تعریف یادگیری عمیق

یادگیری عمیق نوعی از یادگیری ماشین و هوش مصنوعی است که در واقع از روشی که ذهن انسان برای یادگیری موضوع خاصی به کار می گیرد، تقلید می کند. این نوع از یادگیری یکی از عناصر مهم در علم داده می باشد که شامل آمار و مدل سازی پیش بینی است. یادگیری عمیق برای دانشمندان داده که وظیفه جمع آوری ، تجزیه و تحلیل و تفسیر مقادیر زیادی از داده ها را دارند ، بسیار مفید است و این روند را سریعتر و آسان تر می کند.

به نوعی می توان گفت یادگیری عمیق در واقع همان یادگیری ماشین است به گونه ای که در سطح کارهای پیچیده، نمایش یا انتزاع، یادگیری را برای ماشین انجام می دهد و به این صورت ماشین درک بهتری از واقعیت های وجودی پیدا می کند و می تواند الگو های مختلف را شناسایی کند. در ساده ترین سطح، یادگیری عمیق را می توان راهی برای خودکار سازی تجزیه و تحلیل پیش بینی ها دانست. الگوریتم های یادگیری عمیق در سلسله مراتب افزایش پیچیدگی و انتزاع قرار دارند در حالی که یادگیری ماشین سنتی بصورت خطی است.

برای فهم بهتر یادگیری عمیق، یک کودک نوپا را در نظر بگیرید که اولین کلمه ای که یاد گرفته “سگ” است. روشی که این کودک یاد گرفته که یک موجود “سگ” هست یا نه، آن است که به موجود اشاره می کند و کلمه “سگ” را می گوید. در این زمان والدین او می گویند ” بله آن یک سگ است” یا ” نه آن سگ نیست”. هرچه بیشتر این کودک به موارد مختلفی اشاره کند، بیشتر می فهمد چه نوع موجوداتی جز کلمه “سگ” دسته بندی می شوند. کاری که این کودک  نوپا انجام می دهد  بدون اینکه خودش بداند، در حقیقت به نوعی مشخص کردن یک مفهوم پیچیده است -تعریفی از یک سگ- با ساختن سلسه مراتبی است که در آن هر سطح انتزاعی با دانش ایجاد می شود که آن هم به نوبه خود از سلسه مراتب قبلی بدست آمده است و این کار همانند فرآیند یادگیری عمیق است

یادگیری عمیق چگونه کار می کند

برای شناسایی نحوه یادگیری عمیق باید با شبکه های عصبی آشنا باشید. این نوع یادگیری 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.

یادگیری عمیق در عصر دیجیتال تکامل پیدا کرده است، و این امر باعث شده تا به انفجاری از داده ها در اشکال مختلف در همه ی دنیا داشته باشیم. این دیتا ها که به کلان داده معروف هستند، از منابع متفاوتی مانند شبکه های اجتماعی، موتورهای جست و جوی اینترنت، پلتفورم های تجارت الکترونیکی و… بدست می آیند.

با این حال این نوع داده، که معمولا بدون ساختار هستند، آنقدر وسیع است که شاید برای انسان چندین دهه طول بکشد تا بتواند آن را درک کند و اطلاعات مربوط به این داده ها را استخراج کند. کسب و کارهای مختلف به پتانسیل های بیشمار و باور نکردنی حاصل از این انبوه از اطلاعات پی برده اند و هر روز شاهد کسب و کارهایی هستیم که خود را با هوش مصنوعی سازگار کرده و آن را به دل کسب و کارهای خود می آورند، بخصوص برای اتوماسیون کردن پشتیبانی مشتریان خود.

متد های یادگیری عمیق

متدهای 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 فرآیند یادگیری شرایط عملکرد آن را تعیین می کند) که هر بار 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 فرآیند 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 فرآیند یادگیری را طولانی کنند که ممکن است باعث گیر افتادن شود.

روش زوال نرخ یادگیری (که به نرخ یادگیری با دوام و یا نرخ یادگیری منطقی نیز شناخته می شود) فرآیندی 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 فرآیند 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 محاسبه را به دقیقه یا ساعت 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 تعداد زیادی دسته بندی خروجی مناسب است. با این حال ، به طور کلی ، این رویکرد کمتر متداول است ، زیرا به مقادیر بسیار زیادی از داده ها نیاز دارد و باعث می شود روزها یا هفته ها آموزش طول بکشد.

حذفی ها و از قلم افتادگی:

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 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 بخشد.

یادگیری عمیق چه استفاده ای دارد؟

امروزه موارد استفاده از یادگیری عمیق شامل انواع برنامه های کاربردی تجزیه و تحلیل داده های بزرگ ، به ویژه مواردی است که در پردازش زبان طبیعی ، ترجمه زبان ، تشخیص پزشکی ، سیگنال های معاملات سهام بورس ، امنیت شبکه و تشخیص تصویر شده اند.

استفاده هایی که در حال حاضر از یادگیری عمیق می شود شامل موارد زیر است:

• تجربه ی مشتری. مدل های یادگیری عمیق قبلاً برای چت روم ها استفاده می شدند. و همچنان که به تکامل خود ادامه می دهد ، انتظار می رود که یادگیری عمیق در مشاغل مختلف به منظور بهبود تجربیات مشتری و افزایش رضایت مشتری اجرا شود.
• تولید متن. به ماشين ها دستور زبان و سبك يك متن داده مي شود و سپس از اين مدل استفاده مي كنند تا بطور خودكار متني كاملاً جديد متناسب با املای مناسب ، دستور زبان و سبك متن اصلي را بسازد.
• هوافضا و نظامی. از یادگیری عمیق برای شناسایی اشیاء از ماهواره هایی که مناطق مورد نظررا شناسایی می کنند ، و همچنین برای تشخیص مناطق امن یا نا امن برای سربازان استفاده می شود.
• اتوماسیون صنعتی. یادگیری عمیق با ارائه خدماتی که به طور خودکار در نزدیکی یک کارگر یا شیء به ماشین نزدیک می شود ، ایمنی کارگران را در محیط هایی مانند کارخانه ها و انبارها بهبود می بخشد.
• اضافه کردن رنگ. با استفاده از مدل های یادگیری عمیق ، می توان رنگ ها و عکس ها و فیلم ها را به تصاویر های سیاه و سفید اضافه کرد. در گذشته ، این یک فرایند دستی بسیار وقت گیر بود.
• تحقیقات پزشکی. محققان سرطان به عنوان روشی برای تشخیص خودکار سلول های سرطانی ، از یادگیری عمیق را در کارهای خود استفاده می کنند.
• دید رایانه ای. یادگیری عمیق باعث افزایش چشم انداز رایانه شده است ، و دقت بالایی برای رایانه ها در تشخیص اشیاء و طبقه بندی تصویر ، ترمیم و تقسیم بندی فراهم می کند.

یادگیری عمیق در مقابل یادگیری ماشین

یادگیری عمیق زیر مجموعه ای از یادگیری ماشین است که که وجه تمایز آن روش حل مشکلات است. یادگیری ماشین برای شناسایی بیشتر ویژگی های کاربردی به یک متخصص دامنه نیاز دارد. از طرف دیگر ، یادگیری عمیق ویژگی ها را به صورت تدریجی فرا می گیرد ، بنابراین نیاز به تخصص دامنه را از بین می برد. این امر باعث می شود الگوریتم های یادگیری عمیق نسبت به الگوریتم های یادگیری ماشین که فقط به چند ثانیه تا چند ساعت زمان نیاز دارند ، زمان بیشتری برای آموزش نیاز داشته باشند. با این حال ، در هنگام آزمایش ، برعکس صادق است. الگوریتم های یادگیری عمیق نسبت به الگوریتم های یادگیری ماشین که زمان آزمون به همراه اندازه داده ها افزایش می یابد ، زمان کمتری برای اجرای تست ها می گیرند.

بعلاوه ، یادگیری ماشینی به همان ماشینهای پرهزینه و پرمصرف و GPU هایی با کارایی بالا نیاز ندارد که یادگیری عمیق یه همه ی آن ها نیاز دارد.

در پایان ، بسیاری از دانشمندان داده ها به دلیل تفسیر برتر آن ، یا توانایی در درک راه حل ها ، یادگیری ماشین سنتی را از طریق یادگیری عمیق انتخاب می کنند. همچنین الگوریتم های یادگیری ماشین نیز وقتی داده های کوچک هستند ترجیح داده می شوند.

مواردی که یادگیری عمیق ترجیح داده می شود شامل موقعیت هایی است که مقدار زیادی از داده ها وجود دارد ، مانند عدم درک دامنه برای درون نویسی ویژگی ها یا مشکلات پیچیده ، مانند تشخیص گفتار و پردازش زبان طبیعی.

 

منبع: techtarget.com

 

چنانچه این محتوا برای شما جذاب بود آن را با دوستان خود به اشتراک بگذارید.