آنچه در این صفحه می خوانید:
- معرفی یادگیری عمیق (Deep Learning)
- اهمیت یادگیری عمیق
- کاربرد یادگیری عمیق
- مثال از یادگیری عمیق
- نحوه عملکرد یادگیری عمیق
- تفاوت بین یادگیری ماشین و یادگیری عمیق
معرفی یادگیری عمیق (Deep Learning)
یادگیری عمیق (Deep Learning) بخشی از خانواده گسترده تری از روش های یادگیری ماشینی مبتنی بر شبکه های عصبی مصنوعی با یادگیری بازنمایی است. یادگیری می تواند تحت نظارت، نیمه نظارت یا بدون نظارت باشد.
یادگیری عمیق (Deep Learning) یک تکنیک یادگیری ماشینی از هوش مصنوعی است که به کامپیوترها آموزش می دهد تا کارهایی که انسان به طور طبیعی انجام می دهد را فرا بگیرد و با مثال آموزش ببیند. یادگیری عمیق یک فناوری کلیدی در پشت ماشین های خودران است و آنها را قادر می سازد تا علامت توقف را شناسایی کنند یا عابر پیاده را از یک چراغ راهنما تشخیص دهند.
یادگیری عمیق اخیرا توجه زیادی را به خود جلب کرده است. نتایجی به دست آورده که قبلا امکان پذیر نبود. در یادگیری عمیق، یک مدل کامپیوتری می آموزد که تسک های طبقه بندی را مستقیما از تصاویر، متن یا صدا انجام دهد. مدل های یادگیری عمیق می توانند دقت بیشتری داشته باشند، گاهی اوقات عملکرد آنها از سطح انسان بالاتر می رود. مدل ها با استفاده از مجموعه ای از داده های برچسب گذاری شده و معماری شبکه های عصبی که شامل بسیاری از لایه ها هستند، آموزش داده می شود.
اهمیت یادگیری عمیق
در یک کلمه، دقت یادگیری عمیق، دقت تشخیص را در سطوح بالاتر از همیشه افزایش می دهد. و کمک می کند تا مصرف کنندگان وسایل الکترونیکی انتظاراتشان برآورده شود و برای برنامه های کاربردی ایمن مانند اتومبیل های بدون راننده بسیار مهم است. پیشرفت های اخیر در یادگیری عمیق به جایگاهی رسید که یادگیری عمیق در برخی از تسک ها مانند طبقه بندی اشیاء در تصاویر از انسان ها پیشی گرفت. در حالی که یادگیری عمیق ابتدا در دهه 1980 مورد توجه قرار گرفت، دو دلیل اصلی وجود دارد که امروزه کاربرد بسیاری پیدا کرده است:
- یادگیری عمیق، نیاز به مقدار زیادی از اطلاعات برچسب دار دارد. برای 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 clusters و یا رایانش ابری ترکیب می شود، این گروه ها را قادر می سازد تا زمان آموزش برای یک شبکه یادگیری عمیق را از هفته ها به چند ساعت یا کمتر کاهش دهند.
کاربرد یادگیری عمیق
معماری های یادگیری عمیق مانند شبکه های عصبی عمیق، شبکه های باور عمیق، شبکه های عصبی تکرار شونده و شبکه های عصبی حلقوی در زمینه هایی از جمله بینایی رایانه ای، تشخیص گفتار، پردازش زبان طبیعی، تشخیص صوت، فیلتر شبکه های اجتماعی، ماشین ترجمه، بیوانفورماتیک، دارو استفاده شده است. طراحی، تجزیه و تحلیل تصاویر پزشکی، بازرسی مواد و ساخت بازی، جایی که آنها نتایج قابل مقایسه با عملکرد انسان داشته است.
مثال از یادگیری عمیق
اپلیکیشن های یادگیری عمیق در صنایع از رانندگی خودکار گرفته تا در دستگاه های پزشکی استفاده می شود. رانندگی خودکار: محققان خودرو از یادگیری عمیق استفاده می کنند تا به طور خودکار وسایل مانند نشانه های توقف و چراغ راهنمایی را تشخیص دهند. علاوه بر این، یادگیری عمیق برای شناسایی عابران پیاده استفاده می شود که به کاهش تصادفات کمک می کند.
- هوافضا و دفاع: یادگیری عمیق برای شناسایی اجسام از ماهواره هایی که مکان های مورد علاقه را پیدا می کنند و مناطق امن و یا نا امن برای سربازان را شناسایی می کنند استفاده می شود.
- تحقیقات پزشکی: محققان سرطان از یادگیری عمیق برای تشخیص سلول های سرطانی استفاده می کنند. تیم های UCLA یک میکروسکوپ پیشرفته ای تولید کرده اند که یک مجموعه داده های با ابعاد بزرگ را که برای آموزش یک برنامه یادگیری عمیق برای تعیین دقیق سلول های سرطانی استفاده می شود، تولید می کند.
- اتوماسیون صنعتی: یادگیری عمیق کمک می کند تا ایمنی کارگران را در اطراف ماشین آلات سنگین بهبود بخشد، به طور خودکار زمانی که افراد یا اشیا در فاصله ای ناامن از ماشین ها هستند را شناسایی می کند.
- الکترونیک: یادگیری عمیق در ترجمه خودکار شنوایی و گفتار استفاده می شود. به عنوان مثال، دستگاه های کمک به خانه که به صدای شما پاسخ می دهند و می دانند تنظیمات شما توسط اپلیکیشن های یادگیری عمیق صورت گرفته است.
نحوه عملکرد یادگیری عمیق
بیشتر روش های یادگیری عمیق از معماری شبکه عصبی استفاده می کنند، به همین دلیل است که مدل های یادگیری عمیق اغلب به عنوان شبکه های عصبی عمیق نامیده می شوند. اصطلاح "عمیق" معمولا به تعداد لایه های پنهان در شبکه عصبی اشاره دارد. شبکه های عصبی سنتی فقط شامل دو لایه پنهان هستند، در حالی که شبکه های عمیق می توانند تا 150 برابر باشند. مدل های یادگیری عمیق با استفاده از مجموعه های بزرگ داده های برچسب گذاری شده و معماری شبکه های عصبی آموزش داده می شوند که ویژگی ها را مستقیما از داده ها بدون نیاز به استخراج ویژگی های دستی یاد می گیرد.
یکی از محبوب ترین انواع شبکه های عصبی عمیق به عنوان شبکه های عصبی کانولوشن (CNN یا ConvNet) شناخته می شود. یک CNN با استفاده از داده های ورودی، ویژگی های یاد گرفته و با استفاده از لایه های کانولا 2D، این معماری را به خوبی برای پردازش داده های 2D مانند تصاویر، مناسب می کند. 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. CNN با استخراج ویژگی ها به طور مستقیم از تصاویر کار می کند. ویژگی های مربوطه پیشگیری نشده است آنها یاد می گیرند در حالی که شبکه بر روی یک مجموعه از تصاویر تمرین می کند.
این استخراج ویژگی های خودکار باعث می شود مدل های یادگیری عمیق برای وظایف دیداری کامپیوتر مانند طبقه بندی شی بسیار دقیق باشد. یادگیری CNN ها برای شناسایی ویژگی های مختلف یک تصویر با استفاده از ده ها یا صدها لایه پنهان امکان پذیر است. هر لایه پنهان پیچیدگی ویژگی های تصویر یاد گرفته را افزایش می دهد. به عنوان مثال، اولین لایه پنهان می تواند یاد بگیرد چگونه لبه ها را شناسایی کند، و آخرین لایه یاد می گیرد که چگونه شکل های پیچیده تر را شناسایی کرده و به طور خاص به همان شکلی که ما می خواهیم تشخیص می دهد.
تفاوت بین یادگیری ماشین و یادگیری عمیق
یادگیری عمیق یک شکل تخصصی از یادگیری ماشینی است. گردش کار یادگیری ماشینی با ویژگی های مربوطه که از تصاویر دستی گرفته شده است شروع می شود. سپس این ویژگی ها برای ایجاد یک مدل که اشیاء را در تصویر طبقه بندی می کند استفاده می شود. با گردش کار یادگیری عمیق، ویژگی های مربوطه به طور خودکار از تصاویر استخراج می شوند.
علاوه بر این، یادگیری عمیق "یادگیری end-to-end " است که در آن یک داده خام به شبکه و یک تسک مانند طبقه بندی برای انجام داده می شود و و یاد می گیرد که چگونه این کار را به طور خودکار انجام دهد. یکی دیگر از تفاوت های کلیدی مقیاس الگوریتم های یادگیری عمیق با داده ها است، در حالی که با یادگیری کم عمق هم همگرا است.
یادگیری کم عمق به روش های یادگیری ماشین اشاره دارد که در یک سطح مشخص از عملکرد، زمانی که شما نمونه های بیشتر و داده های آموزشی را به شبکه اضافه می کنید، به کار می رود. مزیت کلیدی شبکه های یادگیری عمیق این است که آنها اغلب همچنان به افزایش اندازه داده شما ادامه می دهند.