یادگیری عمیق

یادگیری عمیق چیست و چه کاربردهایی دارد؟

یادگیری عمیق Deep Learning بخشی از روش های هوش مصنوعی و یادگیری ماشین، مبتنی بر شبکه های عصبی مصنوعی می باشد. یادگیری عمیق برای محاسبات روی داده های بزرگ از شبکه عصبی مصنوعی استفاده می کند.

شبکه عصبی مصنوعی چیست؟

مفاهیمی چون هوش مصنوعی، یادگیری عمیق و یادگیری ماشین سعی دارند کامپیوترها و ماشین هایی ایجاد کنند که در پردازش های خود، عملکرد مغز انسان را تقلید کنند. شبکه عصبی یا شبکه عصبی مصنوعی ANN خلاصه شده Artificial Neural Network و اساس هوش مصنوعی می باشد. شبکه عصبی مصنوعی با استفاده از نورون ها به پردازش اطلاعات می پردازد. شبکه عصبی مصنوعی از ابتدا با دریافت اطلاعات، دسته بندی آن ها و شناسایی الگوها یاد می گیرد و متناسب با موقعیت ها واکنش نشان می دهد. یادگیری از ویژگی-های سیستم های هوشمند و هوش مصنوعی می باشد. برنامه ریزی سیستم هایی که قابلیت یادگیری دارند آسان است. فشرده سازی تصویر، تشخیص چهره، پیش بینی بازار سهام، داده کاوی، تشخیص بیماری های قلبی و انواع سرطان، بهینه کردن موتورهای جستجو از جمله کاربردهای شبکه عصبی مصنوعی می باشد. شبکه عصبی پیشخور، شبکه عصبی بازگشتی، شبکه عصبی کانولوشن و شبکه عصبی شعاعی پایه نیز از انواع شبکه های عصبی مصنوعی است. شبکه های عصبی دارای سه لایه ورودی، خروجی و پنهان است. وظیفه لایه ورودی، دریافت داده و انتقال آن به سایر لایه است. لایه پنهان وظیفه پردازش بر روی داده ها را عهده دار است و بین لایه ورودی و خروجی قرار گرفته است. لایه خروجی نیز، اطلاعات و خروجی نهایی شبکه عصبی را نشان می دهد.

تاریخچه پیدایش یادگیری عمیق :

در سال 1943 میلادی والتر پیتز و وارن مک کالویچ، با ترکیب الگوریتم و ریاضی و براساس شبکه های عصبی انسان، کامپیوتری ساختند که عملکرد مغز اسنان را تقلید کند. از آن زمان جرقه شکل گیری یادگیری عمیق زده شد. بعد از آن در سال های 1965 میلادی تا 1970، الگوریتم های یادگیری عمیق توسعه داده شد. در این بین در طی سال هایی به دلیل وجود پاره ای از مشکلات، روند توسعه یادگیری ماشین و هوش مصنوعی متوقف شد. تا اینکه در سال 1999میلادی با توسعه واحدهای پردازش گرافیکی، تکامل و توسعه یادگیری عمیق به جدیت دنبال شد.

چرا یادگیری عمیق دارای اهمیت است؟

یکی از قابلیت های یادگیری عمیق Deep Learning پردازش ویژگی های زیاد و حل مسائل پیچیده است. به همین دلیل یادگیری عمیق برای داده های کوچک با ویژگی های کم کارایی نداشته و برای عملکرد بالا نیازمند حجم زیاد داده می شد. امروزه یادگیری عمیق در تشخیص ها دارای دقت زیادی شده و توانسته پاسخ های خوبی را به نیازهای کاربران بدهد. از آنجا که در دنیای امروز با تولید حجم زیاد داده مواجه هستیم یادگیری عمیق حائز اهمیت می باشد. الگوریتم های یادگیری عمیق در تشخیص گفتار، پردازش زبان طبیعی و غیره استفاده می شوند. از این رو توجه به یادگیری عمیق روز به روز بیشتر می شود. برای آموزش یادگیری عمیق Deep Learning با زبان پایتون می توانید در دوره های آموزشی مجتمع آموزشی مهرگان شرکت کنید.

ویژگی ها، مزایا و معایب یادگیری عمیق چیست؟

کار با حجم زیادی از داده های ساختار نیافته :

داده های ساختار نیافته یا داده های کیفی، داده هایی مانند فیلم، تصویر و متن هستند که قالب و چارچوب مشخصی ندارند. داده های ساختار نیافته توسط ماشین یا انسان تولید می شوند و باید روی آن ها پردازش های اضافه تری انجام گردد. الگوریتم های یادگیری ماشین برای کار با داده های ساختار نیافته مناسب نیست. اما برای آنالیز این داده ها و تولید خروجی مناسب از مدل های یادگیری عمیق می توان استفاده کرد.

دقت و عملکرد بالا و تولید نتایج با کیفیت :

مدل ها و الگوریتم های یادگیری عمیق Deep Learning برای نمایش سلسله مراتب داده های پیچیده طراحی شده و با داده های مناسب به خوبی آموزش داده شده اند. از طرفی مدل های یادگیری عمیق محدودیت های انسان مثل خستگی و عدم تمرکز را ندارند به همین دلیل در کمترین زمان خروجی مناسب را تولید می کنند.

نداشتن مرحله جداگانه برای استخراج و مهندسی ویژگی :

در یادگیری عمیق، استخراج و مهندسی ویژگی برخلاف یادگیری ماشین به مرحله و هزینه و زمان جداگانه نیاز ندارد و خود مدل یادگیری عمیق آن را انجام می دهد.

عدم نیاز به برچسب گذاری روی داده ها :

مرحله برچسب گذاری داده ها نیاز به هزینه زیادی دارد. در بالا اشاره کردیم که یادگیری عمیق برای داده های ساختارنیافته مناسب هستند. از آنجایی که یادگیری عمیق موجب شناسایی و دسته بندی داده های غیرساخت یافته می شود، نیازی به برچسب گذاری ندارد.
در کنار این مزایا، یادگیری عمیق با یکسری محدودیت ها و معایبی رو به رو است. در ادامه به بیان تعدادی از این محدودیت ها می پردازیم.

محدودیت و معایب یادگیری عمیق :

وابستگی زیاد به داده :

یکی از محدودیت های Deep Learning یادگیری بر اساس مشاهدات، وابستگی و نیاز به حجم زیاد داده است. اگر داده ها از تنوع کمی برخوردار باشند مدل یادگیری عمیق به خوبی آموزش نمی بیند. زیرا برای یادگیری به مقدار زیادی داده نیاز دارند. حال تصور کنید برای یک مسئله پیچیده از مدل های یادگیری عمیق استفاده کنیم. آن ها برای آموزش به حجم زیادی از داده های متنوع نیاز دارند. همین امر موجب صرف زیاد هزینه و زمان می گردد.

حساسیت به ویژگی خاص :

یکی از مشکلات یادگیری عمیق، حساسیت به ویژگی خاص می باشد. با یک مثال این محدودیت را توضیح می-دهیم. اگر مجموعه داده ها برای مدل یادگیری تصاویر مردانی باشد که مشغول آشپزی کردن هستند، مدل برای پیش بینی با مشکل بر می خورد. ممکن است مدل اینطور پیش بینی کند که مردها همیشه آشپز هستند. مدل های یادگیری عمیق بر اساس الگوی داده ورودی آموزش می بیند. زمانی که داده های برنامه نویسان کمی بوده یا از یک منبع تهیه شده باشد، خروجی مناسبی از مدل یادگیری عمیق به دست نمی آید.

نیاز به سخت افزارهای قدرتمند :

سخت افزارهای مناسبی مانند پردازنده های گرافیکی چند هسته ای، هارد دیسک و حافظه های RAM و سایر تجهیزات سخت افزاری دیگر برای آموزش به مدل های یادگیری ماشین نیاز است. برای داشتن یک سخت افزار با کارایی بالا و با کیفیت، هزینه مالی زیادی باید اختصاص داد. همین امر موجب می شود یادگیری عمیق مقرون به صرفه نباشد.

عدم استدلال گری :

مدل های یادگیری عمیق فعلی همچنان در استدلال کردن دچار مشکل هستند.

یادگیری عمیق در چه مواردی کاربرد دارد؟

پزشکی، مهندسی پزشکی، ژنتیک، داروسازی، پیش بینی بلایای طبیعی، خودروهای خودران، اضافه کردن رنگ، هوا فضا بخشی از حوزه هایی هستند که یادگیری عمیق در آن ها استفاده می شود.
به طور کلی در یادگیری عمیق می توانید با کمترین هزینه بیشترین کارایی و راندمان را داشته باشید. شرکت های بزرگی مانند گوگل، BMW و آمازون در حوزه یادگیری عمیق و یادگیری ماشین و هوش مصنوعی پیشرو هستند. در ایران نیز شرکت هایی مثل دیجیکالا و علی بابا وارد حوزه هوش مصنوعی و یادگیری عمیق شده اند.

آنچه خواهید آموخت

از آن جا که یادگیری نرم افزار بدون انجام تمرینات و پروژه های عملی امکان پذیر نمی باشد آموزش این دوره مبتنی بر روش TPH خواهد بود.

پیش نیاز پایتون مقدماتی، مبانی ریاضی پردازش تصویر (ریاضی مهندسی).

مباحث دوره به اختصار به شرح زیر می باشد :

• معرفی، کاربردها و راه اندازی Keras و Tensorflow
• اجرا در colab
• مروری بر شبکه های عصبی
• مروری بر یادگیری ماشین
• بهینه سازها و توابع اتلاف
• شبکه های DFN
• شبکه های CNN
• Transfer Learning
• شبکه های تشخیص و بازشناسی Fast RCNN و Yolo
• شبکه های AutoEncoder
• مدل های زبانی و word2vec
• شبکه های RNN
• شبکه های LSTM
• شبکه های GAN
• مروری بر Deep Reinforcement learning