ስለምንሰጣቸው ኮርሶች ማብራሪያ ✅ ክፍል 4️⃣
ማሽን ለርኒንግ (Machine Learning): ኮምፒውተሮች ከተሞክሮ እንዲማሩ ማድረግ!

ሰላም! በክፍል 1 ስለ ፉል ስታክ ዌብ ዴቨሎፕመንት፣ በክፍል 2 ስለ ፓይተን ፕሮግራሚንግ፣ እንዲሁም በክፍል 3 ስለ ዳታ ሳይንስ ምንነትና ጠቀሜታ ሰፋ ያለ ማብራሪያ አይተናል።

ዛሬ ደግሞ በዳታ ሳይንስ እና በአርቴፊሻል ኢንተሊጀንስ (AI) ውስጥ እጅግ በጣም ቁልፍ ሚና የሚጫወተውን ማሽን ለርኒንግ (Machine Learning) እንመለከታለን።


✅ ለመሆኑ ማሽን ለርኒንግ ምንድን ነው? በዕለት ከዕለት ህይወታችን ውስጥ እንዴት እንጠቀምበታለን? ለምንስ መማር አስፈለገ? እነዚህንና ተያያዥ ጥያቄዎችን በቀላሉ ለመመለስ እንሞክራለን!


✅ ማሽን ለርኒንግ ምንድን ነው? (What is Machine Learning?)

ስሙ እንደሚጠቁመው፣ ማሽን ለርኒንግ ማለት ኮምፒውተሮች (ማሽኖች) ልክ እንደ ሰው ከተሞክሮ (ከልምድ) እንዲማሩ የማስቻል ሂደት ነው። እንዴት? እስከዛሬ ከኮምፒዩተር ጋር የምንግባባው በፕሮግራሚንግ ቋንቋዎች አልነበር? አለበለዚያ ኮምፒዩተር እንደ ጠረንጴዛ ግዑዝ ነገር ነው፣ የተሰራበት ትራንሲስተር እንዳለ ሆኖ።

አሁንስ? ለኮምፒውተሩ በሆነ ፕሮግራሚንግ ቋንቋ "ይሄን ስራ በዚህ መልኩ ስራ!" ብለን እያንዳንዱን እርምጃ በግልፅ ከመንገር ይልቅ፣ እጅግ በጣም ብዙ መረጃ (data) እንሰጠዋለን። ከዚያም ኮምፒውተሩ ከዚህ መረጃ በራሱ በመማር ስርዓተ-ጥለቶችን (patterns) ይለያል፣ ግንኙነቶችን (በእያንዳንዱ መረጃ መካከል ያለውን relationship) ይረዳል፣ እናም በአዲስ (ከዚህ በፊት ባላየነው) መረጃ ላይ ተመስርቶ ውሳኔዎችን መስጠት ወይም ትንበያዎችን ማድረግ ይችላል።

በሌላ አነጋገር፣ ኮምፒውተሩን በቀጥታ ፕሮግራም ከማድረግ ይልቅ፣ እንዴት መማር እንዳለበት እናስተምረዋለን! መማርን ማስተማር!

ልክ አንድ ህፃን ድመትን ከውሻ ለመለየት ብዙ ጊዜ የተለያዩ የድመትና የውሻ ምስሎችን አይቶ "ይሄ ድመት ነው"፣ "ይሄ ውሻ ነው" እየተባለ ከተነገረው በኋላ፣ አዲስ የድመት ወይም የውሻ ፎቶ ሲያይ በራሱ መለየት እንደሚችለው ማለት ነው። ማሽን ለርኒንግም ኮምፒውተሮች ይህን የመሰለ የመማር ችሎታ እንዲላበሱ ያደርጋል። መጀመሪያ በበርካታ ዳታ እናስተምራቸዋለን፣ በሗላ ላይ ያልተማሩት ዳታ ላይ ውሳኔ መወሰን ይችላሉ።


✅ ማሽን ለርኒንግ በዕለታዊ ህይወታችን ውስጥ (Machine Learning in Everyday Life):
ምናልባት "እኔ ማሽን ለርኒንግ አልጠቀምም" ብለው ያስቡ ይሆናል። ነገር ግን እውነታው፣ በየቀኑ ሳናውቀው እንኳን በተደጋጋሚ እንጠቀምበታለን! እስኪ ጥቂት ምሳሌዎችን እንይ፦

➡️የማህበራዊ ሚዲያ ፊድ (Social Media Feeds): ፌስቡክ፣ ቲክቶክ፣ ዩቲዩብ ወይም ኢንስታግራም ላይ ስንገባ መጀመሪያ የምናያቸው ፖስቶች ወይም ቪዲዮዎች ዝም ብለው የሚመጡ አይደሉም። ከዚህ በፊት የወደድናቸውን (like ያደረግናቸውን)፣ ያየናቸውን (watched)፣ ወይም ኮመንት የሰጠብንባቸውን ነገሮች መሰረት በማድረግ "ይሄ ሰው ይህን አይነት ነገር ይወዳል" ብሎ ማሽን ለርኒንግ ስርዓቱን ስለሚማር ለእኛ የሚስማማውን ይዘት እየመረጠ ያቀርብልናል።

➡️ የምርት ምክረ-ሀሳቦች (Product Recommendations): ኦንላይን ሸምተን የምናውቅ ከሆነ (ለምሳሌ Amazon, Jumia, AliExpress, Shein...) አንድን እቃ ስንገዛ ወይም ስንመለከት "ይህን የገዙ ሰዎች ይህንንም ገዝተዋል" ወይም "ለእርስዎ እነዚህ እቃዎች ይመከራሉ" የሚሉ ምክሮችን አይተን እናውቃለን። ይህ የሚሆነው፣ የእኛንና የሌሎች ተመሳሳይ ተጠቃሚዎችን የግዢ ባህሪ ማሽን ለርኒንግ ሞዴሎች ስለሚተነትኑ ነው።


➡️ የኢሜይል ስፓም ማጣሪያ (Email Spam Filtering): ጂሜይል (Gmail) እና ሌሎች የኢሜይል አገልግሎቶች የማይፈለጉ (spam) መልዕክቶችን ለይተው ወደተለየ ፎልደር የሚያስገቡት በማሽን ለርኒንግ ነው። ስርዓቱ ከብዙ ሚሊዮን ኢሜይሎች በመማር የትኛው ኢሜይል የማይፈለግ እንደሆነ እና እንዳልሆነ ይለያል።



➡️ Auto-Correct & Grammar Check): በስልካችን ወይም በኮምፒውተራችን ላይ ስንጽፍ ቃላትን በራሱ የሚያስተካክልልን (auto-correct) ወይም ቀጥሎ የምንጽፈውን ቃል የሚገምትልን (predictive text) ቴክኖሎጂ ከበስተጀርባው ማሽን ለርኒንግን ይጠቀማል።


➡️ የትራፊክ ትንበያ (Traffic Prediction): ጎግል ማፕስ (Google Maps) ወይም መሰል መተግበሪያዎች መንገዶች ላይ ያለውን የትራፊክ መጨናነቅ ተንብየው "ይሄ መንገድ የተሻለ ነው" ብለው አማራጭ የሚሰጡን ያለፉትን እና የአሁኑን የትራፊክ ዳታ በማሽን ለርኒንግ በመተንተን ነው።


➡️ የቋንቋ ትርጉም (Language Translation): እንደ ጉግል ትርጉም (Google Translate) ያሉ አገልግሎቶች ከአንድ ቋንቋ ወደ ሌላ ቋንቋ በአስገራሚ ፍጥነት እና ጥራት መተርጎም የቻሉት እጅግ በጣም ብዙ የጽሑፍ መረጃዎችን በመጠቀም የሰለጠኑ የማሽን ለርኒንግ ሞዴሎች ስላሏቸው ነው።


➡️ የባንክ ማጭበርበር መከላከል (Fraud Detection): ባንኮች ከእኛ የክፍያ ካርድ (ATM/Credit Card) ያልተለመደ ወይም አጠራጣሪ ግብይት ሲፈጸም በፍጥነት ለይተው በማስጠንቀቅ ወይም ግብይቱን በማገድ ገንዘባችንን የሚጠብቁት የማሽን ለርኒንግ ስርዓቶችን በመጠቀም ነው።

እነዚህ ጥቂቶቹ ምሳሌዎች ናቸው! ማሽን ለርኒንግ በጤና፣ በግብርና፣ በትራንስፖርት፣ በመዝናኛ እና በሌሎችም በርካታ ዘርፎች ውስጥ ትልቅ አሻራ እያሳረፈ ይገኛል።


✅ የማሽን ለርኒንግ ጥቅሞች (Benefits of Machine Learning):

✅ተደጋጋሚ ስራዎችን በራስ-ሰር መስራት (Automation): ሰዎች የሚሰሯቸውን ድካም የሚጠይቁና ተደጋጋሚ ስራዎችን ኮምፒውተሮች እንዲሰሯቸው ማድረግ።

✅ የብልህ ትንበያዎችን መስጠት (Intelligent Predictions): ካለፈው መረጃ በመነሳት ስለወደፊቱ (ለምሳሌ የአየር ሁኔታ፣ የሽያጭ መጠን፣ የበሽታ ስርጭት) የተሻለ አድርጎ መተንበይ።


✅ የተሻሻለ ውሳኔ አሰጣጥ (Improved Decision Making): ውስብስብ መረጃዎችን በመተንተን የተሻሉ እና በመረጃ ላይ የተመሰረቱ ውሳኔዎችን ማድረግ።


✅ ግላዊነትን ማላበስ (Personalization): ለእያንዳንዱ ተጠቃሚ እንደየፍላጎቱ እና ባህሪው የተለየ አገልግሎት ወይም ይዘት ማቅረብ (ከላይ እንዳየናቸው ምሳሌዎች)።


✅ ስውር ቀመሮችን ማግኘት (Discovering Hidden Patterns): ሰዎች በቀላሉ ሊያስተውሏቸው የማይችሉ በመረጃ ውስጥ የተደበቁ ግንኙነቶችን እና ስርዓተ-ጥለቶችን መለየት።


✅ ከዳታ ሳይንስ እና አርቴፊሻል ኢንተሊጀንስ (AI) ጋር ያለው ግንኙነት:

ማሽን ለርኒንግ የአርቴፊሻል ኢንተሊጀንስ (AI - ሰው ሰራሽ አስተውሎት) አንዱ ቁልፍ እና ዋና ዘርፍ ነው። AI ማለት ኮምፒውተሮች የሰውን ልጅ አስተሳሰብ እና ባህሪ መኮረጅ እንዲችሉ ማድረግ ሲሆን፣ ማሽን ለርኒንግ ይህን ለማሳካት ከሚረዱ ዋና መንገዶች አንዱ (በተለይ የመማርን ክፍል) ነው።