یادگیری عمیق یا Deep learning چیست ؟

یادگیری عمیق زیر شاخه ای از یادگیری ماشین است که با الگوریتم هایی الهام گرفته شده از ساختار و عملکرد مغز به نام شبکه های عصبی هوش مصنوعی مرتبط است.یادگیری عمیق یک تکنیک یادگیری ماشین است که رایانه‌ها را قادر می‌سازد تا مهارتی را که انسان‌ها به طور طبیعی دارند به دست آورند

سلام دوست عزیز،ما در سایت iaicenter.ir در کنار شما هستیم تا با اصطلاح یادگیری عمیق یا Deep learning آشنا شویم.

یادگیری عمیق چیست؟

یادگیری عمیق زیر شاخه ای از یادگیری ماشین است که با الگوریتم هایی الهام گرفته شده از ساختار و عملکرد مغز به نام شبکه های عصبی هوش مصنوعی مرتبط است.یادگیری عمیق یک تکنیک یادگیری ماشین است که رایانه‌ها را قادر می‌سازد تا مهارتی را که انسان‌ها به طور طبیعی دارند به دست آورند: یادگیری از مثال‌ها. یادگیری عمیق یک فناوری هوش مصنوعی مهم در خودروهای بدون راننده است که آنها را قادر می سازد تابلوی ایست را تشخیص دهند یا عابر پیاده را از چراغ خیابان متمایز کنند. این کلید کنترل صوتی دستگاه های مصرف کننده مانند تلفن های هوشمند، تبلت ها، تلویزیون ها و بلندگوها است. یادگیری عمیق اخیراً توجه زیادی را به خود جلب کرده است و دلیل خوبی هم دارد. به نتایجی می رسد که قبلا غیرممکن بود.

در جعل عمیق ، یک مدل کامپیوتری یاد می‌گیرد که چگونه وظایف طبقه‌بندی را مستقیماً از تصاویر، متن یا داده‌های صوتی انجام دهد. مدل های پیشرفته یادگیری عمیق گاهی اوقات می توانند نتایج دقیق تری نسبت به انسان ها ایجاد کنند. مدل ها با استفاده از مجموعه های گسترده ای از داده های طبقه بندی شده و معماری شبکه های عصبی چند سطحی آموزش داده می شوند.

چگونه یادگیری عمیق به چنین نتایج چشمگیری دست می یابد؟

در یک کلام: دقت،یادگیری عمیق در حال رسیدن به سطوح بالاتری از تشخیص دقیق نسبت به قبل است. به این ترتیب، لوازم الکترونیکی سرگرمی می تواند انتظارات مصرف کننده را برآورده کند و کاربردهای حیاتی ایمنی مانند اتومبیل های بدون راننده فقط در وهله اول امکان پذیر است. به لطف پیشرفت های اخیر، یادگیری عمیق در حال حاضر آنقدر پیشرفته است که می تواند برخی از وظایف را بهتر از انسان ها انجام دهد، مانند طبقه بندی اشیا در تصاویر.

در حالی که نظریه یادگیری عمیق در دهه 1980 پایه گذاری شد، دو دلیل اصلی وجود دارد که چرا اخیراً در عمل مورد استفاده قرار گرفته است:

یادگیری عمیق به مقادیر زیادی از داده کاوی های طبقه بندی شده نیاز دارد . به عنوان مثال، ایجاد یک ماشین بدون راننده به میلیون ها تصویر و هزاران ساعت فیلم نیاز دارد.

یادگیری عمیق به قدرت محاسباتی زیادی نیاز دارد . پردازنده‌های گرافیکی با کارایی بالا معماری موازی دارند که برای یادگیری عمیق کارآمد است. در ترکیب با خوشه ها یا محاسبات ابری، این به تیم های توسعه این فرصت را می دهد تا زمان آموزش شبکه یادگیری عمیق را از هفته ها به ساعت ها یا حتی کمتر کاهش دهند.

نمونه هایی از یادگیری عمیق در عمل

برنامه های کاربردی یادگیری عمیق در صنایع از رانندگی خودکار گرفته تا دستگاه های پزشکی استفاده می شود.

رانندگی خودکار:  

توسعه دهندگان در صنعت خودرو از یادگیری عمیق برای تشخیص خودکار اشیایی مانند علائم ایست و چراغ راهنمایی استفاده می کنند. علاوه بر این، یادگیری عمیق برای شناسایی عابران پیاده و در نتیجه جلوگیری از تصادفات استفاده می شود.

هوافضا و دفاع:  

یادگیری عمیق برای شناسایی اشیاء از طریق ماهواره هایی که مناطق مربوطه را نشان می دهند و برای شناسایی مناطق امن یا خطرناک برای امدادگران اضطراری استفاده می شود.

تحقیقات پزشکی: 

محققان  سرطان از یادگیری عمیق برای شناسایی خودکار سلول های سرطانی استفاده می کنند. تیم‌های UCLA میکروسکوپ خلاقانه‌ای ساخته‌اند که حجم بالایی از داده‌ها را ارائه می‌کند که می‌تواند برای آموزش یک برنامه یادگیری عمیق برای شناسایی دقیق سلول‌های سرطانی استفاده شود.

اتوماسیون صنعتی: 

 یادگیری عمیق به افزایش ایمنی کار در ماشین‌های سنگین با تشخیص خودکار نزدیک بودن افراد یا اشیاء به ماشین‌ها کمک می‌کند.

الکترونیک (CES): 

 یادگیری عمیق برای گوش دادن و صحبت کردن خودکار استفاده می شود. برای مثال، دستگاه‌های کمکی در بخش خصوصی که به صدای کاربر پاسخ می‌دهند و می‌دانند چه می‌خواهند، بر اساس برنامه‌های یادگیری عمیق هستند.

بیشتر روش های یادگیری عمیق از معماری ها به شکل شبکه های عصبی استفاده می کنند . به همین دلیل است که مدل های یادگیری عمیق اغلب به عنوان شبکه های عصبی عمیق شناخته می شوند .

اصطلاح "عمیق" به طور کلی به تعداد لایه های پنهان در شبکه عصبی اشاره دارد. شبکه های عصبی معمولی تنها شامل 2 تا 3 لایه پنهان هستند، در حالی که شبکه های عمیق حداکثر 150 لایه را شامل می شوند.

مدل‌های یادگیری عمیق با استفاده از مجموعه‌های بزرگی از داده‌های طبقه‌بندی‌شده و معماری‌های شبکه عصبی آموزش داده می‌شوند که ویژگی‌ها را مستقیماً از داده‌ها بدون نیاز به استخراج دستی ویژگی‌ها یاد می‌گیرند.

شکل بالا شبکه های عصبی بر روی سطوحی ساخته شده اند که از مجموعه ای از گره های به هم پیوسته تشکیل شده اند. مش ها می توانند شامل ده ها یا صدها لایه پنهان باشند.