WEBVTT 00:00:00.000 --> 00:00:04.904 یادگیری ماشینی چیست؟ در این ویدیو سعی می کنیم تا این مفهوم را تعریف نماییم و همچنین سعی می کنیم 00:00:04.904 --> 00:00:09.520 تا به شما نشان دهیم که چه وقت از یادگیری ماشینی استفاده کیند. حتی در میان 00:00:09.520 --> 00:00:14.252 استفاده کنندگان یادگیری ماشینی، تعریف کاملا مورد قبولی از اینکه این مفهوم چیست و چه چیز 00:00:14.252 --> 00:00:18.926 یادگیری ماشینی نیست وجود ندارد. ولی بگذارید چند مثال از راه هایی که 00:00:18.926 --> 00:00:23.600 افراد برای تعریف این مفهوم بکار برده اند نشان بدهم. آین تعریف یادگیری ماشینی از نظر 00:00:23.600 --> 00:00:28.520 آرتور ساموئل است. او یادگیری ماشینی را به عنوان یک رشته تحصیلی تعریف می کند که به کامپیوترها توانایی یادگیری را بدون اینکه 00:00:31.037 --> 00:00:33.554 بطور صریح برنامه ریزی شوند می دهند. این ادعای معروف ساموئل 00:00:33.554 --> 00:00:38.452 برمیگردد به دهه ۱۹۵۰ که برنامه ای برای بازی چکرز (checkers) نوشت. و نکنه 00:00:38.452 --> 00:00:43.603 شگفت انگیز این برنامه ی بازی این بود که آرتور ساموئل خودش 00:00:43.603 --> 00:00:48.268 خیلی به این بازی وارد نبود. ولی کاری که کرد این بود که مجبور بود که برنامه ای بنویسد که 00:00:48.268 --> 00:00:52.245 ده ها هزار بار با خود برنامه بازی کند. و با مشاهده ی اینکه کدام یک از 00:00:52.245 --> 00:00:56.698 حالت ها منجر به برد و کدام حرکت ها منجر به باخت می شوند این 00:00:56.698 --> 00:01:00.725 برنامه در طول زمان حرکت های منجر به برد و حالت های منجر به 00:01:00.725 --> 00:01:04.713 باخت را یاد میگیرد. و در نهایت یاد می گیرد که چگونه 00:01:04.713 --> 00:01:09.514 بازی چکرز را بهتر از خود ساموئل بازی کند. این یک نتیجه ی قابل توجه بود. 00:01:09.514 --> 00:01:14.535 اگرچه خود ساموئل در آخر بازیکن بهتری نشد ولی کامپیوتر 00:01:14.535 --> 00:01:19.254 این صبر را داشت تا ده ها هزار بار با خودش بازی کند. 00:01:19.254 --> 00:01:24.275 هیچ انسانی این صبر را ندارد تا این مقدار بازی کند. با این روش، کامپیوتر موفق شد تا 00:01:24.275 --> 00:01:29.235 تعداد زیادی تجربه ی بازی چکرز پیدا کند تا در نهایت بازیکن 00:01:29.235 --> 00:01:33.817 بهتری نسبت به خود ساموئل شود. آین یک تعربف تا حدی غیر رسمی و قدیمی ست.