ما در طول روز اغلب با ماشین هایی مواجه هستیم که برای کاری که برنامه ریزی شده اند ، به روشی مکانیکی آن را انجام میدهند . اما اگر این ماشین ها همانند ما انسان ها بتوانند از تجربه درس بگیرند و اگر ماشین آلات بتوانند در یک محیط کنترل شده و اخلاقی رفتار خود را تغییر دهند و به یادگیری عمیق بپردازند تا کارایی بیشتری داشته باشند ، چه می شود ؟ با ما همراه باشید تا در ادامه این مقاله با مفهوم یادگیری عمیق بیشتر آشنا شویم.
آشنایی با یادگیر عمیق
در سال های اخیر، تحولی در سیستم های فناوری در حال انجام است تا سیستم های منفعل ساکن به سیستم های خودکار و پویایی فعال شوند که با گذشت زمان بهبود پیدا می کنند . این رویکرد ،یادگیری ماشین نام دارد . یادگیری ماشین یکی از شاخه های هوش مصنوعی است که در آن ماشین یاد میگیرد وظایفی را انجام دهد که به صراحت برنامه ریزی شده نشده و عملکرد ماشین به صورت خودکار از طریق تجربه در انجام این وظیفه ،بهبود می یابد .
تلاش برای ایجاد ماشینی که همانند انسان تفکر کند مسیری طولانی را طی کرده است. یادگیری ماشینی از یک رشته مبهم به یک نیروی عمده صنعتی و اجتماعی در تصمیم گیری خودکار ، از تجارت برخط و تبلیغات گرفته تا آموزش و مراقبت های بهداشتی تبدیل شده است .
یادگیری ماشینی در حال تبدیل شدن به یک فن آوری توانمند عمومی برای جهانیان به دلیل توانایی قوی یادگیری از طریق سازگاری با داده های برچسب دار و بدون برچسب است. یادگیری ماشین با رویکرد های متفاوتی قابل پیاده سازی و اجرا می باشد .از سه رویکرد اصلی آن می توان به یادگیری با نظارت ، یادگیری بدون نظارت و یادگیری تقویتی نام برد .
یادگیری عمیق
برای شناسایی یادگیری عمیق ،ابتدا نیاز به دانستن شبکه های عصبی دارید. بر اساس تعریف مشهور ،یادگیری عمیق در واقع همان یادگیری به وسیله شبکه های عصبی ای هستند که دارای لایه های پنهانی زیادی میباشند .
هرچقدر در لایه های یک شبکه عصبی عمیق جلوتر میرویم ، به مدل های پیچیده تر و کامل تری میرسیم . یادگیری عمیق زیر مجموعه ای از یادگیری ماشین است که در آن از الگوریتم هایی استفاده میشود که مغز انسان را شبیه سازی می کند . این الگوریتم ها شبکه های عصبی مصنوعی نام دارند .شبکه های عصبی مصنوعی از پردازش اطلاعات و گره های ارتباطی توزیع شده در سیستم های بیولوژیکی الهام گرفته اند .
می توان گفت شبکه های عصبی تمایل به حالت ایستا و نمادین دارند . مغز انسان باور نکردنی ترین عضو بدن یک انسان است . این امکان را به ما میدهد تا خاطرات را ذخیره کرده ، احساسات و یا حتی رویاها را تجربه کنیم . بدون آن ما یک موجود زیستی ابتدایی هستیم که از ساده ترین واکنش ها ناتوانیم .مغز ذاتا همان چیزی است که ما را در زمره موجودات هوشمند قرار میدهد به طور مثال مغز یک نوزاد وزنی کمتر از نیم کیلوگرم دارد .
اما قادر به حل مسائلی است که حتی بزرگترین و قدرتمندترین ابر رایانه ها ی ساخته ی دست بشر چنین توانایی را ندارند . با گذشت چند ماه پس از تولد، نوزاد میتواند چهره والدین خود را تشخیص دهد ، اشیا مخالف را شناسایی و حتی صداها را از یکدیگر تفکیک دهد . در اوایل کودکی ،آنها درک واضحی از دستور زبان داشته و هزاران واژه را به خاطر سپرده اند .
در طول چندین سال گذشته انسان در تلاش برای ایجاد ماشین هایی هوشمند همانند : ربات هایی که خانه ها را تمییز کنند ، اتوموبیل هایی که به طور اتوماتیک رانندگی کنند و سیستم هایی که به طور خودکار بیماری ها را تشخیص دهند ، میباشد. ساختن چنین ماشین های مصنوعی باهوش ،نیاز به حل برخی پیچیده ترین مسائل محاسباتی دارد ؛
مسائلی که مغز انسان قادر به حل آنها در صدم ثانیه هستند. برای مقابله کردن با اینگونه مسائل ،باید از رویکردی کاملا متفاوت برای برنامه نویسی سنتی در رایانه که در طول دهه گذشته توسعه یافته اند ، استفاده شود . که این همان زمینه فعال هوش مصنوعی است که از آن به عنوان یادگیری عمیق یاد میشود.
یادگیری عمیق برای دانشمندان داده که وظیفه جمع آوری ،تجزیه و تحلیل و تفسیر مقادیر زیادی از داده ها و اطلاعات را برعهده دارند ، بسیار کارآمد و مفید است و این روند را سریع تر و اسان تر میکند . یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است و هدفش مطالعه و توسعه ماشین هایی است که میتوانند یادگیری داشته باشند .
در یک تعریف دقیق تر :
یادگیری عمیق با پردازش در داده ها ،درست مشابه با یک انسان ،از طریق یادگیری مثال های از قبل آموخته ،سعی در استخراج ویژگی های خاص به صورت خودکار برای تصمیم گیری در حل یک مسئله دارد.
وجود این تعداد لایه های مختلف به یادگیری عمیق این امکان را میدهد که بتواند در هر لایه ،ویژگی های خاصی از مسئله را کشف و از آن در جهت تصمیم گیری بهتر در حل مسئله استفاده کند . یا همان یادگیری عمیق بخشی از خانواده ی بزرگتر یادگیریDeep Learning ماشینی است . که بر روش هایی تمرکز دارد که مبتنی بر شبکه های عصبی مصنوعی هستند .
تفاوت یادگیری عمیق با یادگیری ماشین و هوش مصنوعی ؟
اگر چه اصطلاح هوش مصنوعی و یادگیری ماشین و یادگیری عمیق در بیشتر اوقات به جای هم مورد استفاده قرار میگیرند و به یکدیگر مرتبط هستند اما همیشه یک سردرگمی عمومی پیرامون یادگیری عمیق ، یادگیری ماشین و هوش مصنوعی برای بسیاری از افراد وجود دارد . از این رو میخواهیم به تفاوت بین این سه موضوع بپردازیم .
وقتی از عبارت یادگیری عمیق استفاده میکنیم ، منظورمان همان شبکه عصبی عمیق است . تفاوت یادگیری عمیق و شبکه عصبی در این است که یادگیری عمیق ،محدوده ای گسترده تر از شبکه عصبی دارد و الگوریتم های یادگیری تقویتی را نیز شامل می شود .
با توجه در نظر گرفتن این تفاوت نباید این دو مفهوم را با یکدیگر اشتباه بگیریم. یادگیری عمیق یکی از اشکال تخصصی یادگیری ماشین است . در یادگیری ماشین، فرایند گردش کار با ویژگی مربوط به خود ، یعنی استخراج از تصاویر به شکل دستی ، آغاز می شود .
سپس از این ویژگی ها برای ایجاد مدلی استفاده می شود که قادر است اشیا و وسایل موجود در تصاویر را طبقه بندی کند . اما در سیستم یادگیری عمیق ،با یک گردش کار ،ویژگی های مربوط به صورت خودکار از تصاویر استخراج می شود . علاوه بر این در الگوریتم یادگیری عمیق ، جایی که به یک شبکه داده های خام داده شود ، وظیفه طبقه بندی داده ها را نیز به صورت خودکار یاد میگیرد و انجام می دهد .
تفاوت دیگر ، در زمینه مقیاس الگوریتم یادگیری عمیق با داده ها است .یادگیری ماشین همگرا است این نوع یادگیری به روش هایی اشاره میکند که هنگام افزودن اطلاعات ، سطح معینی از عملکرد را به وجود می آورد. یکی از ویژگی های مثبت الگوریتم دیپ لرنینگ این است که با افزایش اندازه ،داده ها به پیشرفت خود ادامه میدهند .
بیشتر بدانیم : آموزش مقدماتی پایتون برای دیتا ساینس و هوش مصنوعی
در یادگیری ماشین ،شما برای مرتب کردن تصاویر ،نوعی طبقه بندی را به همراه ویژگی های آن به صورت دستی انتخاب می کنید اما در سیستم یادگیری عمیق ،مراحل مدل سازی و همچنین استخراج ویژگی ها به شکل خودکار انجام می شود .
در یادگیری ماشین ،مدل های احتمالی برای یافتن این راهکار های تقریبی مورد استفاده قرار میگیرند و یک زمینه خاص از یادگیری ماشین ،یادگیری عمیق است که در آن از شبکه های عصبی به عنوان مدل های آماری به منظور یادگیری استفاده میشود. شبکه های عصبی عمیق قدرتمند هستند زیرا می توانند هر تابعی را تخمین بزنند ، و از این منظر با ساده ترین شکل «رگرسیون خطی» که تنها میتواند روابط خطی را تشریح کند قابل مقایسه هستند .
شکل زیر نحوه ی ارتباط آنها با یکدیگر را را نشان می دهد و همانطور که مشاهده می شود ،یادگیری عمیق زیرمجموعه ای از یادگیری ماشین و همچنین هوش مصنوعی است .
دیپ لرنینگ چگونه کار می کند ؟
.شبکه های عصبی مصنوعی که لایه های زیادی را در بر گرفته اند ، یادگیری عمیق را هدایت می کنند . این شبکه های عصبی عمیق نوعی شبکه هستند که هر لایه از آن ها عملیات پیچیده ای مانند نمایش و تفکر انتزاعی را انجام می دهد .
این کار به معنادار کردن تصاویر ، صداها و متن کمک می کند. شبکه های عصبی لایه هایی از گره هستند ؛دقیقا مثل مغز انسان که از سلول های عصبی تشکیل شده است . گره هایی که داخل لایه های منفرد هستند به لایه های مجاور متصل می شوند . عمق شبکه بر اساس تعداد لایه هایی که دارد تعیین می شود.
یک نورون واحد در مغز انسان هزاران سیگنال از سلول های عصبی دیگر دریافت میکند اما در یک شبکه عصبی مصنوعی ،سیگنال ها بین گره ها حرکت می کنند و وزن های مربوطه را واگذار می کنند . گره ای که وزن بیشتری دارد ،تاثیر بیشتری روی لایه ی بعدی گره ها می گذارد . سپس لایه نهایی ورودی های وزنی را برای تولید یک خروجی جمع می کند .
سیستم های یادگیری عمیق به سخت افزار قدرتمندی احتیاج دارند ؛ زیرا دارای مقدار زیادی داده در حال پردازش هستند که شامل چندین محاسبات ریاضی پیچیده است. با این وجود حتی با وجود چنین سخت افزار پیشرفته ای ،محاسبات آموزش یادگیری عمیق ممکن است هفته ها طول بکشد . سیستم های یادگیری عمیق برای بازگشت دقیق نتایج ، به داده های زیادی نیاز دارند. بر این اساس ،اطلاعات به عنوان مجموعه داده های عظیم تغذیه می شوند .
شبکه های عصبی مصنوعی در زمان پردازش داده ها ، می توانند داده ها را با پاسخ دریافت شده از یک سری سوالات باینری درست یا غلط شامل محاسبات ریاضی بسیار پیچیده طبقه بندی کنند . مثلا یک برنامه تشخیص چهره برای تشخیص لبه ها و خطوط صورت از تکنولوژی یادگیری استفاده میکند ؛ سپس قسمت های قابل توجهی از چهره و در نهایت نمایش کلی چهره را تشخیص می دهد . برنامه با گذشت زمان خود را آموزش می دهد و احتمال پاسخ های صحیح افزایش میابد .
در این حالت برنامه تشخیص چهره به طور دقیق چهره ها را با گذشت زمان شناسایی می کند . در نهایت تصویری که وارد شبکه عصبی می شوند ، به داده تبدیل می شوند . این داده ها از طریق شبکه حرکت می کنند و گره های مختلف وزن را به عناصر مختلف اختصاص میدهند .
سپس لایه خروجی نهایی اطلاعات به ظاهر جدا شده _خزدار ، پوزه ، چهارپا ،و … _ را جمع آوری میکند و خروجی موردنظر را ارائه میدهد : “سگ” . اکنون پاسخی که از شبکه عصبی با برچسب تولید شده است ،توسط انسان مقایسه می شود . اگر مطابقت داشته باشد ،خروجی تایید میشود . در غیر اینصورت شبکه عصبی خطا را یادداشت می کند و در وزن ها را تنطیم می کند . شبکه عصبی بارها و بارها وزنه های خود را تنظیم میکند و سعی میکند مهارت تشخیص سگ را بهتر کند . به این روش آموزش ، یادگیری تحت نظارت می گویند .
این روش زمانی اتفاق می افتد که شبکه های عصبی چیزی در مورد اینکه (چه چیزی سگ را می سازد) ندانند . بلکه باید با گذشت زمان الگوها را در داده ها تشخیص دهند و به تنهایی یاد بگیرند .
ظهور یادگیری عمیق :
آلن تورینگ که یک ریاضیدان انگلیسی بود ، برای اولین بار در سال 1950″ ماشین یادگیری ” هوشمند مصنوعی خود را پیشنهاد داد . همچنین آرتور ساموئل اولین برنامه یادگیری کامپیوتر نوشت . برنامه او باعث شد تا کامپیوتر( آی ام بی ) در بازی چکرز بهتر بازی کند .
در دهه های بعد از تکنیک های مختلف یادگیری ماشین استفاده میشد ؛ اما پس از مدتی فراموش شد و به اصطلاح از مد افتاد . برخی از تکنیک های یادگیری ماشین مانند بینایی رایانه و تشخیص چهره پیشرفت رو به جلویی داشته اند . در سال 2001 یک الگوریتم یادگری ماشین به نام برای شناسایی چهره های درون تصویر (در زمان واقعی )ساخته شد .
Adaboost این الگوریتم تصاویر را از طریق مجموعه های تصمیم گیری مانند اینکه (آیا تصویر دارای یک نقطه روشن بین دو لکه ی تیره است ؟ اگر اینطور است پس احتمالا نشان دهنده بینی است ) فیلتر میکرد . همانطور که داده های بیشتری بررسی می شدند ، احتمال انتخاب چهره درست افزایش می یافت .
این بخش از ماشین لرنینگ در صنعت کاربرد زیادی دارد و با استفاده از آن دستگاه های مفیدی اختراع شده است . سرانجام با ورود واحد پردازش گرافیکی قدرتمند به بازار ، شبکه های عصبی مصنوعی تا چندین سال مورد علاقه مردم نبودند. اما محققان جدید از قابلیت های سخت افزاری رایانه های رومیزی به جای ابررایانه ها برای اجرا ،دستکاری و پردازش تصاویر استفاده میکنند . در حال حاضر مهمترین جهش رو به جلو برای شبکه های عصبی رخ داده است .
دلیل آن هم معرفی مقادیر قابل توجهی از داده های برچسب با ،پایگاه داده ای از میلیون ها تصویر دارای برچسب از اینترنت است . Image net همچنین وظیفه دست و پاگیر برچسب گذاری دستی تصاویر با جایگزینی گسترده مردم جایگزین شد و تقریبا منبع نامحدودی از مواد آموزشی به شبکه ها سرازیر شده است .
شرکت های فناوری طی سال های گذشته کتابخانه های یادگیری عمیق خود را به صورت منبع باز درآورده اند .
مزایای یادگیری عمیق چیست ؟
یکی از انتقادهایی که از یادگیری عمیق می شود آن است که این زمینه نقطه قوت خاصی ندارد و کاری را انجام میدهد که انسان توانایی انجام آن را دارد . اما ، مثال های جالب توجه بسیاری از هوش مصنوعی موجود است که نشان می دهد ماشین ها می توانند بیاموزند که در سطح ابر انسان بازی های مانند «گو» را انجام دهند و یا بیماری ها را بهتر از پزشکان آموزش دیده تشخیص دهند . در عین حال ، خودکارسازی می تواند بسیاری از کارها را در جوامع کنونی ارزان تر و موثرتر کند .
مهم ترین مزایای یادگیری عمیق عبارتند از :
- یادگیری خودکار ویژگی ها
- یادگیری چندلایه ویژگی ها
- دقت بالا در نتایج
- قدرت تعمیم بالا و شناسایی داده های جدید
- پشتیبانی گسترده سخت افزاری و نرم افزاری
- پتانسیل ایجاد قابلیت ها و کاربردهای بیشتر در آینده
کاربرد های یادگیری عمیق ؟
دیپ لرنینگ کاربرد های گسترده ای در صنایع مختلف دارد . که از کاربرد های آن در وسایل پزشکی تا کاربرد آن در تشخیص چهره را شامل میشود. در این بخش برخی از کاربردهای برنامه های یادگیری عمیق را بررسی خواهیم کرد. این کاربردها شامل :
- کاربرد یادگیری عمیق در پزشکی
- کاربرد در پهبادها و ماشین های خود ران
- کاربرد در صنایع هوایی و نظامی
- کاربرد یادگیری عمیق در ترجمه
- کاربرد در بات های خدماتی و چت
- کاربرد در رنگی کردن تصاویر سیاه و سفید
- کاربرد در دستیار های مجازی
- کاربرد در یادگیری عمیق در تشخیص چهره
متد های یادگیری عمیق ؟
متد های مختلف و متفاوتی برای به وجود آوردن مدل های یادگیری عمیق وجود دارند. این تکنیک ها و متد ها شامل روش های زوال و فروپاشی نرخ یادگیری ،انتقال یادگیری ، آموزش از طریق چرک نویس ها و داده های از قلم افتاده است .
زوال نرخ یادگیری :
نرخ یادگیری در واقع یک فرا پارامتر محسوب می شود ( عملی که یک سیستم را تعریف می کند و یا قبل از فرایند یادگیری شرایط عملکرد آن را تعیین می کند ) که هربار مقدار تغییرات مدل در پاسخ به اندازه گیری و خطای تخمین زده شده را کنترل می کند .
نرخ یادگیری که بیش از حد بالا باشد ممکن است باعث شود فرایند یادگیری ناپایدار باشد و یا اینکه یادگیری پایین تر از حد مطلوب و استاندارد صورت بگیرد . نرخ یادگیری هایی که بسیار اندک هستند نیز ممکن است فرایند یادگیری را طولانی کنند که ممکن است باعث گیر افتادن شود .
روش زوال نرخ یادگیری فرایندی است برای سازگاری نرخ یادگیری به منظور افزایش کارایی به همراه کاهش زمان آموزش . ساده ترین و رایج ترین روش سازگاری میزان نرخ یادگیری در طول آموزش و شامل تکنیک هایی برای کاهش سرعت یادگیری در طول زمان است .
یادگیری جایگزین :
این فرایند شامل بهسازی مدلی است که از قبل آموزش دیده است و نیاز به یک رابط کاربری داخلی یک شبکه پیش بینی شده دارد . اول ، کاربران داده های جدید شبکه موجود را که حاوی طبقه بندی های قبلی ناشناخته است ، تغذیه می کنند .
پس از ایجاد تنظیمات در شبکه ، می توان کارهای جدیدی را با قابلیت طبقه بندی خاص تر انجام داد . این روش این مزیت را دارد که نیاز به داده های بسیار کمتری نسبت به سایرین دارد ،بنابراین زمان محایبه را کاهش می دهد .
یادگیری از چرک نویس ها :
این روش به یک توسعه دهنده نیاز دارد تا یک مجموعه داده بزرگ برچسب دار را جمع کند و یک معماری شبکه را تنظیم کند که بتواند ویژگی ها و مدل را بیاموزد . این تکنیک به خصوص برای برنامه های جدید و همچنین برنامه های کاربردی با تعدادی زیادی دسته بندی خروجی مناسب است .
با این حال ،به طور کلی ، این رویکرد کمتر متداول است ، زیرا به مقادیر زیادی از داده ها نیاز دارد و باعث می شود روزها یا هفته ها آموزش طول بکشد .
حذفی ها و از قلم افتادگی ها :
در این روش سعی شده تا مشکل آموزش بیش از حد اتصالات در شبکه هایی با مقادیر زیادی پارامتر با رها کردن تصادفی واحدها و اتصالات آنها از شبکه های عصبی در حین آموزش حل شود .
ثابت شده است که این می تواند عملکرد شبکه های عصبی را بر روی تسک های یادگیری نظارت شده در زمینه هایی مانند تشخیص گفتار ،طبقه بندی اسناد و …. بهبود ببخشد .
چرا یادگیری عمیق به سخت افزار قوی نیاز دارد ؟
هر دیتا ساینتیست حداقل یکبار این جمله را شنیده که دیپ لرنینگ احتیاج به سخت افزار قوی دارد. بعضی افراد مدل های دیپ لرنینگ را روی لپ تاب بدون کارت گرافیک خود آموزش می دهند که این کار می تواند روزها به طول بینجامد . این باعث شده تا یک سری افسانه درباره دیپ لرنینگ ایجاد شود .
افراد تازه کار فکر میکنند برای ورود به این حوزه ، حتما باید یک کامپیوتر قدرتمند داشته باشند و بدون آن نمیتوانند دیپ لرنینگ کار کنند . در هر شبکه عصبی ،آموزش مدل یادگیری عمق مرحلی است که بیشترین احتیاج را به سخت افزار دارد . در هنگام آموزش ،یک شبکه عصبی ورودی ها را می گیرد ،ان ها را در لایه های پنهان پردازش میکند و یک سری وزن به ان ها نسبت میدهد و سپس ، مدل یک پیش بینی انجام میدهد .
وزن ها باعث میشوند تا الگوها بهتر پیدا شوند و روند پیش بینی بهتر انجام شود . همه این کارها در واقع ضرب ماتریس هستند . در شکل زیر می توانید یک ضرب ماتریس را مشاهده کنید . در یک شبکه عصبی ، ماتریس اول همان ورودی و ماتریس دوم وزن آن است .
اگر شبکه عصبی شما چیزی بین ده هزار تا صدهزار پارامتر داشته باشد ، کامپیوتر شما همچنان می تواند در چند دقیقه با نهایتا چند ساعت محاسبات را انجام دهد .اما اگر میلیون ها پارامتر داشته باشد ،آنوقت شاید روزها طول بکشد . اینجاست که کارت گرافیک به کمک می آید . کارت گرافیک به ما کمک میکند تا محاسبات سریع تر انجام شود .
کارت گرافیک در دیپ لرنینگ :
یک سوال بزرگ برای کسانی که در حوزه ماشین لرنینگ و دیپ لرنینگ کار میکنند این است که آیا به (جی پی یو ) احتیاج پیدا خواهند کرد یا نه . اگر تابه حال یک مدل ماشین لرنینگ یا دیپ لرنینگ را آموزش داده باشید، میدانید میتواند روند آموزش را از روزها و ساعت ها به دقایق و ثانیه ها تبدیل کند .
GPU کارت های گرافیک برای آموزش مدل نیاز هستند و هیچ چیزی نمیتواند جایگزین آنها شود . اما این را بدانید که برای استفاده درست از انها ، باید طوری برنامه نویسی کنید تا بهترین استفاده از کارت گرافیک انجام شود .
روش ساخت و تعلیم مدل های یادگیری عمیق چیست ؟
دو روش معمول برای استفاده از یادگیری عمیق در دسته بندی اشیا به شرح زیر است :
1)یادگیری از صفر
برای تعلیم یک شبکه ی عمیق از صفر ،باید یک مجموعه ی عظیم از داده های کلاس بندی شده فراهم کنیم . همچنین باید یک شبکه ی عصبی طراحی کنیم تا از طریق این داده ها مدل یادگیری عمیق تعلیم یابد . این روش برای برنامه های جدید یا برنامه هایی که خروجی های زیادی دارند مناسب است .
به دلیل اینکه تعداد داده ها بسیار زیاد است و عملیات تعلیم یافتن روزها و هفته ها طول میکشد ، از این روش کمتر استفاده می شود .
2)یادگیری انتقالی
در بسیاری از برنامه های یادگیری عمیق از روش یادگیری انتقالی استفاده میشود . فرایندی که شامل تعدیل و تنظیم کردم مدلی است که از قبل تعلیم یافته است . به این شکل که ما با یک شبکه عصبی آماده شروع میکنیم و آن را با داده های جدیدمان تنظیم میکنیم .
بعد از این که تغییرات لازم را بر شبکه ی عصبی اعمال کردیم ، میتوانیم از آن برای اجرای دستور مورد نظرمان استفاده کنیم . مزیت این روش این است که به دلیل نیاز به داده های کمتر ( مثلا به جای پردازش میلیون ها تصویر ،چند هزار تصویر را پردازش میکنیم ) زمان تعلیم به دقیقه ها یا ساعت ها کاهش میابد .
یادگیری عمیق چه تکنیک هایی دارد ؟
تکنیک های یادگیری عمیق با استفاده از شبکه ی بزرگی از داده ها راه حل هایی را ارائه می دهند که هدفشان تبدیل جهان به مکانی کارآمد و ایمن است . لیست زیر هرچند ذاتا بسیار پیچیده است ، مروری کلی از محبوب ترین تکنیک های یادگیری عمیق را برای توسعه فرایند ها و حل بسیاری از مشکلات ارائه میدهد :
- شبکه های چندلایه پرسپترون(Multilayer perceptron networks)
- شبکه های عصبی پیچشی (convolutional neural networks )
- شبکه های عصبی بازگشتی (long short term memory recurrent)
در مورد چگونگی بهبود محصولات ،خدمات و سازمان ها می توانند هنگام تصمیم گیری برای آینده ، از این شبکه های عصبی وظایف خود و همچنین تعیین هدفگداری پیشرفته استفاده کنند . در ادامه ، توضیحات مفصل تری را در مورد این شبکه ها و نحوه ی کار آن ها ارائه داده ایم .
شبکه های چند لایه ی پرسپترون :(perceptron)
این شبکه ها شامل لایه های بی شماری از نورون ها هستند که از جهت های مختلفی به یکدیگر متصل شده اند . این نورون ها از یک لایه به لایه ی دیگر کاملا با هم متصل اند ؛ به طور دقیق تر ،شبکه های عصبی پیش خور نورون هایی دارد که توسط لایه های قبلی و بعدی به هم متصل شده اند .
هر نورون درون شبکه دارای یک تابع فعال سازی است که خروجی آن نورون را بر اساس ورودی ان ، دچار تغییر شکل میکند . توابع فعال سازی خطی و غیرخطی نورون در نهایت راه حل هایی را برای سازمان ها فراهم می کنند .
لایه های متعدد شبکه های عصبی عمیق با مسائلی مطابقت دارند که هدفشان حل هریک از آن هاست . وقتی توابع غیرخطی باشند ،این شبکه ها می توانند از توابع پیچیده تقلید کنند .
با ایجاد شبکه هایی از ورودی ها ،خروجی ها ،لایه ها،نورون های مختلف و توابع مختلف فعال سازی ،امکان حل لیست بلند بالایی از مسائل بیش تر میشود . قابل ذکر است که با اضافه شدن هر نورون ،پیچیدگی این فرایند ها نیز افزایش می یابد .
شبکه های عصبی پیچشی :(CNN)
این شبکه های عصبی عمیق ،که به طور خاص با مواردی مانند طبقه بندی تصویر کار میکنند ، از شبکه های عصبی موجود در قشر بینایی مغز تقلید می کنند . در نتیجه، ها بینش ویژه ای را در مورد پردازش داده های خاض ارائه میدهند . CNN ها شبکه هایی هستد که هنگام تجزیه و تحلیل داده های شامل تصاویر ،CNN فایل های صوتی و کلیپ های ویدیویی مورد استفاده قرار میگیرند . یک لایه ورودی و خروجی و همچنین چندین لایه ی پنهان ،ساختمان یک سی سی ان را تشکیل میدهد.
شبکه های عصبی بازگشتی :(LTSM)*
این شبکه ها وابستگی دستور را در ارتباط با مسائل پیش بینی دنباله یاد میگیرند . ماهیت این شبکه ها پیچیده است و در ترجمه ی ماشینی ،تشخیص گفتار و موارد دیگری استفاده می شوند . ها برای حل تکالیف مختلف ، مانند تراشه های حافطه کامپیتر ،به صورتLSTM لایه به لایه عمل میکنند .
دلیل اهمیت یادگیری عمیق
تا قبل از پیدایش یادگیری عمیق برای چندین دهه ،سیستمهای یادگیری ماشین نیازمند یک متخصص در دامنه مربوط به موضوع داشت ، تا استخراج ویژگی ها را به صورت دستی انجام دهد .
انتخاب ویژگی برای یک مجموعه داده تاثیر بسیار زیادی در موفقیت یک مدل یادگیری ماشین دارد ،حال انکه این استخراج ویژگی ها به صورت دستی فرایندی زمان بر و پیچیده خواهد بود . یادگیری عمیق این امکان را میدهد ،تا داده های خام را به بردار تبدیل کرده و به شبکه تغذیه کرد بدون اینکه استخراج ویژگی را به صورت دستی روی این داده ها انجام دهیم . یادگیری عمیق این استخراج ویژگی ها را حتی بهتر از یک متخصص توسط تعداد لایه های مختلفی که در ساختارش وجود دارد ،در جهت حل مسئله مورد نظر بر مبنای داده های آموزشی مربوط به مسئله انجام میدهد .
این لایه ها می توانند به صورت مستقیم و به تنهایی نمایشی انتزاعی از داده های خام را بیاموزند . به طور کلی در مورد دلیل اهمیت یادگیری عمیق باید گفت که : ما در یک زمان بی سابقه زندگی میکنیم ،جایی که فناوری یادگیری عمیق در دستیابی به بسیاری از موفقیت های جدید کمک کننده بوده و نقش موثری را درکشف سیارات خورشیدی ، کشف داروهای جدید ،تشخیص بیماری ها و ذرات ریز اتمی داشته است .
ما همچنین در دوره ای زندگی میکنیم که با چالش های بی وقفه رو به رو هستیم . تغییرات آب و هوایی تولید غذا را تهدید میکند و میتواند روزی به دلیل منابع محدود منجر به جنگ شود .چالش تغییرات محیط زیستی به سبب افزایش روزافزون جمعیت انسانی در حال تشدید است .
دامنه و مقیاس این چالش ها نیاز به سطح جدیدی از هوش دارد که با یادگیری عمیق امکان پذیر میشود .
چشم انداز شغلی یادگیری عمیق :
در حال حاضر حوزه هوش مصنوعی به طور جدی کمبود نیرو دارد . در حالی که همه شرکت ها هنوز متخصصانی را با مهارت های یادگیری عمیق استخدام نمی کنند ، انتظار میرود که داشتن چنین متخصصانی آموزش دیده به تدریج به یک نیاز مهم برای سازمان هایی تبدیل شود که به دنبال رقابت هستند و باعث ایجاد نوآوری میشوند .
مهندسان یادگیری ماشین مورد تقاضای زیادی قرار دارند ، زیرا نه دانشمندان داده و نه مهندسان نرم افزار دقیقا مهارت های لازم برای زمینه یادگیری ماشین را ندارند ؛ نقش اینگونه مهندس ها ، شناختن یادگیری ماشین برای پر کردن خلا این تکامل های پی در پی است .
یادگیری عمیق از نظر فرصت های شغلی و حقوق امیدوارکننده است ؟ در جواب کوتاه ، بله . میانگین دستمزد یک مهندس یادگیری را سالانه نزدیک به 115000Glassdoor دلار ذکر کرده است .
با بهبود سیستم ها و ابزارهای یادگیری عمیق و گسترش آنها در همه ی صنایع ،رشد آن در سال های آینده حتی بیشتر سرعت خواهد گرفت .