یادگیری ماشین Machine Learning چیست؟ راهنمای کامل فرادرس مجله‌

در سال ۲۰۱۹، مقاله‌ای در GitHub  منتشر شد و طبق یک نظرسنجی بهترین زبان های برنامه نویسی برای یادگیری ماشین را معرفی کرد. ما در این‌جا تعدادی از آن‌ها را انتخاب کرده و در ادامه‌ی مقاله آورده‌ایم. با انتخاب هدف مناسب، یادگیری زبان‌های پایه، استفاده از منابع آموزشی معتبر و تمرین مداوم، می‌توانید به یک برنامه‌نویس موفق تبدیل شوید. برنامه‌نویسی نه تنها به شما امکان می‌دهد ایده‌های خود را به واقعیت تبدیل کنید، بلکه درهای جدیدی از فرصت‌های شغلی و خلاقیت را به روی شما باز می‌کند. نرم افزار های یادگیری ماشین بخش مهم و جدیدی در مجموعه خودآموز یادگیری ماشین است.

در گام سوم، درک مفاهیم اصلی یادگیری ماشین، اصول اصلی و مهم را برای درک و اجرای الگوریتم‌ها و پارادایم‌های یادگیری مشخص می‌کند. به عنوان نمونه یادگیری تحت نظارت بر پیش‌بینی نتایج با داده‌های برچسب‌گذاری شده متمرکز است، در حالی که یادگیری بدون نظارت الگوهای پنهان در داده‌های بدون برچسب را آشکار می‌کند. با کمک یادگیری ماشین، کامپیوترها و سیستم‌های دیجیتال می‌توانند یاد بگیرند و خروجی‌هایی با کیفیت و دقت بالا تولید کنند. در این مطلب از مجله فرادرس آموختیم یادگیری ماشین چیست و جنبه‌های مختلف این شاخه از هوش مصنوعی را مورد بررسی قرار دادیم. تکنولوژی که به صنایع و کسب‌وکارهای مختلف اجازه می‌دهد تصمیماتی هم راستا با خواسته کاربر اتخاذ کنند. بخش زیادی از محبوبیت زبان برنامه‌نویسی پایتون در یادگیری ماشین به خاطر خوانایی بالا، یادگیری آسان، جامعه کاربری فعال و کتابخانه‌های کاربردی است که در هر نوع پروژه یادگیری ماشین قابل پیاده‌سازی و اجرا هستند.

اما اگر از تلاش و پیشرفت لذت می‌برید، این ویژگی به شما کمک می‌کند تا به یک برنامه‌نویس موفق تبدیل شوید. خیلی از تازه‌کارها به خاطر عجله برای ورود به بازار کار، یادگیری الگوریتم‌ها و ساختمان داده‌ها رو پشت گوش می‌ندازن. حتی ممکنه فکر کنن این مفاهیم فقط برای مصاحبه‌های شغلی به درد می‌خوره و تو دنیای واقعی کاربردی نداره. عجله تو یادگیری برنامه‌نویسی می‌تونه مشکلات زیادی برای تازه‌کارها درست کنه؛ مشکلاتی که هر کدومش می‌تونه مسیر حرفه‌ای یه برنامه‌نویس رو به خطر بندازه. اگر ترجیح می‌دهید با راهنمایی مستقیم یاد بگیرید، شرکت در کلاس‌های حضوری یا کارگاه‌های آموزشی می‌تواند انتخاب مناسبی باشد. در مقالات آینده، هر یک از گام های این مسیر را در کنار هم طی می کنیم تا در پایان مقالات یادگیری ماشین، با تمامی مفاهیم آن آشنا باشیم.

سینتکس ساده‌ و سریع‌بودن دوره‌ی تسلط بر آن، Python را به یک زبان عالی برای یادگیری و نمونه‌سازیِ سریع تبدیل کرده است. C++ و C# دو زبان قوی و پرکاربرد هستند که در حوزه‌های مختلفی مانند بازی‌سازی و توسعه نرم‌افزارهای کاربردی استفاده می‌شوند. C++ به دلیل سرعت و کارایی بالا در پروژه‌هایی که نیاز به عملکرد قوی دارند، مانند موتورهای بازی و سیستم‌های تعبیه‌شده، مورد استفاده قرار می‌گیرد. از سوی دیگر، C# زبان اصلی توسعه در محیط .NET است و برای ساخت برنامه‌های ویندوز و بازی‌های ویدیویی با استفاده از Unity بسیار مناسب است. اگر به بازی‌سازی علاقه‌مند هستید، یادگیری این زبان‌ها می‌تواند مسیر شما را هموار کند.

به یاد داشته باشید، چه برنامه‌نویسی را انتخاب کنید یا مسیر دیگری را، مهم این است که با اشتیاق و علاقه پیش بروید. به عنوان یکی دیگر از ابزارهای رایج در یادگیری ماشین و به‌طور خاص تحلیل آماری می‌توان به زبان برنامه‌نویسی R اشاره کرد. مجموعه‌ای کامل از بسته‌های نرم‌افزاری که کار را برای پیاده‌سازی الگوریتم‌های یادگیری ماشین بسیار آسان می‌سازد. به عنوان مثال با کمک بسته‌هایی همچون caret، mlr و randomForest، الگوریتم‌های یادگیری ماشین متنوعی از رگرسیون و دسته‌بندی گرفته تا خوشه‌بندی و کاهش ابعاد قابل پیاده‌سازی و اجرا هستند. جاوا به دلیل استفاده از بایت کد و جعبه‌های شن (Sandbox) به عنوان یک زبان امن شناخته می‌شود. جای تعجب نیست که جدیدترین الگوریتم‌های یادگیری ماشین در کنار الگوریتم‌های قدیمی‌تر به زبان جاوا نوشته شده‌اند.

اسکالا پیوندی میان برنامه نویسی عملکردی و جاوا است و انتخابی مناسب برای افرادی است که با جاوا و تکنولوژی‌های Big data مانند Hadoop و Apache Spark آشنا هستند و می‌خواهند وارد حوزه یادگیری ماشین شوند. از مزایای این زبان می‌توان به عملکرد یکپارچه‌ با Apache Spark اشاره کرد. دلیل دیگر محبوبیت پایتون ترکیب نحوی ساده و یادگیری سریع است که اجازه می‌دهد گزینه مناسبی برای کار با الگوریتم‌ها باشد. این ترکیب نحوی، به لطف خوانایی زیادی که دارد به توسعه‌دهندگان اجازه می‌دهد فرآیند تجزیه و تحلیل‌ها را با سهولت بیشتری نسبت به زبان‌های دیگر انجام دهند. این زبان انتخاب مناسبی برای توسعه‌دهندگانی است که قصد دارند توانایی خود در زمینه سامانه‌های یادگیری ماشین را بهبود بخشند.

اولین عامل، نیازمندی‌های پروژه است که باید آن‌ها را با امکانات زبان‌های برنامه نویسی مطابقت دهیم تا بدین طریق، مناسب‌ترین زبان را برگزینیم. جامعه پشتیبانی از زبان و منابع آموزشی در دسترس و همچنین نوع پلتفرم استقرار برنامه نیز می‌توانند به عنوان عوامل مهم دیگر برای انتخاب بهترین زبان برنامه نویسی برای یادگیری ماشین محسوب شوند. زبان سی پلاس پلاس یک زبان برنامه نویسی قدرتمند است که با استفاده از آن می‌توان پروژه‌های شی گرایی را به راحتی توسعه داد. Python کاربردهای گسترده‌ای دارد؛ از توسعه وب و تحلیل داده‌ها گرفته تا هوش مصنوعی و یادگیری ماشین. این زبان به خوبی توسط جامعه برنامه‌نویسی پشتیبانی می‌شود و منابع آموزشی بی‌شماری برای آن وجود دارد.

یکی از ویژگی‌های مهم Java، قابلیت اجرای آن بر روی پلتفرم‌های مختلف با استفاده از JVM (Java Virtual Machine) است. یادگیری Java می‌تواند شما را برای مشاغل مختلف آماده کند، از توسعه نرم‌افزارهای موبایل گرفته تا طراحی سیستم‌های بزرگ سازمانی. ابزارها و فریم‌ورک‌هایی مانند Spring و Hibernate نیز به توسعه‌دهندگان Java امکانات بیشتری می‌دهند. برای تولید و توسعه محصولات مبتنی بر یادگیری ماشین، ابتدا باید آمار را تا حدی درک کنید. بسیاری از این الگوریتم‌ها بر اساس آمار مشابهی هستند که در دبیرستان خواندید. ولی اگر یادتان نیست، ما دوره آموزش سریع جبر خطی و آمار جامعی، با سرفصل‌های مناسب یادگیری ماشین و هوش مصنوعی برایتان آماده کردیم و مباحث ضروری را یاد می‌دهیم.

از جبر خطی و حساب دیفرانسیل و انتگرال گرفته تا برنامه نویسی، این مهارت های پایه ابزاری ضروری برای دستکاری داده ها «manipulating data»، درک الگوریتم ها و بهینه سازی مدل ها را فراهم می کند. با کنکاش در این زمینه ها، دانشمندان داده و علاقه مندان به یادگیری ماشین، تخصص لازم را برای مقابله با مسائل پیچیده و ایجاد نوآوری در این زمینه ایجاد می کنند. هدف از نگارش این آموزش در مجله پی استور، آشنایی شما با اصول یادگیری ماشین، ترسیم پیش نیازهای ضروری و یک نقشه راه ساختاریافته برای شروع یادگیری شما به این حوزه است. در این مسیر سعی خواهیم کرد مفاهیم اساسی، پروژه‌های عملی برای تقویت مهارت‌ها و منابع انتخاب‌شده برای یادگیری مستمر را پوشش دهیم. حالا که مدل آموزش دیده و بهینه نیز شده است، می‌توان برای پیش‌بینی داده‌های جدید از آن بهره گرفت.

از مهم‌ترین زیرشاخه‌های مدرن یادگیری ماشین، یادگیری عمیق است که الهام گرفته از ساختار مغز انسان است. ما در آموزش یادگیری ماشین رایگان هوسم به بررسی الگوریتم‌های کلاسیک یادگیری ماشین پرداخته و در آموزش یادگیری عمیق رایگان هوسم به آموزش مفاهیم یادگیری عمیق پرداخته‌ایم. زبان پایتون به عنوان یکی از زبان‌های برنامه نویسی سطح بالا و همه منظوره تلقی می‌شود که یادگیری آن برای علاقه‌مندان به برنامه نویسی آسان است. در سال‌های اخیر، پایتون برای انجام پروژه‌هایی نظیر یادگیری ماشین و تحلیل داده نسبت به سایر زبان‌های برنامه نویسی نظیر C++‎ توجه بسیاری از افراد را به خود جلب کرده است. البته از آنجا که این زبان به عنوان یکی از زبان‌های برنامه نویسی سطح بالا است، در مقایسه با سایر زبان‌های برنامه نویسی کندتر اجرا می‌شود.

به دلیل استفاده از الگوریتم‌های هوشمند در همه جا، از ایمیل گرفته تا اپلیکیشن‌های موبایل و کمپین‌های بازاریابی، حرفه یادگیری ماشین در حال انفجار است. مجموعه آموزشی پی استور، یکی از قدیمی‌ترین وب سایت‌های آموزشی ایران است که بیش از یک دهه از فعالیت آن سپری می‌ شود. فعالیت این مجموعه، در قالب ارائه دوره‌های آموزشی، فیلم آموزش، سورس کد و پاورپوینت آماده به عنوان ابزارهای آموزشی و کمک آموزشی می‌باشد. زیرشاخه‌ای از هوش مصنوعی که با بهره‌گیری از الگوریتم‌های محاسباتی، کامپیوترها را قادر می‌سازد از داده‌ها یاد گرفته و سپس خروجی نمونه‌های جدید را پیش‌بینی کنند. با گذشت سال‌ها، یادگیری ماشین تاثیر چشمگیری بر صنایع مختلف گذاشته و باعث ایجاد تغییر و تحول در فرایندهای قدیمی و هموار ساختن مسیر نوآوری شده است. خدمات درمانی، امور مالی و حمل و نقل از جمله این صنایع هستند که در ادامه این بخش بیشتر در مورد هر کدام توضیح می‌دهیم.

ماشین‌ها بر اساس الگوریتم‌های آماری که توسط افراد ماهر مدیریت و نظارت می‌شوند – معروف به دانشمندان داده و مهندسان یادگیری ماشین- کار می‌کنند. بازار کاری که در آن فرصت‌های شغلی برای رشد زیاد است، اما در حال حاضر، عرضه برای پاسخگویی به تقاضا با مشکل مواجه هست. کارشناسان ابراز تاسف می کنند که یکی از بزرگترین موانعی که پیشرفت هوش مصنوعی را به تاخیر می اندازد، نبود متخصصان با تخصص و آموزش لازم است. گام پنجم بر کاربرد دانش نظری در سناریوهای دنیای واقعی از طریق پروژه های عملی متمرکز است. این تجربیات عملی نه تنها مفاهیم آموخته شده را تقویت می کند، بلکه مهارت در اجرای راه حل های یادگیری ماشینی را نیز ایجاد می کند.

اما هنگامی که حجم داده‌ها بسیار زیاد می‌شود و زمان لازم برای انجام محاسبات افزایش می‌یابد، نیاز به یادگیری ماشین به عنوان علمی مطرح می‌شود که به افراد در کار با داده‌های انبوه در حداقل زمان کمک می‌کند. به جای حفظ مفاهیم، با کدنویسی و ساخت پروژه‌های کوچک مانند طراحی یک وب‌سایت ساده، ساخت ماشین‌حساب یا طراحی یک بازی، مهارت‌های خود را تقویت کنید و با چالش‌های جدید روبرو شوید. تو دنیای پرسرعت برنامه‌نویسی، عجله تو یادگیری شاید در نگاه اول وسوسه‌انگیز به نظر برسه، اما همون‌طور که تو این مقاله گفتیم، این روش می‌تونه عواقب جدی به همراه داشته باشه. بیایید تو این بخش آخر، نکات مهم و یه سری توصیه‌ کاربردی رو با هم مرور کنیم. این روش یادگیری، ترکیبی از داده‌های برچسب‌دار و بدون برچسب را برای آموزش مدل استفاده می‌کند و نقطه‌ای بین یادگیری نظارت‌شده و یادگیری بدون نظارت قرار می‌گیرد.

در یادگیری ماشین، به جای برنامه‌نویسی همه چیز، داده‌ها به یک الگوریتم عمومی داده می‌شوند و این الگوریتم است که براساس داده‌هایی که به آن داده شده منطق خود را می‌سازد. یادگیری ماشین روش‌های گوناگونی دارد که از آن جمله می‌توان به یادگیری نظارت شده، نظارت نشده و  یادگیری تقویتی اشاره کرد. برنامه‌نویسی تنها یک مهارت فنی نیست، بلکه ابزاری برای حل مسائل و خلق ایده‌های نوآورانه است. با یادگیری برنامه‌نویسی، شما می‌توانید اپلیکیشن‌های کاربردی، وب‌سایت‌ها، بازی‌ها و حتی نرم‌افزارهای پیچیده طراحی کنید. علاوه بر این، بازار کار برنامه‌نویسان بسیار پررونق است و شرکت‌ها به دنبال افراد با توانایی کدنویسی هستند.

در یادگیری ماشین، R اغلب به‌عنوان ابزار تکمیلی و در کنار زبان‌های دیگر به کار می‌رود. با این حال، R به‌تنهایی برای فرایندهایی مانند تحلیل احساسات نیز مناسب است. R عموماً در حوزه‌هایی مثل مهندسی زیستی (طراحی و آزمایش تجهیزات پزشکی)، بیوانفورماتیک (مطالعه‌ی مقادیر زیاد داده‌های زیستی) و بوم‌شناسی استفاده می‌شود. اما برای فرایندهایی از یادگیری ماشین که از نظر آماری سنگین هستند نیز مناسب است. در دنیای پرشتاب امروز، صنعت برنامه‌نویسی با سرعتی باورنکردنی در حال تحوله.

باید توجه داشت که تفاوت معناداری بین یادگیری سریع و یادگیری عجولانه وجود داره. یادگیری سریع، که حاصل برنامه‌ریزی دقیق، تمرکز بالا و استفاده بهینه از زمان هست، می‌تونه مثبت و سازنده باشه. اما یادگیری عجولانه، که با پرش از روی مفاهیم پایه و عدم درک عمیق همراه هست، معمولاً به شکست منتهی می‌شه. آیا می‌خواهید یک توسعه‌دهنده وب شوید؟ یا شاید علاقه‌مند به ساخت اپلیکیشن‌های موبایل هستید؟ هدف شما تعیین‌کننده مسیر یادگیری و زبان‌های برنامه‌نویسی‌ای است که باید یاد بگیرید. به عنوان مثال، اگر می‌خواهید وب‌سایت بسازید، بهتر است زبان‌هایی مانند HTML، CSS و JavaScript را یاد بگیرید.

در مسیر یادگیری ماشین، از افراد مختلف، توصیه های فراوانی خواهید شنید که حتی گاهی با هم تناقض خواهند داشت. ولی یک نکته کلیدی را به خاطر داشته باشید که تنها دانستن الگوریتم ها کافی نیست. اسم الگوریتم‌ها شما را نترساند، همه آن‌ها را خیلی ساده و به اندازه‌ای که برای انجام پروژه ها نیاز است، توضیح می‌دهیم. ولی برای اینکه خیالتان راحت باشد که همه مطالب را به خوبی یاد گرفته‌اید، یک مدل را با زبان پایتون می‌سازیم که بتوانید آموخته‌هایتان را بر روی داده‌ها اجرا کنید. درحال‌حاضر هوش مصنوعی نمی‌تواند جایگزین برنامه‌نویسان شود؛ زیرا ماشین قادر به فکر کردن مانند انسان و حل چالش‌ها نیست.

یادگیری نیمه نظارتی برای شرایطی که داده‌های برچسب‌دار کمیاب هستند اما داده‌های بدون برچسب به‌وفور در دسترس‌اند، بسیار کاربردی است. یادگیری تقویتی «Reinforcement Learning» روشی است که در آن یک عامل (مانند یک الگوریتم یا ربات) تلاش می‌کند در محیط خود اقداماتی انجام دهد تا پاداش بیشتری دریافت کند. در این روش، برخلاف بسیاری از دیگر انواع یادگیری ماشین، به عامل مستقیماً گفته نمی‌شود که چه اقداماتی را باید انجام دهد. در عوض، عامل باید از طریق آزمون و خطا کشف کند که کدام اقدامات بهترین نتایج (بیشترین پاداش) را به همراه دارند. یادگیری بدون نظارت «Unsupervised Learning» نوعی از الگوریتم یادگیری ماشین است که برای استنتاج از مجموعه داده‌های متشکل از داده‌های ورودی بدون پاسخ‌های برچسب‌دار استفاده می‌شود.

به این صورت که داده‌ها‌ی جدید توسط مدل یادگیری ماشین پردازش شده و از خروجی به‌دست آمده برای تصمیم‌گیری یا تجزیه و تحلیل بیشتر استفاده می‌شود. مظور از توسعه مدل، به‌کارگیری آن در کاربردهای حقیقی و پردازش بلادرنگ داده‌های ورودی است. فرایندی که اغلب با عنوان «عملیات یادگیری ماشین» (Machine Learning Operations | MLOps) شناخته می‌شود. در اکثر مواقع، به‌ویژه ابتدا مسیر آموزش، درک و تمایز قائل شدن میان سه مفهوم یادگیری ماشین، هوش مصنوعی و یادگیری عمیق دشوار است. این ویژگی ها، باعث شده تا جاوا به زبان برنامه نویسی برای یادگیری ماشین تبدیل شود و اتفاقا عملکرد خوبی هم داشته باشد.

باید به این نکته مهم اشاره کرد که بهترین زبان برنامه نویسی برای یادگیری ماشین وجود ندارد. خوشبختانه این سری از مقالات را می‌توانید بدون هیچ پیش‌زمینه‌ای در برنامه‌نویسی تکمیل کنید. برای کسانی که مایلند نگاهی به برنامه‌نویسی یادگیری ماشین داشته باشند، در مقالات آخر، کل مراحل ساخت یک مدل را با استفاده از زبان محبوب پایتون توضیح می‌دهیم. از آنجا که برای ما مهم هست کل مسیر یادگیری با شما باشیم و آموزش‌های کامل و کاربردی ارائه دهیم، دوره آموزش پایتون ویژه هوش مصنوعی هم برایتان آماده کردیم. اسکالا از جمله زبان‌های اصلی است که توسط زیرساخت آپاچی اسپارک پشتیبانی می‌شود.

همچنین به دلیل سرعت برق آسا در ایجاد درآمد ، کاهش هزینه ها و جلوگیری از خطرات ، بسیار محبوب است. شاید مسیرتان برای تبدیل شدن به یک متخصص در زمینه یادگیری ماشین از این‌جا شروع شود. شاید یک درک پایه برای ارضای کنجکاوی شما در حال حاضر کافی باشد و دوست دارید با کاربردهای یادگیری ماشین آشنا شوید. در هر صورت، با این فرض پیش می‌رویم که شما پذیرای ایده آموزش برای تبدیل شدن به یک دانشمند داده یا مهندس یادگیری ماشین موفق هستید. یادگیری ماشین دیگر تنها یک زیرشاخه تخصصی در علوم کامپیوتر نیست، بلکه غول‌های فناوری سال‌ها است از آن استفاده می‌کنند. الگوریتم‌های یادگیری ماشین به توصیه‌های محصولات Walmart، افزایش قیمت در Uber، کشف تقلب در موسسات مالی برتر، Google Maps و محتوای توییتر، لینکدین، فیس‌بوک و اینستاگرام کمک می‌کنند.

آر برای افرادی که می‌خواهند داده‌های آماری را از طریق نمودار کشف کنند، بستر مناسبی را فراهم می‌کند. علاوه بر این، برای کاربردهای مختلف توسط دانشمندان علم داده‌ها در شرکت‌هایی نظیر فیس‌بوک، گوگل و بسیاری از شرکت‌های بزرگ از آر استفاده می‌شود. حال که زبان‌ های برنامه‌ نویسی یادگیری ماشین را شناختیم، بهتر است با زیرساخت های هوش مصنوعی و GPU نیز آشنا شویم. در این بخش، به پرسش‌های متداول پیرامون زبان‌های برنامه نویسی حوزه یادگیری ماشین می‌پردازیم و با توجه به توضیحاتی که در بخش‌های قبل مطلب حاضر به آن‌ها پرداختیم، به این سوالات پاسخ خواهیم داد. بسیاری از پکیج‌های R برای ساده‌سازی آن دسته از فرایندهای یادگیری ماشین که نیاز به پردازش حجم زیادی از داده دارند، طراحی شده‌اند. برای مثال، پکیج Classification and Regression Training کار ساخت الگو‌های پیش‌بینی‌کننده را خیلی راحت‌تر کرده است.

بهترین زبان برای یادگیری ماشین، بستگی به حوزه‌ی موردنظر، دامنه پروژه یادگیری ماشین، زبان‌های برنامه‌نویسی مورد استفاده در شرکت مربوطه  و چندین عامل دیگر دارد. اما توجه داشته باشید؛ زمانی که در یک زبان یادگیری ماشین ماهر شدید، یادگیری زبان دیگر آسان است. با اینکه JavaScript سرعت زبان‌های سطح پایین‌تر را ندارد، وب‌اپلیکیشن‌های مفیدی برای استفاده در زمینه‌ی یادگیری ماشین دارد. برای مثال، توسعه‌دهنده‌ها اغلب خروجی‌ِ الگوریتم‌های یادگیری ماشین را به داشبورد‌های تحت وبی که مبتنی بر Java هستند، انتقال می‌دهند. با این حال JavaScript برای استفاده در فرایندهای سنگین و مواردی که نیاز به کار زیادی دارند، چندان گزینه‌ی مناسبی نیست. در حالی که یادگیری ماشین اغلب با اعداد پیچیده سروکار دارد، JavaScript شامل عملکرد‌های ریاضیاتی نسبتاً ابتدایی است.

برای مثال اگر مجموعه داده مربوط به بازی‌های فوتبال (وضعیت جوی) باشد، یک سطر حاوی اطلاعات یک بازی خاص است. ستون‌ها (که از آن‌ها با عنوان خصیصه، ویژگی، مشخصه نیز یاد می‌شود) در واقع ویژگی‌هایی هستند که هر نمونه داده را توصیف می‌کنند. یکی دیگر از روش‌های ارزیابی این است که به شغل‌های مختلف برنامه‌نویسی و مسئولیت‌های آن‌ها نگاه کنید. ببینید آیا کارهایی مثل توسعه وب، برنامه‌ نویسی موبایل یا تحلیل داده برای شما جذاب به نظر می‌رسد. در طول یادگیری، حتماً با چالش‌هایی مانند پیدا کردن باگ‌ها یا درک مفاهیم جدید مواجه خواهید شد. نحوه برخورد شما با این چالش‌ها می‌تواند تعیین‌کننده علایق و توانایی شما در این زمینه باشد.