سلام به همه بچههای علاقمند به کامپیوتر و برنامهنویسی و هوش مصنوعی. همانطور که میدونین روز به روز دنیای هوش مصنوعی داره وسیعتر میشه و به حوزه مختلف از علوم راه یافته است. ما تصمیم داریم هر هفته با یک مقاله در این حوزه، شمارو با رویداد های دنیای هوش مصنوعی آشنا کنیم و مهمتر اینکه ریاضیات این حوزه رو با ساده سازی به شما دانش آموزان عزیز کانونی توضیح بدیم. در نهایت بتونیم قدم به قدم به کد نویسی در محیط پایتون برای مسئله های جذاب هوش مصنوعی برسیم. پیشنهاد میکنم هر هفته مارو با یک مقاله در این حوزه دنبال کنید.
امروز میخوایم با یک مثال کاربردی مطلب بیزین رو جمع بندی کنیم، پس با ما همراه باشید.
الگوریتم نایو بیز در تحلیل احساسات متن
برای یک نرم افزار بر اساس هوش مصنوعی، همواره مهم هست که جمله ای که کاربر می نویسه، چه بار احساسی داره و آیا یک جمله منفی هست و یا یک جمله مثبت. این فناوری در بسیاری از شبکه های مجازی جمعی مثل توئیتر کاربرد داره. برای مثال توئیت های زیر رو در نظر بگیرید .
تشخیص منفی یا مثبت بودن این دو جمله برای یک هوش مصنوعی، چالشی هست که توسط الگوریتم هایی مثل بیز ساده اجرایی میشه. برای اینکه نرم افزار ما بتونه تشخیص بده که آیا این دو جمله مثبت هستند یا نه، تعداد تکرار هر کلمه رو در هر دو حالت مثبت و منفی رو بدست میاره و سپس، احتمال شرطی رو برای هر کلمه محاسبه میکنه. سپس این احتمالات رو با استفاده از داده های پسین -که از قبل کاربر بهش داده- مقایسه کرده و حالت جمله رو تشخیص میده. برای اینکه بهتر این فرایند رو بفهمیم، به جداول زیر دقت کنید:
در جدول سمت چپ، تعداد تکرار کلمات در دو حالت مثبت و منفی در توئیت های بالا اومده و همچنین احتمال شرطی رو برای هر کلمه محاسبه شده و در جدول سمت راست مینویسیم. مثلا احتمال شرطی برای کلمه “I” در جمله مثبت، 0.24 بدست اومده. این فرایند رو برای همه کلمات تکرار می کنیم و جدول سمت راست به شکل زیر بدست می آید. این مشابه کاریست که در الگوریتم بیز انجام میگیرد.
در هوش مصنوعی، با استفاده از داده های قبلی پیشین، الگوهایی رو بدست میاریم تا داده های جدید رو بر اساس اون الگوها مورد بررسی قرار بدیم. در این مثال هم، با استفاده از محاسبه احتمال شرطی برای تعداد زیادی از جملات مشابه، به یک الگوهایی رسیده و وارد حافظه هوش مصنوعی کنیم تا پیشامدهای بعدی رو با حافظه اش بسنجه. در ادامه مثال، فرض کنید این اتفاق افتاده و حالا ماشین میخواد از طریق بیز ساده بررسی کنه که جمله زیر مثبت هست یا نه . فرایند این محاسبه رو هم مشاهده می کنیم:
جدول سمت راست، به نوعی حافظه و الگوی بررسی اینگونه جملات هست که قبلا وارد نرم افزارمون کردیم و جلو هر کلمه می بینیم که احتمال شرطی اومدن هر کلمه رو در دو حالت مثبت و منفی نشون داده.
برای اینکه ماشین بفهمه این توئیت مثبت هست یا منفی، احتمال شرطی تمام کلمات جمله رو که در حافظه وجود داره رو برداشته و بر همدیگه تقسیم می کنه. برای مثال کلمه today در بین کلمات جدول سمت چپ قرار نداره، پس در بررسی مثبت بودن یا منفی بودن جمله تاثیری نمی گذاره. در این بین، تنها کلمه ای که در این توئیت تغییر ایجاد کرده، کلمه Happy هست که باعث شده حاصل کل تقسیم بالاتر از یک بیاد. برای اینکه ماشین بدونه بالاتر از یک بودن به چه معنایی هست، باید از قبل براش تعریف کرده باشیم که هر چه حاصل این تقسیم به سمت بالاتر از یک و به سمت بی نهایت میره، توئیت رو در قسمت مثبت و هر چه به سمت صفر می ره، توئیت رو به عنوان یک جمله منفی طبقه بندی کنه.
خب، ما در یک مثال ساده نشون دادیم که قضیه بیز و تئوریهای احتمالاتی در یادگیری ماشین چه کاربردی دارد. البته باید توجه کنیم که در حالت های عملیاتی، نیاز به محاسبات و بررسیهای پیچیده تری از سمت کاربران و خود ماشین برای طبقه بندی داده ها وجود دارد که در جلسات آینده و با بیشتر شدن دانش و مهارتمون در ضمینه برنامه نویسی و الگوریتم ها، به سمتشون خواهیم رفت. پس با ما همراه باشید ...
دوستان عزیزم؛ برای ارتباط با رتبه برترها صفحه اینستاگرام زیر رو دنبال کنید.
