اطلاعات جدید وفق دهد. اولین یادگیری ماشین به سال ۱۹۵۷ برمی‌گردد که مدل پرسپترون اختراع شد. این مدلی است که از نورون‌های مغز انسان ساخته شد. این مدل آغازگر مدل شبکه عصبی بود که در اواخر دهه ۱۹۸۰ ایجاد شد. از دهه ۱۹۸۰ تا دهه ۱۹۹۰ متد درخت تصمیم بسیار محبوب شد. SVM در اواسط دهه ۱۹۹۰ اختراع شد و از آن زمان در صنعت به‌طور گسترده‌ای استفاده می‌شود. رگرسیون منطقی یک متد قدیمی در آمار است که در یادگیری ماشین از سال ۲۰۰۱ که کتاب یادگیری آمار منتشر شد رشد چشم‌گیری داشته است.

داده‌کاوی و یادگیری ماشین در عین شباهت باهم متفاوت هستند. اغلب اوقات حتی داده‌کاوی را بانام یادگیری ماشین خطاب می‌کنند. هرچند روزبه‌روز این دو به یکدیگر نزدیک‌تر و شبیه‌تر می‌شوند.

داده‌کاوی  در دهه 1930 به وجود آمد که در ابتدا با عنوان کشف دانش در پایگاه‌های داده شناخته می‌شد و یادگیری ماشین در حدود دهه 1950 هنگامی معرفی شد که اولین برنامه یادگیری ماشین Samuel’s Checker انتشار یافت.

نکات موجود بین داده‌کاوی و یادگیری ماشین

هر دو فرآیند تحلیلی بوده و بخش جدایی‌ناپذیر از صنعت علوم داده می‌باشند.

هر دو از موارد استفاده اولیه در تشخیص الگو به وجود آمدند.

هر دو باعث یادگیری مقادیر زیادی از داده‌ها می‌شوند.

تعاریف مورد ارائه از داده‌کاوی و یادگیری ماشین

داده‌کاوی

در تعریفی کوتاه داده‌کاوی فرایند منظم کشف الگوهای موجود در مجموعه دیتا می‌باشد.

یادگیری ماشین

این زمینه از پژوهش علاقه‌مند به توسعه الگوریتم‌های رایانه‌ای برای تبدیل داده‌ها به انجام اعمالی هوشمند بوده که به‌عنوان یادگیری ماشین تلقی می‌گردد.

تفاوت بین داده‌کاوی و یادگیری ماشین

داده‌کاوی زیرمجموعه‌ای از علم تجزیه‌وتحلیل تجارت بوده و بر آموزش کامپیوتر متمرکز می‌باشد. همچنین نحوه شناسایی الگوها، روابط یا ناهنجاری‌های ناشناخته در مجموعه داده‌های بزرگ بوده که بعداً انسان‌ها می‌توانند از آن‌ها برای حل یک مشکل تجاری استفاده کنند. این فرآیند به صورتی می‌باشد که نیاز به مداخله و تصمیم‌گیری انسان دارد و همچنین توسط انسان با معرفی ویژگی‌های هوشمند می‌تواند عملکردی هوشمندانه داشته باشد.

برای مثال اگر کارت اعتباری یک شرکت اطلاعات زیادی در رابطه با رفتار مشتری داشته باشد و شرکت بخواهد متوجه الگوهای جذب مشتری شود می‌تواند از فن‌های داده‌کاوی برای پیدا کردن ارتباط بین ویژگی‌های مختلف مشتریان خود استفاده کند. این امر می‌تواند به‌شدت اشاره برجذب مشتری در آینده داشته باشد.

اما در حقیقت یادگیری ماشین زیرمجموعه‌ای از هوش مصنوعی بوده و تمرکز آن بر آموزش کامپیوتر است. همچنین اشاره بر نحوه یادگیری تجزیه‌وتحلیل داده‌های بزرگ و “یادگیری” الگوهای موجود در آن  از مجموعه داده‌های آموزش دارد که می‌تواند به‌پیش بینی داده‌های جدید کمک کند. جدا از برنامه‌نویسی اولیه و تنظیمات دقیق، رایانه به‌هیچ‌وجه برای یادگیری داده‌ها و بهبود پیش‌بینی‌های خود به هیچ‌گونه مداخله انسانی نیازمند نیست. این دستگاه ازآنجایی‌که از داده‌های بیشتر و بیشتری تغذیه می‌کند، به‌خودی‌خود هوشمند خواهد شد.