در این مقاله به موضوع مهم «یادگیری عمیق» یا Deep learning خواهیم پرداخت. با یکدیگر خواهیم آموخت که یادگیری عمیق چیست و سپس کمی در مورد تاریخچۀ دیپ لرنینگ به بحث خواهیم نشست. در بخش بعدی، تفاوت یادگیری ماشینی و یادگیری عمیق و همین‌طور شبکه‌های عصبی خواهیم پرداخت. سپس درمورد کاربردهای یادگیری‌عمیق چندین مورد را با هم بررسی خواهیم کرد. در پایان به برخی نرم‌افزارها و سخت‌افزارهای موردنیاز درمورد یادگیری‌عمیق خواهیم پرداخت.

یادگیری عمیق چیست؟

یادگیری عمیق یک روش یادگیری ماشین مبتنی بر برنامه‌های شبکه عصبی مصنوعی (ANN) است. این مدل یادگیری برای ساخت مدل‌های جعبه سیاه پیچیده مفید است و این مدل‌ها پس از آموزش مجموعه داده‌های وسیع عملکرد خوبی دارند؛ بنابراین، مدل‌های یادگیری عمیق در حوزه‌هایی که داده‌های فراوانی دارند مفید هستند زیرا در چنین حوزه‌هایی پیش‌بینی‌های صحیح باعث ایجاد ارزش می‌شوند. به‌عنوان‌مثال، از آن در زمینه‌های مختلف مانند تشخیص تصویر، گفتار و صدا، پردازش هنر تصویری، پردازش زبان طبیعی، توسعۀ دارو، بیوانفورماتیک، تشخیص پول‌شویی، ارائه تجربه منحصربه‏‌فرد برای مشتری و غیره استفاده می‌شود.

برای کسب اطلاعات بیشتر و درک مفهوم عمیق‌تر درباره یادگیری عمیق ویدیوی 5 دقیقه‌ی در زیر برای شما کاربران عزیز آماده کرده‌ایم. بعد از مشاهده ویدیو نظرات و پیشنهاد خود را در دیدگاه زیر بنویسید. تا جواب کنجکاوی علم خودتان را دریافت کنید.

تاریخچۀ دیپ لرنینگ

جهان در حال حاضر شاهد تحولی فراگیر درزمینۀ هوش مصنوعی است. یکی از عوامل محرکه در این تحول، یادگیری عمیق است. یادگیری‌عمیق از لایه‌های الگوریتم برای پردازش داده‌ها، درک گفتار انسان و تشخیص بصری اشیا استفاده می‌کند. اطلاعات از طریق هر لایه منتقل می‌شود درحالی‌که خروجی لایۀ قبلی ورودی لایه بعدی را فراهم می‌کند. اولین لایه در شبکه را لایۀ ورودی و آخرین را لایۀ خروجی می‌نامند. تمام لایه‌های بین این دو، لایه‌های مخفی محسوب می‌شوند. هر لایه معمولاً الگوریتمی ساده و یکنواخت است که شامل یک نوع تابع فعال‌سازی می‌باشد.

یادگیری عمیق چیست

تاریخ دقیق یادگیری عمیق

استخراج ویژگی یکی دیگر از جنبه‌های یادگیری‌عمیق است. استخراج ویژگی با استفاده از یک الگوریتم به طور خودکار «ویژگی‌های» معنی‏‌دار داده را برای اهداف آموزش، یادگیری و درک ایجاد می‌کند. معمولاً دانشمند داده و یا برنامه‌نویس، مسئول استخراج ویژگی است.

به لطف ابررسانه‌هایی مانند گوگل و فیس‌بوک، در این مدل یادگیری اکنون به اصطلاح مشهوری تبدیل شده است و ممکن است مردم تصور کنند که کشفی جدید است. اما شاید تعجب کنید اگر بدانید که تاریخ یادگیری‌عمیق به دهۀ 1940 میلادی برمی‌گردد.

یادگیری عمیق، به‌عنوان شاخه‌ای از یادگیری ماشین، از الگوریتم‌هایی برای پردازش داده‌ها و تقلید از روند تفکر و یا گسترش انتزاعیات استفاده می‌کند. تاریخچۀ دقیق‌تر این یادگیری را می‌توان در سال 1943 جستجو کرد، زمانی که والتر پیتز و وارن مک کالوچ یک مدل رایانه‌ای را بر اساس شبکه‌های عصبی مغز انسان ایجاد کردند. آن‌ها با ترکیب الگوریتم‌ها و ریاضیات، چیزی را کشف کردند که آن را «منطق آستانه» نامیدند تا بتوانند روند تفکر را تقلید کنند. از آن زمان یادگیری‌عمیق به طور پیوسته در حین پیشرفت بوده است.

تفاوت یادگیری عمیق و یادگیری ماشینی

ازنظر عملی، یادگیری عمیق فقط زیرمجموعه‌ای از یادگیری ماشین است. در حقیقت یادگیری‌عمیق یادگیری ماشینی است و به روشی مشابه عمل می‌کند (ازاین‌رو گاهی اوقات این اصطلاحات به‌راحتی به‌جای یکدیگر استفاده می‌شوند). بااین‌حال، قابلیت‌های آن متفاوت است.

درحالی‌که مدل‌های ابتدایی یادگیری ماشین مدام در حال بهبود هستند، اما هنوز به آموزش و یادگیری نیاز دارند. اگر الگوریتم هوش مصنوعی پیش‌بینی نادرستی را بازگرداند، یک مهندس باید وارد عمل شود و تنظیمات را انجام دهد. با استفاده از مدل یادگیری عمیق، یک الگوریتم با استفاده از شبکۀ عصبی‌اش می‌تواند به‌تنهایی تشخیص دهد که آیا پیش‌بینی انجام شده دقیق است یا خیر.

بیایید به مثالی در مورد چراغ‌قوه بیندیشیم: این وسیله می‌تواند به‌گونه‌ای برنامه‌ریزی شود تا وقتی شخصی کلمۀ «تاریک» را می‌گوید، روشن شود. با ادامه یادگیری، ممکن است در نهایت با هر عبارتی که حاوی آن کلمه است روشن شود. حال اگر چراغ‌قوه این مدل یادگیری داشته باشد، متوجه می‌شود که باید با عباراتی چون «نمی‌توانم ببینم» یا «کلید برق کار نمی‌کند» و شاید هم‌زمان با یک حس‌گر نور هم روشن شود. یک مدل یادگیری‌عمیق قادر به یادگیری از طریق روش محاسبه خود است – روشی که باعث می‌شود طوری وانمود کند که گویی مانند انسان درک دارد.

 

دیپ لرنینگ

درحالی‌که مدل‌های ابتدایی یادگیری ماشین مدام در حال بهبود هستند، اما هنوز به آموزش و یادگیری نیاز دارند. اگر الگوریتم هوش مصنوعی پیش‌بینی نادرستی را بازگرداند، یک مهندس باید وارد عمل شود و تنظیمات را انجام دهد. با استفاده از مدل یادگیری عمیق، یک الگوریتم با استفاده از شبکۀ عصبی‌اش می‌تواند به‌تنهایی تشخیص دهد که آیا پیش‌بینی انجام شده دقیق است یا خیر.

مثالی از تفاوت یادگیری عمیق و یادگیری ماشینی

بیایید به مثالی در مورد چراغ‌قوه بیندیشیم: این وسیله می‌تواند به‌گونه‌ای برنامه‌ریزی شود تا وقتی شخصی کلمۀ «تاریک» را می‌گوید، روشن شود. با ادامه یادگیری، ممکن است در نهایت با هر عبارتی که حاوی آن کلمه است روشن شود. حال اگر چراغ‌قوه مدل یادگیری عمیقی داشته باشد، متوجه می‌شود که باید با عباراتی چون «نمی‌توانم ببینم» یا «کلید برق کار نمی‌کند» و شاید هم‌زمان با یک حس‌گر نور هم روشن شود. یک مدل یادگیری عمیق قادر به یادگیری از طریق روش محاسبه خود است – روشی که باعث می‌شود طوری وانمود کند که گویی مانند انسان درک دارد.

برای بیان تفاوت‌های این دو همین موارد بس که بگوییم:

  • یادگیری ماشینی از الگوریتم‌ها برای تجزیه داده‌ها، یادگیری از آن داده‌ها و تصمیم‌گیری آگاهانه بر اساس آموخته‌های خود استفاده می‌کند.
  • یادگیری عمیق الگوریتم‌هایی به‌صورت لایه‌لایه ایجاد می‌کند تا «شبکه عصبی مصنوعی‌ای» بسازد که بتواند به‌تنهایی یاد بگیرد و هوشمندانه تصمیم بگیرد.
  • یادگیری‌عمیق زیرمجموعۀ یادگیری ماشین است. درحالی‌که هر دو زیرمجموعه‌ای از هوش مصنوعی هستند، یادگیری عمیق بیشترین شباهت را به هوش مصنوعی همانند انسان دارد.

مدل‌های یادگیری عمیق

مدل‌های یادگیری عمیق به مدل مولد، مدل افتراقی و مدل ترکیبی تقسیم می‌شود.

یادگیری عمیق در پایتون

مدل‌های مولد عمیق

 مدل‌های مولد عمیق یا (DGM) شبکه‌های عصبی با بسیاری از لایه‌های پنهان آموزش دیده برای تقریب توزیع‌های احتمال پیچیده هستند. می‌توانیم از DGM‌ها برای تخمین احتمال هر مشاهده و ایجاد نمونه‌های جدید از توزیع اساسی استفاده کنیم.

مدل افتراقی

 مدل افتراقی، مرز تصمیم‌گیری بین گونه‌ها را شکل می‌دهد و توزیع احتمال شرطی را می‌آموزد.

مدل ترکیبی

رویکرد ترکیبی یک شبکه عصبی عمیق پیچیده برای تجزیه‌وتحلیل همکاری، حفظ حریم خصوصی است. برای این منظور، به‌جای انجام کل عملیات روی فضای ابری، به اینترنت اشیاء اجازه می‌دهیم تا لایه‌های اولیه شبکه عصبی را اجرا کند و سپس خروجی را به فضای ابری ارسال می‌کند تا لایه‌های باقیمانده را تغذیه کند و نتیجه نهایی را تولید کند.

یادگیری عمیق چگونه کار می‌کند؟

یک مدل یادگیری عمیق برای تجزیه‌وتحلیل مداوم داده‌ها با ساختار منطقی شبیه به نتیجه‌گیری انسان طراحی شده است. برای دستیابی به این هدف، برنامه‌های یادگیری‌عمیق از یک ساختار لایه‌ای الگوریتم‌ها به نام شبکه‌های عصبی مصنوعی استفاده می‌کنند.

طراحی یک شبکه عصبی مصنوعی با الهام از شبکه عصبی بیولوژیکی مغز انسان انجام شده است و منجر به نوعی فرایند یادگیری می‌شود که توانایی آن بسیار بیشتر از مدل‌های استاندارد یادگیری ماشین است.

پیش‌بینی این موضوع که مدل یادگیری عمیق نتیجۀ نادرستی را به‌دست آورده یا خیر بسیار سخت است. مانند سایر نمونه‌های هوش مصنوعی، یادگیری‌عمیق به آموزش‌های زیادی احتیاج دارد تا فرایند یادگیری را به طور صحیح انجام دهد. اما وقتی این مدل یادگیری عملکردی آن‌طور که در نظر گرفته‌شده عمل می‌کند، غالباً از آن به‌عنوان یک شگفتی علمی یاد می‌کنند و آن را بخش اصلی هوش مصنوعی واقعی می‌دانند.

یک مثال عالی از یادگیری‌عمیق AlphaGo  «آلفا گو» گوگل​ است. گوگل یک برنامۀ کامپیوتری با شبکۀ عصبی اختصاصی برای خود ایجاد کرد که بازی تخته‌ای انتزاعی به نامGo» » را فراگرفت، دلیل شهرت این بازی تیزبینی و بصیرت آن است. مدل این یادگیری «آلفا گو» با بازی در برابر بازیکنان حرفه‌ای آموخت چگونه در سطحی که قبلاً در هوش مصنوعی دیده نشده بود، بازی کند و بدون اینکه به آن گفته شود چه زمانی باید یک حرکت خاص را انجام دهد، این کار را انجام دهد (همان‌طور که یک مدل استاندارد یادگیری ماشین نیاز دارد). وقتی «آلفا گو» چندین “استاد” مشهور جهان را در این بازی شکست داد، غوغایی به پا شد. یک ماشین نه‌تنها می‌تواند تکنیک‌های پیچیده و جنبه‌های انتزاعی بازی را درک کند، بلکه قادر است تا به یکی از بزرگ‌ترین بازیکنان آن تبدیل شود.

موارد استفاده یادگیری عمیق در صنایع و بخش‌های مختلف چیست؟

یادگیری عمیق توانسته به بهبود شرایط، روند کار و بهینه شدن هزینه‌ها در بسیاری از بخش‌های مختلف جامعه کمک کند. از جمله مهم‌ترین کاربردهای دیپ لرنینگ عبارت‌اند از:

کاربردهای دیپ لرنینگ

کشاورزی

 با استفاده از داده‌های حسگرها و ماهواره‌ها با درنظرگرفتن دما، رطوبت و غیره، تولید عملکرد را بهینه می‌کند.

هوافضا و دفاع

  • شناسایی اشیا ء به‌دست‌آمده از ماهواره
  • تشخیص وقایع مشکوک یا جمع‌آوری اطلاعات از دوربین‌های نظارتی.

 خودرو

  • توسعۀ خودروهای بدون سرنشین
  • مدل‌های یادگیری عمیق بی‌شماری در دوربین‌ها و دستگاه‌های مورد استفاده در صنایع حمل‌ونقل استفاده می‌شود ازجمله مواردی برای تشخیص علائم راهنمایی‌ورانندگی، وسایل نقلیه دیگر، عابران پیاده و غیره.

 خدمات مالی

  • معاملات: تخمین قیمت‌های آینده بازار سهام.
  •  تشخیص تقلب: شناسایی فعالیت‌های کلاهبرداری با دقت بالاتر و مثبت کاذب کمتر.
  • سنجش اعتبار مشتری با تجزیه‌وتحلیل اطلاعات از چندین منبع و پاسخ سریع‌تر به درخواست‌های وام.

مراقبت‌های بهداشتی

تشخیص بیماری‌ها با استفاده از راه‌حل‌های تصویربرداری پزشکی، به‌عنوان‌مثال شناسایی ضایعات سرطانی بالقوه در تصاویر رادیولوژی.

شخصی‌سازی درمان‌های پزشکی

تعیین بیماران در معرض خطر در سیستم مراقبت‌های بهداشتی.

 بیمه

  • مکانیزه کردن شکایات و تجزیه‌وتحلیل خسارت از گزارش‌ها یا تصاویر.
  •  پیش‌بینی خطرات مبتنی بر تصویر برای بیمۀ خانه.
  •  محاسبه قیمت برای تعیین حق بیمه.

ساخت و تولید

شرکت‌های تولیدی ازجمله تولیدات گسسته مانند خودرو یا سایر شرکت‌های صنعتی (به‌عنوان‌مثال نفت و گاز) به دلایل زیر به الگوریتم‌های یادگیری‌عمیق اعتماد می‌کنند:

  • ارائۀ ابزارهای پیشرفته تجزیه‌وتحلیل برای پردازش داده‌های بزرگ درمورد تولید.
  • ایجاد هشدارهای خودکار با استفاده از داده‌های حسگر درمورد مسائل خطوط تولید به‌عنوان‌مثال درمورد تضمین کیفیت یا ایمنی (به‌منظور اطلاع‌رسانی به‌موقع به تیم‌های مرتبط).
  • خطوط بازرسی فنی، بازرسی کیفی، کنترل بسته‌بندی و …
  • حمایت از سیستم‌های تعمیرات قابل پیش‌بینی با استفاده از تجزیه‌وتحلیل تصاویر و سایر داده‌های حسگر.
  • توانمند‌سازی ربات‌های صنعتی با حسگرها و مهارت‌های بینایی رایانه‌ای (کامپیوتری).
  • کنترل محیط کار اطراف ماشین‌آلات سنگین به طور خودکار تا این اطمینان حاصل شود که افراد و اقلام در یک فاصله ایمن قرار دارند.

محصولات دارویی و پزشکی

 کشف دارو- پیش‌بینی اثرات دارویی، نظارت بر مصرف دارو و شناسایی عوارض جانبی آن و تجویز داروی دقیق بر اساس روش‌های درمانی مبتنی بر عوامل ژنتیکی، محیطی یا سبک زندگی.

تفاوت بین شبکه‌های عصبی و یادگیری عمیق

ازآنجاکه شبکه‌های عصبی و یادگیری عمیق بسیار عمیق درهم‌آمیخته‌اند، تشخیص آن‌ها از یکدیگر در سطح ظاهری دشوار است. درحالی‌که شبکه‌های عصبی از سلول‌های عصبی برای انتقال داده‌ها به شکل مقادیر ورودی و مقادیر خروجی از طریق اتصالات استفاده می‌کنند، یادگیری‌عمیق با تغییر شکل و استخراج ویژگی‌ای همراه است که سعی در ایجاد ارتباط بین محرک‌ها و پاسخ‌های عصبی مرتبط در مغز دارد.

تفاوت بین شبکه عصبی و یادگیری عمیق

نرم‌افزارها و سخت‌افزارهای یادگیری عمیق

نرم‌افزارها

  1. تنسور فلو   Tensor Flow

این برنامه به یادگیری عمیق کمک شایانی می‌کند. این نوع داده، یک آرایۀ چندبعدی است و با استفاده از جعبه ابزار متن‌باز به یادگیری ماشین کمک می‌کند و می‌توان با کمک آن سیستم‌های قابل ارتقا ساخت.

  1. پایتون

نرم‌افزار دیگری که در این زمینه می‌توان استفاده کرد، نرم‌افزار پایتون است. به‌منظور کار با این نرم‌افزار لازم است که پایتون 2.7. روی سیستم خود نصب کنید. کتابخانه‌های نامپی Numpy، مَت پلات لیب Matplotlib، کِراس Keras و … نیز باید روی پایتون شما نصب شده باشد.

سخت‌افزارها

  1. پردازندۀ گرافیکیGPU

برای یادگیری عمیق به GPU نیاز خواهیم داشت. GPU قلب برنامه‌های یادگیری‌عمیق است و نقش آن را نمی‌توان آن را نادیده گرفت. با استفاده از یک GPU می‌توان زمان انجام آزمایش‌ها را از چندین ماه به چند ساعت، از چند روز به چند ساعت و از چندین ساعت به چند دقیقه کاهش داد.

  1. واحد منبع تغذیه (PSU)

PSU یا همان منبع تغذیه، دستگاهی است که انرژی مورد نیاز سخت‌افرازهای یک سیستم بینایی ماشین را فراهم می‌کند. این دستگاه جریان متناوب ورودی را به جریان مستقیم قابل استفاده در قطعات کامپیوتر تبدیل می‌کند.

در پایان باید یادآور شد که دیپ لرنینگ «یادگیری عمیق» روزبه‌روز در حال گسترش و پیشرفت است و در اکثر تکنولوژی‌های روز نیز قابل‌ِاستفاده است. در این مورد البته باید مراقب تشخیص درست و غلط‌کار ماشین نیز باشیم. به طور مثال در یکی از زیرشاخه‌های آن به نام دیپ‌فیک (Deep fake) به‌راحتی عکس و صدای شخصی را می‌توان به‌جای شخصی دیگر قرار داد و این موضوع تبعات خودش را دارد. دیپ لرنینگ یکی از بازوهای مهم بینایی ماشین، یادگیری ماشین و علم هوش مصنوعی است.

جهت اطلاعات بیشتر راجع به شرکت نوین ایلیا و محصولات و پروژه‌ها، ویدیوهای آپارات و یوتیوب ببینید. در صورت داشتن سوالات و پیشنهادات و نظرات خود را در دیدگاه پایین صفحه اعلام کنید. در اولین وقت جوابگوی شما هستیم.

یک دیدگاه بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *