نقشه راه یادگیری عمیق یا نقشه راه ماشین لرنینگ
ابتدا باید درك كنید که یادگیری عمیق چیست؟ چه مسائلی به کمک یادگیری عمیق حل میشوند، چه راهحل یا تکنیکهای متفاوتی در یادگیری عمیق وجود دارند، به طوری که باید یک تصویر روشنی در ذهن داشته باشید که چرا یادگیری عمیق در زمینهی علم داده یا هوش مصنوعی استفاده میشود.
پیش از این آموزش یادگیری ماشین از صفر در همرویش منتشر شد. برای دیدن فیلم معرفی این بسته آموزشی بر روی این لینک (+) و یا پخش کننده پایین کلیک کنید:
برای دریافت بسته کامل این آموزش بر روی لینک زیر کلیک کنید:
آموزش یادگیری ماشین از صفر — یادگیری سریع و آسان
یادگیری عمیق چیست ؟
یادگیری عمیق یك كاربردی از هوش مصنوعی است که از عملكرد مغز انسان در پردازش دادهها برای استفاده در تشخیص اشیا، بازشناسی گفتار، ترجمه زبانها و تصمیمگیریها، تقلید میکند. یادگیری عمیق AI قادر است بدون نظارت انسان یاد بگیرد و از دادههایی که هم بدون ساختار و هم بدون برچسب هستند، استفاده نماید.
بنابراین الان شما تصویر روشنی در مورد اینکه یادگیری عمیق چیست و چرا در هوش مصنوعی و علم داده استفاده میشود، دارید. بنابراین بهتر است نقشه راه یادگیری عمیق را با هم مرور کنیم.
شبکه عصبی
اولین چیزی که در مورد یادگیری عمیق باید یاد بگیرید نحوهی عملکرد شبکه عصبی است. لایه ورودی چیست؟، لایه پنهان چیست؟، لایه خروجی چیست؟، تابع زیان (هزینه) چیست؟، انتشار رو به جلو و عقب چگونه کار میکند؟
سپس به اولین تکنیک یادگیری عمیق به نام شبکه عصبی مصنوعی میرسیم.
شبکه عصبی مصنوعی
اولین چیزی که باید بگیرید این است که ANN چگونه کار میکند. چگونه انتشار رو به جلو و عقب در ANN کار میکند. تابع زیان (هزینه) چیست؟ سپس با انواع مختلفی از بهینهسازها مانند gradient decent ,stochastic gradient decent, Adagrad, RMSprop, Adam آشنا میشوید.و یاد میگیرید كه بهینهسازها چگونه کار میکنند و به کاهش تابع زیان (هزینه) کمک میکنند. با روشهای مختلف مقداردهی وزنها آشنا میشوید. اینها عبارات پایهای هستند كه برای انجام پروژههای یادگیری عمیق، باید یاد بگیرید.
هم رویش منتشر کرده است:
آموزش شبکه عصبی مصنوعی -- از صفر به زبان ساده
پس از یادگیری همهی این موارد، پروژههایی را براساس ANN ایجاد كنید و در سرویسهای ابری مانند Heroku، AWS، GCP، AZ راهاندازی كنید.
همچنین باید یاد بگیرید که چگونه کدهای یادگیری عمیق خود را در Google Colab به کمک GPU اجرا کنید.
شبکه عصبی کانولوشنی
به بخش CNN میرسیم همه چیز آن مانند تابع زیان، انتشار رو به جلو و عقب، شبیه ANN است. تنها تفاوت CNN، اضافه شدن یک لایه به نام کانولوشن است. شما باید درک کنید که چگونه یک لایهی کانولوشن کار میکند. به یاد داشته باشید که CNN برای طبقهبندی تصاویر و فریمهای ویدئویی و غیره استفاده میشود. چیز دیگری که در CNN باید بگیرید، عملکرد فیلترها، چگونگی کاهش اندازهی تصویر، نحوهی افزایش داده، پوشش تصاویر، گام حركت، ودیگر موارد اینچنینی است.
بخش بعدی، یادگیری انتقالی است.
یادگیری انتقالی
در یادگیری انتقالی برخی از روشهای مهم مانند XCEPTION، VGG16، VGG19، RESNET50، INCEPTION V3 و بسیاری دیگر را یاد خواهید گرفت. چگونه میتوان از این تکنیکها در پروژه یادگیری عمیق خود استفاده کرد؟ همهی این روشها در مستندات Keras موجود است که میتوانید به آن مراجعه كنید.
پس از پوشش این موضوع اکنون به بخش تشخیص شی میرسیم.
تشخیص شی
در تشخیص شی روشهای مختلفی را یاد خواهید گرفت برخی از این روشها عبارتند از: RCNN، MASKED RCNN، SSD و YOLO ، شما میتوانید اینها را از هر منبعی یاد بگیرید.
پس از تکمیل CNN، به بخش RNN (شبکههای عصبی بازگشتی) میرسیم.
هم رویش منتشر کرده است:
آموزش YOLO - تشخیص اشیا با پایتون در OpenCV
شبکه های عصبی بازگشتی
شبکههای عصبی بازگشتی (RNN) دستهای از شبکههای عصبی هستند که در مدلسازی دادههای ترتیبی مفید هستند. در RNN تکنیکهای مختلفی مانند LSTM،GRU،LSTM دو طرفه را یاد خواهید گرفت. سپس برخی از تکنیکهای NLP مانند جاسازی کلمات، word2vec، و تکنیکهای پیشرفتهتر مانند کدگذار کدگشا، مدل توجه، ترانسفورماتور، و جدیدترین الگوریتمها مانند Bert یا کتابخانههای hugging face یا ktrain را پوشش خواهیم داد.
بعد از انجام همه این کارها پروژهای را به کمک flask در پلت فرم ابری راه اندازی میکنیم .امیدوارم این مقاله به شما کمک کند که یادگیری عمیق را به روش درست یاد بگیرید.
کلیدواژگان
نقشه راه ماشین لرنینگ | نقشه راه یادگیری عمیق | روش یادگیری عمیق چیست | شبکه عصبی عمیق چیست | شبکه عصبی مصنوعی
منبع
Complete Machine learning RoadMap For Data Science and AI
دوره های آموزشی مرتبط
- آموزش تشخیص اشیای اختصاصی با YOLO ۷۵,۰۰۰ تومان
- آموزش ساخت شبکه عصبی با پایتون (و دیگر زبانها) از صفر ۱۳۲,۰۰۰ تومان