جستجو
ثبت نام
همه چیز در مورد Deep Learning یا یادگیری عمیق

همه چیز در مورد Deep Learning یا یادگیری عمیق

مفهوم یادگیری عمیق به زبان ساده

روبه رو شدن با جهانی پر از عوامل هوشمند و ربات هایی که قدرت تفکر بالایی به نسبت انسان ها دارند و ماشین آلاتی که تمامی وظایف بشریت را بدون خطا و به شکلی کامل و ایده آل انجام میدهند، ما را وادر به مطالعه و تحقیق در حوزه  یادگیری عمیق یا deep learning میکند. اینکه که چگونه ممکن است یک عامل بی جان بدون داشتن قدرتی مانند روح انسان قادر به انجام چنین کارهایی شود؟؟؟

در این مقاله قصد داریم یکی از زیرشاخه های اصلی علم هوش مصنوعی که موجب گسترش و فراگیری این علم در دهه های اخیر شده است را مورد بررسی قرار دهیم و مفهوم Deep Learning را به زبانی ساده بیان کنیم.برای درک بهتر یادگیری عمیق نیاز است تا مفهوم یادگیری ماشین را بدانیم زیرا یادگیری عمیق تکنیکی در یادگیری ماشینی به شمار می رود.

یادگیری ماشین چیست؟

یادگیری ماشین شاخه ای از علم هوش مصنوعی می باشد که توسط آن، عامل های هوشمند بدون انجام برنامه نویسی صریح ، توانایی یادگیری خودکار و قدرت تصمیم گیری برای حل مسائل را دارند.

هدف و تمرکز اصلی علم یادگیری ماشین ، ساخت برنامه های هوشمندی است که توانایی دسترسی به داده ها را داشته باشد و آن داده ها را برای یادگیری خود مورد استفاده قرار بدهد.

در بحث یادگیری ماشین غالبا چهار نوع تکنیک استفاده میشود که به بیان آنها مبپردازیم :

1) یادگیری به همراه نظارت یا supervised learning : در این مدل ماشین ها با استفاده از داده های برچسب گذاری شده و داشتن پاسخ های صحیح آموزش داده می شوند.

2) یادگیری نیمه نظارتی : دسته‌ای از روش‌های یادگیری ماشین است که در آن از داده‌های بدون برچسب و داده‌های برچسب‌دار به صورت هم‌زمان برای بهبود دقت یادگیری استفاده می‌شود.

3) یادگیری بدون نظارت یا unsupervised learning : یک روش یادگیری ماشین است که در آن کاربران نیازی به نظارت بر مدل ندارند. در عوض ، به مدل اجازه می دهد تا به تنهایی برای کشف الگوها و اطلاعاتی که قبلاً کشف نشده بودند کار کند، این کار عمدتا با داده های بدون برچسب سروکار دارد.

4) یادگیری تقویتی یا Reinforcement Learning : گونه‌ای از روش‌های یادگیری ماشین است که یک «عامل» (agent) را قادر به یادگیری در محیطی تعاملی با استفاده از آزمون و خطاها و استفاده از بازخوردها و تجربیات خود می‌سازد.

یادگیری عمیق (deep learning) چیست ؟

یادگیری عمیق زیرشاخه ای از علم یادگیری ماشین می باشد که وظیفه اصلی آن آموزش شیوه تفکر و عملکرد طبیعی انسان ها به هوش مصنوعی می باشد. میتوان گفت یادگیری عمیق به نوعی عملکرد مغز انسان را شبیه سازی کرده و از پروسه یادگیری ذهن انسان تقلید میکند.با این کار، ماشین درک بهتری از واقعیت وجودی داده ها پیدا کرده و میتواند الگوهای مختلف را شناسایی کند.

شبکه های عصبی مصنوعی یا همان ANN مهم ترین بحث برای درک مفهوم دیپ لیرنینگ می باشند. برای شروع باید مفهوم ANN را بدانیم :

(ANN) یا Artificial Neural Networks ایده ای برای پردازش اطلاعات است که از سیستم عصبی زیستی الهام گرفته و مانند مغز به پردازش اطلاعات می‌پردازد. به عبارت دیگر شبکه‌ی عصبی  یک سامانه پردازش داده‌ها است که از مغز انسان ایده گرفته و پردازش داده‌ها را به عهده پردازنده‌های کوچک و بسیار زیادی می‌سپارد که به صورت شبکه‌ای به هم پیوسته و موازی با یکدیگر برای حل یک مسئله رفتار می‌کنند.اگر از دیدگاه علم پزشکی به نحوه کارکرد این سیستم داشته باشیم میتوان گفت که روش کارکرد سیناپس‌ها در مغز انسان را تقلید می‌کنند.

آشنایی با مفهوم ANN کار ما را برای درک بهتر یادگیری عمیق راحت تر میکند و متوجه میشویم که اساس کار یادگیری عمیق بر پایه شبکه های عصبی مصنوعی می باشد. در حالت کلی میتوان گفت یادگیری عمیق در واقع همان یادگیری به وسیله شبکه های عصبی ای هستند که دارای لایه پنهان زیادی می باشند و هر چقدر در این لایه ها جلو تر بروید به مدل های پیچیده تر و کامل تری می رسید.

در ادامه مدل های مختلفی از یادگیری عمیق را مورد بررسی قرار میدهیم :

1) Deep belief Network : شبکه باور عمیق نوعی از یادگیری عمیق می باشد که در آن پایین‌ترین لایه قابل ‌مشاهده به یک مجموعه آموزشی برای لایه مجاور شبکه تبدیل می‌ شود و در این الگوریتم هر لایه شبکه به صورت مستقل و حریصانه آموزش داده می‌شود.

2) convolutional neural network :  شبکه عصبی پیچشی رده‌ای از شبکه‌های عصبی ژرف هستند که معمولاً برای انجام تحلیل‌های تصویری یا گفتاری در یادگیری ماشین استفاده می‌شوند.ساختار شبکه‌های پیچشی از فرایندهای زیستی قشر بینایی گربه الهام گرفته‌شده‌است.

3) Recurrent Neural Networks : (شبکه های عصبی بازگشتی یا RNN) این گونه از شبکه های عصبی بطور خاص برای پردازش داده های سری یا دنباله دار مفید هستند و در آن ها هر نورون یا واحد پردازشی قادر به حفظ حالت داخلی یا یا  همان حافظه به منظور حفظ اطلاعات مرتبط با ورودی قبلی میباشد. این ویژگی بطور ویژه در کاربردهای مختلف مرتبط با داده های سری اهمیت اساسی پیدا میکند.

کاربردهای یادگیری عمیق عبارت اند از :

1) پردازش زبان طبیعی : پردازش زبان طبیعی یا nlp، یک فناوری برای درک زبان انسانی توسط کامپیوتر است. یاد دادن روش ارتباطی انسان‌ها به کامپیوتر، به هیچ وجه کار آسانی نیست ولی توسط ویژگی های یادگیری عمیق این امکان فراهم می شود.

2) شناسایی تصاویر : از مهمترین مزایایی که الگوریتم‌های یادگیری عمیق به ارمغان می‌آورند می‌توان به دقت تشخیص قابل‌قیاس و حتی بهتر از انسان، قابلیت تشخیص، استخراج و کلاس‌بندی هزاران مشخصه از چهره افراد اشاره کرد. با بهره‌گیری از تکنولوژی یادگیری عمیق (Deep Learning)، میانگین دقت تشخیص چهره در دوربین های مدار بسته به‌طور چشم‌گیری تا 38% افزایش پیدا می‌کند.

3) کشف دارو و پزشکی : تشخیص بیماری و تومور فرد و داروهای مخصوص هر شخص، یکی از کاربردهای بسیار مهم دیپ لرنینگ است که در بسیاری از کارخانجات و شرکت‌های تولید دارو و پزشکی استفاده می‌شود.

4) بیوانفورماتیک : پیشرفت تکنولوژی و افزایش چشمگیر داده‌های زیستی، علاوه بر ذخیره‌سازی و نگهداری، استخراج اطلاعات سودمند از این حجم از داده نیز چالش بزرگی را برای پژوهشگران به وجود آورده‌است. به این منظور، برای به دست آوردن دانش از داده‌های زیستی از ابزارها و روش‌های یادگیری عمیق استفاده می‌شود.

5) اهداف نظامی : بسیاری از کشورها از الگوریتم های یادگیری عمیق برای آموزش ربات ها برای پیشبرد اهداف نظامی استفاده میکنند بطوریکه ربات ها انجام یک کار را از طریق آزمون و خطا یاد می‌گیرد و برای این کار از سیستم پاداش و تنبیه نیز استفاده می‌شود تا ربات تشخیص دهد چه زمانی به تکمیل کردن وظیفه خود نزدیک شده است. یادگیری عمیق نیز داده‌های خام را از محیط اطراف ربات دریافت می‌کند و پس از بررسی، آن‌ها را در اختیار ربات قرار می‌دهد.

6) رنگ آمیزی کردن تصاویر : در گذشته تبدیل رنگ‌های سیاه و سفید به رنگی جزء وظایفی بود که می‌بایست توسط انسان انجام شود. اما امروزه با پیشرفت هوش مصنوعی و الگوریتم‌های یادگیری عمیق، متون و اشیاء داخل عکس به تشخیص رنگ احتمالی آن‌ها کمک کرده و ماشین می‌تواند رنگ آن‌ها را از سیاه و سفید و به رنگی تبدیل نماید.

7) اتومبیل‌های خودران : خودروها با استفاده از یادگیری عمیق توانایی تشخیص مسیر جاده و نشانه‌های توقف را دارند. با استفاده از یادگیری ماشین خودرو می‌تواند حضور سایر اشیاء مانند خودروی دیگر یا حتی توپ بازی را در مسیر متوجه شود.

8) تولید Content : یکی دیگر از کاربردهای یادگیری عمیق در بحث سئو و تولید محتوا می باشد که توسط آن سیستم‌های هوشمند می‌توانند نگارش، گرامر و سبک یک متن را آموزش ببینند و از مدل آموزش دیده استفاده کنند تا یک متن را بصورت خودکار تولید کنند که از لحاظ املا، دستور زبان، سبک متن و… مناسب و درست باشد.

نظریه با ارزش وایکوف در بورسبهترین از نظر کاربران
نظریه با ارزش وایکوف در ب ...
نرم افزار متاتریدرآخرین پست
نرم افزار متاتریدر