تفاوت هوش مصنوعی و یادگیری ماشین

در شکل پایین سلسه‌مراتب یادگیری ماشین به کمک یک نوع از عروسک های روسی (Russian matryoshka dolls)  نمایش داده شده است.   سومین عروسک خارج شده هوش مصنوعی است. هوش مصنوعی یا AI، توانایی ماشین‌ها در انجام وظایف هوشمند (Intelligent) و شناختی تشخیصی، Cognitive  است.

مشابه با تأثیری که انقلاب صنعتی در تولید نسلی از ماشین‌ها با توانایی شبیه‌سازی عملیات فیزیکی داشت، هوش مصنوعی محرک پیشرفت ماشین‌هایی با توانایی شبیه‌سازی قابلیت‌های شناختی شد.

هوش مصنوعی، یک شاخه بزرگ (ولی در مقایسه با علوم کامپیوتر و علم داده بسیار کوچک) که شامل تعداد زیادی زیرمجموعه است که امروزه اکثر این زیرمجموعه‌ها معروف هستند؛ مثل جستجو و برنامه‌ریزی (Search and planning)، استدلال و بازنمایی دانش (Reasoning and knowledge representation)، ادراک(Perception)، پردازش زبان طبیعی (NLP: Natural language processing)  و یادگیری ماشین.

یادگیری ماشین در دیگر شاخه‌های هوش مصنوعی از جمله پردازش زبان طبیعی و ادراک نیز ورود پیدا می‌کند، زیرا هر دو از الگوریتم‌های خودآموزی استفاده می‌کنند. رابطه بین حوزه‌های مرتبط با داده در شکل زیر مشخص شده است که در آن جای هوش مصنوعی و یادگیری ماشین مشخص شده است.

تفاوت یادگیری ماشین و داده‌کاوی

حال که تفاوت هوش مصنوعی و یادگیری ماشین را مشخص کردیم، جایگاه داده کاوی را بررسی می‌کنیم.

برای دانشجویان علاقه‌مند به هوش مصنوعی، یادگیری ماشین یک نقطه بسیار عالی برای شروع است چون یک مسیر دقیق‌تر و محدودتر مطالعاتی را در مقایسه با حوزه هوش مصنوعی ارائه می‌کند. همچنین الگوریتم‌های یادگیری ماشین در دیگر حوزه‌ها از جمله ادراک و پردازش زبان طبیعی نیز قابل‌ استفاده است.

یادگیری ماشین با داده‌کاوی نیز (که بر روی کشف الگوها در مجموعه‌داده‌ها تمرکز دارد) هم‌پوشانی دارد. الگوریتم‌های معروف مثل خوشه بندی  k-means، تحلیل وابستگی (Association analysis) و تحلیل رگرسیون برای تحلیل داده در یادگیری ماشین و داده‌کاوی مورداستفاده قرار می‌گیرند.

تفاوت یادگیری ماشین و داده‌کاوی این است که یادگیری ماشین بر روند افزایشی خودآموزی و ساخت مدل داده‌ای برای انجام پیش‌بینی‌های آینده تمرکز دارد، ولی داده‌کاوی به طور دقیق‌تری بر روی پاک‌سازی مجموعه‌داده‌ها برای یافتن بینش کلی از گذشته، تمرکز دارد.