یادگیری عمیق چیست؟

“یادگیری عمیق” (Deep Learning) زیرمجموعه ای از “یادگیری ماشینی” (Machine Learning) است که از یک “شبکه عصبی”(Neural network)  با سه لایه یا بیشتر تشکیل شده است. این شبکه‌های عصبی تلاش می‌کنند تا رفتار مغز انسان را شبیه‌سازی کرده و بتوانند از مقادیر زیادی داده “یاد بگیرند”. شبکه عصبی یک لایه هم می تواند پیش بینی های تقریبی انجام دهد، اما لایه های پنهان اضافی می توانند به بهینه سازی و دقت بیشتر کمک کنند.

“یادگیری عمیق” بسیاری از خدمات مبتنی بر هوش مصنوعی را تحت پوشش قرار می دهد. بنابراین برخی از تحلیل ها، بدون دخالت انسان انجام می شود. فناوری “یادگیری عمیق” در محصولات و خدمات روزمره (مانند دستیارهای دیجیتال، نرم افزار های تشخیص صدا و تشخیص تقلب در کارت اعتباری) و همچنین فناوری های نوظهور (مانند خودروهای خودران) استفاده می شود.

یادگیری عمیق در مقابل یادگیری ماشینی

تفاوت “یادگیری عمیق” با “یادگیری ماشینی کلاسیک”، در نوع داده های مورد استفاده و روش یادگیری آنهاست. “یادگیری ماشینی کلاسیک” از داده های ساختار یافته و برچسب گذاری شده برای پیش بینی استفاده می کند. بدین معنی که ویژگی های خاصی از داده های ورودی برای مدل سازی تعریف می شوند. این توضیح به این معنی نیست که در “یادگیری ماشینی کلاسیک” از داده های ساختار نیافته استفاده نمی شود. بلکه به این معنی است که یک مرحله پیش پردازش برای تولید داده های ساختار یافته باید انجام شود.

در یادگیری عمیق، مرحله پیش پردازش (که مرتبط با یادگیری ماشینی کلاسیک است) حذف می شود. الگوریتم های یادگیری عمیق می توانند داده های ساختار نیافته (مانند متن و تصویر) را دریافت و پردازش، سپس ویژگی های آنها را بدون دخالت نیروی انسانی استخراج کنند. به عنوان مثال فرض کنید تعداد زیادی عکس از حیوانات خانگی داریم و می خواهیم آنها را در سه گروه “گربه، “سگ” و “همستر” دسته بندی کنیم. در این مثال، الگوریتم های یادگیری عمیق می توانند مشخص کنند که کدام ویژگی حیوان (مثلا گوش ها) برای تشخیص نوع حیوان مهم تر هستند. اما در یادگیری ماشینی کلاسیک، این سلسله مراتب ویژگی ها به صورت دستی توسط یک انسان ایجاد می شود.

مدل های یادگیری ماشینی کلاسیک و یادگیری عمیق قادر به انواع مختلفی از یادگیری هستند که معمولاً به عنوان “یادگیری نظارت شده”، “یادگیری بدون نظارت” و “یادگیری تقویتی” طبقه بندی می شوند. مدل “یادگیری نظارت شده”، از مجموعه داده های برچسب گذاری شده برای دسته بندی یا پیش بینی استفاده می کند. این مدل نیاز به نوعی مداخله انسانی برای برچسب گذاری صحیح داده های ورودی دارد. در مقابل، “یادگیری بدون نظارت” به مجموعه داده‌های برچسب‌گذاری‌شده نیاز ندارد، و در عوض، الگوهای موجود در داده‌ها را شناسایی و آنها را با ویژگی های متمایز خوشه‌بندی می‌کند. “یادگیری تقویتی” فرآیندی است که در آن یک مدل یاد می گیرد برای انجام یک عمل در یک محیط بر اساس بازخورد دقیق تر شود.

یادگیری عمیق چگونه کار می کند؟

“شبکه های عصبی یادگیری عمیق” یا “شبکه های عصبی مصنوعی” سعی می کنند با ترکیب، وزن دهی و تعیین سمت و سوی داده های ورودی، عملکرد مغز انسان را شبیه سازی کنند. “شبکه‌های عصبی عمیق” از چند لایه از گره‌های به هم پیوسته تشکیل شده‌اند که هر کدام بر روی لایه قبلی برای اصلاح و بهینه‌سازی پیش‌بینی یا طبقه‌بندی ساخته می‌شوند. این پیشروی محاسبات از طریق شبکه، انتشار رو به جلو (Forward propagation) نامیده می شود.

کاربردهای یادگیری عمیق:

برنامه های یادگیری عمیق چنان در تار و پور زندگی روزمره ما تنیده شده اند که اغلب اوقات متوجه استفاده از آنها نمی شویم و از پردازش های سنگینی که در پس زمینه کار در حال اجرا است مطلع نیستیم. نمونه هایی از این کاربردها عبارتند از:

اجرای قانون

الگوریتم‌های یادگیری عمیق می‌توانند داده‌ها را تجزیه و تحلیل کنند و یاد بگیرند که الگوهای خطرناک نشان‌دهنده فعالیت‌های مجرمانه احتمالی را شناسایی کنند. تشخیص گفتار، بینایی کامپیوتر و سایر کاربردهای یادگیری عمیق می‌توانند با استخراج الگوها و شواهد از صداها، ویدئوها، تصاویر و اسناد آنها را تجزیه و تحلیل و به مجری قانون کمک ‌کنند تا مقادیر زیادی از داده‌ها را با سرعت و دقت بیشتری بررسی کند.

خدمات مالی

موسسات مالی به شکل گسترده از الگوریتم های یادگیری عمیق برای تجزیه و تحلیل و پیش بینی معاملات سهام، ارزیابی ریسک های تجاری برای تاییدیه وام، کشف تقلب، کمک به مدیریت سبدهای اعتباری و سرمایه گذاری مشتریان استفاده می کنند.

خدمات مشتری

بسیاری از سازمان ها، یادگیری عمیق را در فرآیندهای خدمات به مشتری خود گنجانده اند. ربات‌های چت، شکل ساده‌ای از هوش مصنوعی هستند. ربات های چت مبتنی بر یادگیری عمیق می توانند با تجزیه و تحلیل پاسخ های دریافتی، مستقیماً به این سؤالات مشتریان پاسخ دهند یا مکالمه را به یک کاربر انسانی هدایت کنند.

دستیارهای مجازی مانند سیری اپل، آمازون الکسا یا دستیار صوتی گوگل با قابلیت تشخیص گفتار، نمونه هایی از چت بات های مبتنی بر یادگیری عمیق هستند.

مراقبت های بهداشتی

از زمان دیجیتالی شدن نسخ و تصاویر بیمارستانی، صنعت مراقبت های بهداشتی از قابلیت های یادگیری عمیق بسیار بهره برده است. برنامه‌های تشخیص تصویر می‌توانند به متخصصان تصویربرداری پزشکی و رادیولوژیست‌ها کمک کنند تا تجزیه و تحلیل تصاویر با دقت بیشتر و زمان کمتر کمک انجام شود.

سخت افزار مورد نیاز برای یادگیری عمیق

یادگیری عمیق به قدرت محاسباتی زیادی نیاز دارد. واحد پردازنده مرکزی (CPU) و پردازش گرافیکی با کارایی بالا (GPU) برای انجام این محاسبات مورد نیاز هستند. زیرا می توانند حجم زیادی از محاسبات را در چند هسته با حافظه بسیار زیاد انجام دهند. معمولا این نوع از پردازش ها به مقدار بسیار زیادی از حافظه RAM هم نیاز دارند.

تهیه کننده: مهدی کوهستانی

مدیر اجرایی آموزش و مدیر دپارتمان فناوری اطلاعات و ارتباطات

لطفا جهت مشاهده برنامه کلاس های آموزش Machine Learning اینجا کلیک کنید.

لطفا جهت مشاهده لیست کامل دوره های آموزش برنامه نویسی اینجا کلیک کنید.