آموزش یادگیری عمیق (Deep Learning)

دسته بندی: آموزش هوش مصنوعی (AI)

آموزش یادگیری عمیق

آنچه در این صفحه می خوانید:

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:

  1. 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.
  2. 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.

آیا این نوشته را دوست داشتید؟
packtpub-hands-on-python-deep-learning

آموزش کامل یادگیری عمیق با پایتون


این دوره با تمرکز روی مفاهیم یادگیری عمیق، سردرگمی بین یادگیری ماشینی و یادگیری عمیق را برطرف می کند. تکنیک های یادگیری عمیق در سناریوهای دنیای واقعی ...

1398/06/07 19441 بازدید
packtpub-yolo-v3-robust-deep-learning-object-detection-in-1-hour

آموزش YOLO v3 - تشخیص آبجکت با یادگیری عمیق در یک ساعت


این دوره، به شما نشان می دهد که چگونه می توانید از این گردش کار با آموزش سفارشی YoloV3 خود و همچنین نحوه استقرار مدل های خود با استفاده از PyTorch است...

1398/05/19 3080 بازدید
packtpub-c-deep-learning-with-caffe

یادگیری عمیق سی پلاس پلاس با Caffe


کتابخانه Caffe یکی از کتابخانه های محبوب یادگیری عمیق در سی پلاس پلاس است که برای سرعت بالا و کارآیی خوبی که دارد، مشهور است. اگر با C++ آشنا هستید و ...

1398/04/25 4313 بازدید
packtpub-apache-spark-deep-learning-recipes-video

دستورالعمل های یادگیری عمیق (Deep Learning) با آپاچی اسپارک (Apache Spark)


این دوره ویدئویی، با توضیح روند توسعه یک شبکه عصبی از ابتدا، با استفاده از کتابخانه های یادگیری عمیق مانند Tensorflow یا Keras آغاز می شود. این دوره ب...

1398/01/21 3112 بازدید
packtpub-getting-started-with-tensorflow-for-deep-learning-video

آموزش شروع کار با تنسورفلو برای یادگیری عمیق


هدف این دوره آموزشی تنها این نیست که شما را با یادگیری عمیق آشنا سازد، بلکه این است که شما را به گونه ای آموزش دهیم تا بتوانید شبکه عصبی خودتان را ساخ...

1397/11/07 6570 بازدید
packtpub-python-deep-learning-for-beginners-video

آموزش یادگیری عمیق با پایتون برای مبتدیان


ما از معادلات ریاضی پیچیده اجتناب می کنیم، که اغلب می تواند مانعی برای ورود به تازه واردین باشد. این دوره به شما آموزش مفاهیم یادگیری عمیق را با استفا...

1397/10/12 7785 بازدید
pluralsight-building-deep-learning-models-using-pytorch

آموزش ایجاد مدل های یادگیری عمیق با PyTorch


فریمورک PyTorch متن باز  و فریمورک یادگیری عمیق می باشد که یک جایگزین محبوب برای TensorFlow و Apache MXNet است. PyTorch APIs یک رویکرد بومی پایتون را ...

1397/09/25 3459 بازدید
pluralsight-caffe2-getting-started

آموزش Caffe2 - شروع کار


Caffe2 یک فریمورک یادگیری عمیق منبع باز و رقیب به فریمورک هایی مانند TensorFlow، Apache MXNet و PyTorch است. تمرکز Caffe2 بر روی کارآیی است و به خوبی ...

1397/08/06 1030 بازدید
oreilly-mastering-computer-vision-problems-with-state-of-the-art-deep-learning-architectures-mxnet-and-gpu-virtual-machines

آموزش مشکلات بینایی رایانه ای با معماری های یادگیری عمیق، MXNet و ماشین های مجازی GPU 


یادگیری عمیق به ویژه در تسک های بینایی رایانه ای مانند طبقه بندی تصویر موفق بوده است زیرا شبکه های عصبی پیچشی (CNNs) می توانند سطوح سلسله مراتبی نمایش...

1397/07/12 1739 بازدید
packtpub-introduction-to-deep-learning-with-caffe2-video

آموزش یادگیری عمیق با Caffe2 


یادگیری عمیق یکی از بیشترین مهارت های مورد نیاز در بخش فناوری است. یکی از دلایل انتخاب Caffe2 برای این دوره سرعت پردازش آن در مقایسه با سایر پلتفرم ها...

1397/07/01 1123 بازدید
oreilly-customizing-state-of-the-art-deep-learning-models-for-new-computer-vision-solutions

آموزش سفارش سازی مدل های یادگیری عمیق برای راه حل های جدید بینایی رایانه ای


پیشرفت چشمگیری در بینایی رایانه ای صورت گرفته است: شبکه های عصبی عمیق (DNNs) که در ده ها میلیون تصویر آموزش دیده اند، می توانند هزاران نوع مختلف شیء ر...

1397/06/27 1249 بازدید
packtpub-hands-on-machine-learning-for-data-mining-video

آموزش یادگیری ماشینی برای داده کاوی


30٪ از داده کاوی شامل یادگیری ماشینی می شود. اگر شما به انجام داده کاوی مشغول هستید، باید بر یادگیری ماشینی مسلط شوید. در این دوره با بهترین الگوریتم ...

1397/06/11 2318 بازدید
packtpub-keras-deep-learning-projects-video

آموزش انجام پروژه های یادگیری عمیق با Keras 


Keras یک کتابخانه یادگیری عمیق برای آموزش سریع و کارآمد مدل های یادگیری عمیق است و همچنین می تواند با Tensorflow و Theano کار کند. از آنجا که سبک وزن ...

1397/06/08 3516 بازدید
packtpub-python-deep-learning-solutions-video

آموزش راه حل های یادگیری عمیق در پایتون


یادگیری عمیق در صنایع مختلف انقلابی بزرگ برپا کرده است. در این دوره با رویکرد top-down و bottom-up برای نمایش راه حل های یادگیری عمیق جهت مشکلات دنیای...

1397/06/08 2853 بازدید
packtpub-python-machine-learning-in-7-days-video

آموزش یادگیری ماشینی با پایتون در 7 روز


یادگیری ماشینی یکی از مهارت های مورد نیاز در بازار است. اما آیا تا به حال فکر کرده اید از کجا شروع کنید؟ در این دوره با یادگیری استفاده از یادگیری ماش...

1397/06/08 10263 بازدید
packtpub-deep-learning-with-python-video

آموزش یادگیری عمیق با Python


یادگیری عمیق در حال حاضر یکی از بهترین ارائه دهندگان راه حل در مورد مشکلات تشخیص تصویر، تشخیص گفتار، تشخیص چهره و زبان طبیعی با تعداد روزافزون کتابخان...

1397/06/08 3577 بازدید
packtpub-deep-learning-with-r-video-2

آموزش یادگیری عمیق با زبان R


یادگیری عمیق به شبکه های عصبی مصنوعی اشاره دارد که از بسیاری از لایه ها تشکیل شده است. یادگیری عمیق یک مجموعه قدرتمند از تکنیک ها برای یافتن اطلاعات د...

1397/06/07 1328 بازدید
packtpub-tensorflow-deep-learning-solutions-for-images-video

آموزش راه حل های یادگیری عمیق برای تصاویر در تنسورفلو


تنسورفلو پیشنهاد محبوب گوگل برای یادگیری ماشین و یادگیری عمیق است. تنسورفلو یک ابزار محبوب برای انجام سریع، کارآمد و دقیق یادگیری عمیق می باشد.  این د...

1397/05/29 2198 بازدید
packtpub-deep-learning-with-pytorch-video

آموزش یادگیری عمیق با PyTorch


این دوره ویدیویی یکی از پیشرفته ترین کتابخانه های یادگیری عمیق، PyTorch را به شما آموزش می دهد. PyTorch نوشته شده در پایتون، توجه همه متخصصان علوم اطل...

1397/04/10 4113 بازدید
packtpub-tensorflow-for-beginners-video

آموزش TensorFlow برای مبتدیان


دستگاه ها به لطف یادگیری ماشینی و هوش مصنوعی هوشمندتر می شوند. ماشین آلات در حال پیشرفت هستند و تکامل می یابند، وظایف انسان ها را آسان تر می کند. با ا...

1397/04/09 5758 بازدید