یادگیری عمیق

Deep Learning


گردآورنده: بهاره مسعودی

یادگیری عمیق (Deep Learning) یکی از روش های یادگیری ماشین است که به کامپیوتر می آموزد همانند انسان ها رفتار کند. یادگیری عمیق یک فن آوری کلیدی در ماشین های بدون راننده است و آنها را قادر می سازد تا علامت توقف را شناسایی کنند و یا عابر پیاده را از یک چراغ جلو تشخیص دهند. یادگیری عمیق اخیرا توجه زیادی را به خود جلب کرده و دلیل آن رسیدن به نتایج مطلوبی است که قبلا امکان پذیر نبوده است.

در Deep Learning کامپیوتر می آموزد برای انجام وظایف که به صورت مستقیم از عکس، نوشته و صدا حاصل می شوند، به صورت طبقه بندی شده عمل کند. پیشرفت هایی اخیرا در یادگیری عمیق صورت گرفته تا جایی که یادگیری عمیق در برخی از وظایف مانند طبقه بندی اشیاء در تصاویر پیشرفت کرده است. در حالی که یادگیری عمیق برای اولین بار در دهه 1980مطرح شد، اما دو دلیل اصلی آن به تازگی مفید بوده و مورد بررسی قرار گرفته است:

  • یادگیری عمیق، نیاز به مقدار زیادی  اطلاعات برچسب دار دارد. به عنوان مثال، توسعه خودرو بدون راننده نیاز به میلیون ها عکس و هزاران ساعت ویدئو دارد.
  • یادگیری عمیق نیاز به قدرت محاسباتی قابل توجهی دارد. پردازنده های با کارایی بالا یک معماری موازی دارند که برای یادگیری عمیق مفید است. هنگامی که با خوشه یا محاسبات ابری ترکیب می شود، این تیم ها را قادر می سازد تا زمان آموزش برای یک شبکه آموزشی عمیق را از هفته ها تا چند ساعت یا کمتر کاهش دهند.

 

نحوه عملکرد Deep Learning

یادگیری عمیق از معماری شبکه عصبی استفاده می کند، از این جهت مدل های یادگیری عمیق اغلب به عنوان شبکه های عصبی عمیق نامیده می شوند. اصطلاح "عمیق" در این واژه اشاره به تعداد لایه های پنهان در شبکه عصبی دارد که شمار آن به 150 عدد می رسد، این در حالی است که شبکه های عصبی سنتی فقط شامل دو لایه پنهان هستند.

مدلهای فراگیر یادگیری با استفاده از مجموعه های بزرگ داده های برچسب گذاری شده و معماری شبکه های عصبی آموزش داده می شوند که مستقیما از داده ها بدون نیاز به دستیابی به ویژگی های دستی یاد می شود. شبکه های عصبی، که در لایه هایی تشکیل می شوند که متشکل از مجموعه گره های متصل هستند. شبکه ها می توانند ده ها یا صدها لایه پنهان داشته باشند. یکی از محبوب ترین انواع شبکه های عصبی عمیق به عنوان شبکه های عصبی کانولوشن (CNN یا ConvNet) شناخته می شود. یک CNN برای یادگیری از داده های ورودی استفاده می کند. این معماری برای پردازش داده های دو بعدی مانند تصاویر، مناسب است. CNN ها نیاز به استخراج ویژگی های دستی را از بین می برند، بنابراین نیازی نیست ویژگی های مورد استفاده برای طبقه بندی تصاویر را شناسایی کنید.

 

Deep-Learning

 

 

موارد استفاده از Deep Learning

Deep Learning برای شناسایی و تولید تصاویر، گفتار و زبان، و در ترکیب با یادگیری تقویت کننده برای مطابقت با عملکرد سطح انسان در بازی های مختلف مورد استفاده قرار می گیرد. سیستم های فراگیر یادگیری پایه ای از خدمات آنلاین مدرن است. چنین سیستم هایی توسط آمازون برای درک آنچه شما به دستیار مجازی الکسا می گویید و یا گوگل برای ترجمه متن زمانی که شما از یک وب سایت خارجی زبان بازدید می کنید، استفاده می شود.

در صنعت نیز از یادگیری عمیق استفاده های گوناگونی می شود که عبارت اند از:

  • دیدگاه کامپیوتر برای اتومبیل های بدون راننده
  • درون ها و ربات ها
  • تشخیص گفتار و زبان توسط ربات ها
  • تشخیص چهره برای نظارت در کشورهایی مانند چین
  • کمک به رادیولوژیست ها برای انتخاب تومورها در اشعه ایکس
  • کمک به محققان در تشخیص توالی های ژنتیکی مربوط به بیماری ها و شناسایی مولکول هایی است که می تواند منجر به داروهای موثر در مراقبت های بهداشتی شود.
  • تجزیه و تحلیل داده های حسگر ها

 

Deep Learning & IOT

در عصر آیوتی تعداد زیادی از دستگاه های حسگر جمع آوری / یا تولید اطلاعات در طول زمان برای طیف وسیعی از زمینه ها و برنامه های کاربردی وجود دارند. استفاده از تجزیه و تحلیل داده ها برای کشف اطلاعات جدید، پیش بینی بینش های آینده و تصمیم گیری های مهم یک فرایند حیاتی است و همین امر باعث می شود که آیوتی تبدیل به یک پارادایم ارزشمند برای کسب و کار و یک تکنولوژی برای بهبود کیفیت زندگی گردد. یادگیری عمیق تحلیل و درک داده های تولید شده را بسیار آسان می کند و همچنین یک رویکرد امیدوار کننده برای دستیابی به تحلیلی مورد نظر در این نوع داده ها و برنامه های کاربردی است.


مطالب مرتبط


منابع