یادگیری عمیق چیست؟

چگونه ماشین ها یاد می­گیرند؟

 

یادگیری عمیق چیست؟

 

باسلر در فیلم “?How Do Machines Learn” اساس یادگیری ماشین و چگونگی هوشمند شدن ماشین­ها را با کمک شبکه های عصبی توضیح می‌دهد.

 

1- هوش مصنوعی:

هوش مصنوعی معمولا ساختارهای رفتاری بشر را توسط ماشین ها و برنامه های کامپیوتری توصیف میکند. مبحث هوش مصنوعی چندین زیر شاخه همانند سیستم­های تخصصی، سیستم­هایی برای تحلیل الگو یا روباتیک را پوشش می­دهد. سیستم های مبتنی بر هوش مصنوعی توسط روش­های مختلف، کپی یا مدل کردن رفتار انسان و ساختارهای تصمیم گیری را شبیه سازی می­کنند.

 

2- یادگیری ماشین:

یادگیری ماشین می‌تواند از طریق قوانین و الگوریتم­های از پیش تعریف شده و پیچیده انجام شود. همانند یادگیری عمیق بوسیله استفاده کردن از شبکه‌های عصبی مصنوعی

یادگیری ماشین بین یادگیری نظارت شده و نظارت نشده تمایز ایجاد می­کند. در یادگیری نظارت شده، نمونه داده برای یادگیری شامل ورودی ها و نتایج متناظر است در حالیکه در یادگیری نظارت نشده، سیستم نتایج ممکن را توسط ورودی­ها تعیین می‌کند.

 

3- یادگیری عمیق :

یادگیری عمیق به عنوان روشی از یادگیری ماشین است که بطور مستقل قوانین کلی مرتبط با شبکه عصبی مصنوعی را از نمونه‌های داده در طول فرآیند یادگیری استنتاج می‌کند. به خصوص در مبحث بینایی ماشین، شبکه عصبی معمولا توسط یادگیری نظارت شده آموزش می­بیند.

 

چگونه یادگیری عمیق کار می­کند؟

 

1- شبکه عصبی مصنوعی:

یادگیری عمیق در یک روش از فرم مشخص شبکه­های عصبی مصنوعی استفاده می­کند که باید ابتدا با نمونه‌های داده مشخص، آموزش داده شود. یک شبکه عصبی مصنوعی آموزش دیده شده می­تواند برای انجام وظایف استفاده شود. پردازش و بررسی شبکه ANN آموزش دیده شده، inference نامیده می­شود. در طول inference داده­ها، شبکه ANN گزارشی از ارزیابی نمونه داده­ها مطابق با قوانین یاد گرفته شده ارائه می­دهد.

 

یادگیری عمیق چیست؟

2- نورون‌ها، لایه ها و ارتباطات :

شبکه ANN شامل لایههایی از نورون­ها است که به یکدیگر پیوند داده شده‌اند. در ساده ترین حالت، شبکه دارای یک لایه ورودی و یک لایه خروجی است. نورون ها و پیوند ها را می­توان به عنوان ماتریس در نظر گرفت. ماتریس پیوند، شامل مقداری از ماتریس ورودی و یک ارتباط به مقادیر ماتریس خروجی است. مقادیر ماتریس پیوند شامل وزن ارتباطات متناظر می­شود. وزن مقدار ورودی با مقدار ماتریس منطقی، مقدار متناظر را در ماتریس نتیجه تولید می­کند.

 

3- شبکه عصبی مصنوعی عمیق:

مبحث یادگیری عمیق، آموزش دادن شبکه های ANN “عمیق” را توصیف می­کند. در کنار لایه ورودی و خروجی، صدها لایه مخفی میان لایه های قابل مشاهده برای ورودی و خروجی تعریف می­شود. به جز لایه‌های ورودی و خروجی، شبکه شامل صدها لایه “مخفی” بین لایه ورودی و خروجی می‌شود. فقط ماتریس خروجی شامل آخرین لایه و نتیجه خواهد بود.

 

یادگیری عمیق چیست؟

 

4- آموزش:

زمانی که آموزش ANN انجام می­شود، تمرکز بر مقداردهی اولیه تصادفی است. قانون یادگیری وزن روابط را مطابق با ورودی داده و نتیجه مورد انتظار تنظیم می­کند. میزان زیاد نمونه داده با درجه متغیر در محتویات آموزش معمولا به نتایج بهینه در فرآیند پردازش (inference) منجر می­شود. داده‌های عظیم و مشابه و یا تکراری در آموزش شبکه ANN معمولا باعث ایجاد “overfitting” می‌شوند.

 

یادگیری عمیق چیست؟

با یادگیری عمیق چه کارهایی می­توانیم انجام دهیم؟

نواحی کاربردی یادگیری عمیق خیلی متنوع هستند. به خصوص در مبحث بینایی ماشین، یادگیری عمیق روشی وسیع و مورد استفاده برای رنج گسترده­ای از وظایف است. احتمالا وظایف مهم مشترک برای یادگیری عمیق در مبحث تصویری شامل تحلیل تصویر برای طبقه بندی و تقسیم بندی داده تصویری می­شود.

 

1- طبقه‌بندی تصویر:

در طبقه بندی تصویر، عکس­ها به کلاس­های مختلفی اختصاص می­یابند. به عنوان مثال، برای جداکردن اجزای ناقص از غیر ناقص و مرتب کردن آن­ها مطابق با انواع مختلفی از نقص­ها یا اختصاص دادن عکس­ها به دسته بندی­های مختلف.

 

یادگیری عمیق چیست؟

 

2- تقسیم بندی عکس و شناسایی شیء:

تقسیم بندی، هر پیکسل عکس را به یک کلاس اختصاص می­دهد. این به معرفی کردن چندین شیء مختلف روی یک عکس منجر می­شود. به عنوان مثال، مشخص کردن میوه های مختلف در یک سبد فروشگاهی یا مشخص کردن علامت­ها، جاده­ها و افراد در ترافیک.

 

یادگیری عمیق چیست؟

3- پردازش تصویر:

یادگیری عمیق همچنین می­تواند برای پردازش و بهبود داده تصویری مفید باشد. به عنوان مثال، برای حذف نویز مزاحم از تصاویر یا جبران تداخل ناشی از لنزها.

 

 

[before_after image_before=”27348″ image_after=”27347″]

 

از شما بابت مطالعه مطلب یادگیری عمیق چیست بسیار ممنون هستم، لطفا از سایر مطالب ما نیز دیدن کنید.

 

مترجم: مهندس محمد طالبی

منبع