توسعه پایگاه داده های مواد غذایی مختلف با استفاده از روش های هوش مصنوعی و یادگیری ماشین

هوش مصنوعی برای اولین بار در دهه ی ۱۹۴۰ میلادی مطرح شد و پس از آن در سال ۱۹۵۶ این مفهوم گسترش داده شد و اینگونه تعریف شد: "هوش مصنوعی به عنوان هر وظیفه ای که توسط یک برنامه یا ماشین انجام می شود، تعریف می شود به طوری که اگر انسانی همان فعالیت را انجام دهد، باید برای انجام این کار از هوش خود استفاده کند." . امروزه با بهبود قدرت پردازش و محاسبات رایانه ها و همچنین به وجود آمدن داده های بزرگ، هوش مصنوعی جایگاه مهمی را در علوم کامپیوتر، آمار، علوم داده و هر نوع مبحثی که در آن نیاز به آنالیز داده های بزرگ و پیچیده باشد، کسب کرده است. سیستم های هوش مصنوعی معمولا تعدادی از رفتارهایی که با هوش انسان همراه هستند، مانند برنامه ریزی، یادگیری، استدلال، حل مساله، نمایش دانش، ادراک، حرکت و همچنین تا حدودی هوش اجتماعی و خلاقیت را شامل می شوند. تشخیص تصویر، گوینده های هوشمند و اتومبیل های خودران از مثال های بارز هوش مصنوعی در زندگی روزمره می باشند.

یادگیری ماشین

یادگیری ماشین یکی از زیرمجموعه های هوش مصنوعی به شمار می آید که به سیستم توانایی یادگیری خودکار را بدون اینکه نیازی به برنامه ریزی صریحی توسط انسان داشته باشد، می دهد. یادگیری ماشین بر توسعه برنامه های رایانه ای متمرکز است که می توانند به داده ها دسترسی داشته باشند و از آن ها در جهت یادگیری مهارت در نظر گرفته شده، استفاده کنند. فرآیند یادگیری ماشین همانند الگوی یادگیری انسان از طریق مشاهده ی داده های آموزشی و مثال ها اتفاق می افتد. الگوریتم های یادگیری ماشین با استفاده از علم آمار و رایانه، الگوهایی را در حجم بزرگی از داده ها پیدا می کنند. این داده ها می توانند شامل اعداد، کلمات، تصاویر و هر نوع داده ای که قابلیت ذخیره سازی به صورت دیجیتال را دارد و حاوی اطلاعات است، باشند. به طور کلی الگوریتم های یادگیری ماشین به سه دسته یادگیری نظارت شده، یادگیری نظارت نشده و یادگیری تقویتی تقسیم می شوند.

یادگیری عمیق

یادگیری عمیق به عنوان زیر مجموعه ای از یادگیری ماشین شناخته می شود که مربوط به الگوریتم هایی است که از ساختار و عملکرد مغز الهام گرفته شده اند. گرچه روش های یادگیری عمیق و روش های کلاسیک یادگیری ماشین هر دو در طبقه بندی هوش مصنوعی قرار می گیرند و هر دو از طریق داده های ورودی آموزش داده می شوند اما تفاوت های اساسی بین این دو وجود دارد. در روش های کلاسیک یادگیری ماشین، انسان وظیفه ی انجام استخراج ویژگی‌ها از داده را دارد تا مدل بر اساس این ویژگی ها ساخته شود. در حالی که در روش های یادگیری عمیق عمل استخراج ویژگی توسط خود مدل و بدون دخالت انسان انجام می شود و همین موضوع می تواند باعث بهبود عملکرد مدل های یادگیری عمیق بشود.