یادگیری عمیق به زبان ساده
یادگیری عمیق (Deep learning)، همگام با عصر دیجیتال پیشرفت کرده است که منجر به افزایش وسیع انواع دادهها شده است. این دادهها، که با عنوان دادههای بزرگ یا دادههای کلان (big data) نیز شناخته میشوند، از منابعی مانند رسانههای اجتماعی، موتورهای جستجوی اینترنتی، وبسایتهای تجارت الکترونیک و منابعی از این دست به وجود میآیند.
با این حال، این دادهها معمولاً بدون ساختار تولید میشوند و به دلیل حجم زیادی که دارند، مرتب سازی و تجزیه و تحلیل همه آنها ممکن است سالها طول بکشد.
اینجاست که یادگیری عمیق و یادگیری ماشین، وارد میدان میشوند.
یادگیری عمیق بخشی از یک خانواده گستردهتر، از روشهای یادگیری ماشین است که بر مبنای شبکههای عصبی مصنوعی ساخته شدهاند. مانند یادگیری ماشین، یادگیری عمیق هم میتواند تحت نظارت، نیمه نظارتی و یا بدون نظارت باشد. معماریهای یادگیری عمیق از جمله شبکههای باور عمیق (deep belief networks)، شبکههای عصبی بازگشتی (recurrent neural networks)، شبکههای عصبی عمیق و شبکههای عصبی کانولوشنی (convolutional neural networks)، در زمینههای مختلفی مانند پالایش (filtering) شبکههای اجتماعی، بینایی رایانه، پردازش زبان طبیعی و تجزیه و تحلیل تصاویر پزشکی مورد استفاده قرار گرفتهاند.
یادگیری ماشین، رایج ترین روش در هوش مصنوعی است. با توجه به مطالبی که در مقاله قبلی توضیح دادیم، یادگیری ماشین یک الگوریتم خود سازگار (self-adaptive) است که به طور مداوم، از طریق تحلیل پیوسته الگوها و اطلاعات جدید بهبود مییابد. یادگیری عمیق، زیرمجموعهای از یادگیری ماشین است.
بیایید عمیق تر به تعریف یادگیری عمیق بپردازیم و درک بهتری از این موضوع که یادگیری عمیق، زیرمجموعه یادگیری ماشین است، پیدا کنیم.
یادگیری عمیق چیست؟
“هوش مصنوعی، مجموعهای از الگوریتمها و هوشمندی است که سعی میکند از هوش انسان تقلید کند. یادگیری ماشین یکی از آنهاست و یادگیری عمیق، یکی از تکنیکهای یادگیری ماشین است. ” – فرانک چن (Frank Chen)
یادگیری عمیق، تابعی از هوش مصنوعی است که هدف آن، تقلید از توانایی مغز انسان در پردازش دادهها و تشخیص الگوها برای تصمیم گیری است. یادگیری عمیق، زیرمجموعهای از یادگیری ماشین در هوش مصنوعی است که از شبکههایی با قابلیت یادگیری از دادههای بدون ساختار یا بدون برچسب، به شیوهای بدون نظارت استفاده میکند.
یادگیری عمیق، از سطح سلسله مراتبی موجود در شبکههای عصبی مصنوعی برای انجام فرایند یادگیری ماشین بهره می برد. در حالی که در برنامههای سنتی، تحلیلها به صورت خطی با دادهها ایجاد میشود، یادگیری عمیق ماشینها را قادر میسازد تا دادهها را به صورت غیرخطی با استفاده از یک تابع سلسله مراتبی پردازش کنند.
مدلهای رایانهای، انجام وظایف خاصی مانند شناسایی اشیاء از پیش تعیین شده در تصاویر، متن یا صدا را یاد میگیرند. یادگیری عمیق میتواند از دقت بسیار بالایی برخوردار باشد که گاهی اوقات از سطح انسان هم فراتر میرود. الگوریتمهای یادگیری عمیق با استفاده از مجموعه وسیعی از دادههای برچسب گذاری شده و معماری شبکه عصبی که از چندین لایه تشکیل شده است، آموزش میبینند.
هم رویش منتشر کرده است:
آموزش یادگیری ماشین از صفر --- یادگیری سریع و آسان
خودروهای خودران، بیشترین بهره را از یادگیری عمیق بردهاند. پژوهشگران صنعت خودرو، از یادگیری عمیق برای تشخیص خودکار برخی اشیاء مانند چراغهای راهنمایی، عابران پیاده و علائم توقف استفاده میکنند. این الگوریتمها دائماً اطلاعات جدیدی جمع آوری میکنند و سیستم، از دادههای گذشته آموزش میبیند.
یادگیری عمیق در موارد دیگری نظیر تحقیقات پزشکی، اتوماسیون صنعتی، لوازم الکترونیکی مصرفی، هوافضا و تحقیقات فضایی نیز کاربرد دارد.
شبکه عصبی چیست؟
اگر هیچ دانش قبلی در مورد شبکههای عصبی نداشته باشید، تعریف یادگیری عمیق ممکن است کمی برایتان گیج کننده باشد. یادگیری عمیق نوعی از یادگیری ماشین است که دادهها را از یک معماری شبکه عصبی الهام گرفته از بیولوژیک انسان، عبور میدهد.
شبکههای عصبی، مجموعهای از الگوریتمها هستند که مدل آنها از مغز انسان الهام گرفته شده است. شبکههای عصبی برای تشخیص و تمیز الگوها طراحی شدهاند. این شبکهها، دادههای حسی را از طریق نوعی ادراک ماشینی، برچسب گذاری یا خوشه بندی ورودی خام تفسیر میکنند. الگوهایی که شبکههای عصبی تشخیص میدهند، به صورت بردارهایی از اعداد هستند و دادههایی مانند تصویر، صدا یا متن باید به شکل این بردارهای عددی ترجمه شوند.
شبکههای عصبی شامل تعدادی لایه پنهان هستند که دادهها از طریق آنها پردازش میشود و به ماشین اجازه میدهد تا در یادگیری خود “عمیق” شده و برای دستیابی به بهترین نتایج، اتصالات را ایجاد و ورودی را وزن دهی کند. اصطلاح “عمیق” به تعداد لایههای یک شبکه عصبی اشاره دارد. در حالی که شبکههای عصبی عمیق میتوانند تا دویست لایه داشته باشند، شبکههای عصبی سنتی فقط تعداد کمی لایه دارند، معمولاً حدود سه لایه.
هم رویش منتشر کرده است:
آموزش شبکه عصبی مصنوعی -- از صفر به زبان ساده
اغلب روشهای یادگیری عمیق از معماریهای شبکه عصبی (neural network architectures) استفاده میکنند. به همین دلیل است که اغلب از آنها با عنوان شبکههای عصبی عمیق یاد میشود. مدلهای یادگیری عمیق، با تغذیه حجم زیادی از دادهها و با بکارگیری معماری شبکه عصبی که ویژگیها را مستقیماً از دادهها و بدون نیاز به ورودی دستی ناظر یاد میگیرد، آموزش میبینند.
در شبکههای یادگیری عمیق، هر لایه از گرهها، بر اساس مجموعهای متمایز از ویژگیها بر اساس خروجی لایه قبلی آموزش میبیند. هرچه بیشتر در شبکه عصبی پیش میروید، گرههای شما میتوانند ویژگیهای پیچیده تری را تشخیص دهند، زیرا ویژگیها را با لایه قبلی تجمیع و ترکیب میکنند. این موضوع با عنوان سلسله مراتب ویژگی (feature hierarchy) شناخته میشود که بیانگر سلسله مراتب افزایش پیچیدگی به ازای هر لایه است.
کاربرد یادگیری عمیق
1- موتورهای پیشنهاد دهنده
اگر کاربر اسپاتیفای (Spotify)، خریدار وبسایت آمازون (Amazon) یا یک تماشاگر مشتاق فیلمهای نتفلیکس (Netflix) هستید، ممکن است متوجه شده باشید که این برنامهها تمایل دارند آنچه که دوست دارید را بیشتر به شما نشان دهند.
این برنامهها دارای موتورهای پیشنهاد دهنده هستند که با هدف بهبود خدمات برای بهبود تجربه کاربر طراحی شدهاند. یک سیستم پیشنهاد دهنده، از الگوریتمها و دادهها برای پیشنهاد مرتبط ترین موارد به یک کاربر خاص استفاده میکند. مثلا به یک شنونده اسپاتیفای که تعداد زیادی موسیقی دیسکو را شنیده است، به احتمال زیاد موسیقیهای بیشتری از همان سبک توسط سیستم پیشنهاد میشود.
یک موتور پیشنهاد دهنده، اساساً به دنبال همپوشانیها (overlaps) یا همزمانیها (co-occurrences) برای ارائه پیشنهاد است. اقدامات یک کاربر معمولاً بهترین نمایانگر قصد و هدف اوست. اقدامات و خریدهای او باعث خریدهای جدید میشود که میتواند با خریدهای دیگر کاربران همپوشانی داشته باشد. بنابراین باعث ایجاد همزمانی میشود.
سه نوع موتور پیشنهاد دهنده اصلی وجود دارد:
- پالایش مشارکتی
- سیستمهای پیشنهاد دهنده ترکیبی
- پالایش بر اساس محتوا
پالایش مشارکتی
روش پالایش مشارکتی (Collaborative Filtering) معمولاً مبتنی بر جمع آوری اطلاعات مربوط به اقدامات، رفتارها و اولویتهای یک کاربر است تا بتواند بر اساس شباهت با سایر کاربران، چیزهای دیگری که شاید دوست داشته باشد را پیش بینی کند. مزیت استفاده از این روش این است که نیازی به محتوای قابل تحلیل برای ماشین ندارد. به عبارت دیگر، میتواند موارد پیچیده مانند فیلم و کتاب را بدون نیاز به درک آنها پیشنهاد دهد.
پالایش مبتنی
روش پالایش مبتنی بر محتوا (Content-Based Filtering)، متکی بر دادههایی که کاربر ارائه میدهد. برای کاربران یک برنامه یا وب سایت، یک پروفایل کاربری ایجاد میشود و بر اساس دادههای ارائه شده، پیشنهاداتی توسط سرویس به کاربر ارائه میشود.
هرچقدر که کاربر اقدامات و ورودیهای بیشتری را ارائه دهد، موتور دقیق و دقیق تر میشود زیرا مجموعه دادههای بیشتری در اختیار دارد تا پیشنهادات خود را بر اساس آن تنظیم کند.
سیستم پیشنهاد دهنده ترکیبی
سیستم پیشنهاد دهنده ترکیبی (Hybrid Recommendation System)، هر دو سیستم پالایش مشارکتی و مبتنی بر محتوا را با هم ترکیب میکند تا با ارائه پارامترها و دادههای بیشتر به موتور، یک سیستم دقیق تر ایجاد کند. یک سیستم پیشنهاد دهنده ترکیبی میتواند با پیش بینیهای مبتنی بر مشارکت و پیش بینیهای مبتنی بر محتوا به طور جداگانه و سپس ترکیب آنها، پیاده سازی شود.
از طرف دیگر، یک سیستم ترکیبی همچنین میتواند با ادغام یک تکنیک مبتنی بر مشارکت در یک رویکرد مبتنی بر محتوا یا بالعکس، یا ترکیب رویکردها در یک مدل، پیاده سازی شود.
بیش از 80 درصد از محتوایی که افراد در نتفلیکس (Netflix) پخش میکنند، از طریق پلتفرم موتور پیشنهاد دهنده (recommendation engine) کشف میشود. این بدان معناست که هنگام انتخاب یک فیلم یا سریال تلویزیونی در صفحه اصلی، در اصل از بین تعدادی از موارد منتخب شده توسط یک الگوریتم انتخاب میکنید.
هر زمان که یک کاربر روی عنوانی کلیک میکند یا زمانی را صرف تماشای یک برنامه تلویزیونی یا فیلم میکند، نتفلیکس در حال جمع آوری دادههایی است که الگوریتم را مطلع کرده و آن را به روز میکند. هرچه بیشتر تماشا کنید، دقت الگوریتم پیشنهاد دهنده بیشتر میشود.
2- تشخیص تصویر
همانطور که در بخش قبل مورد بحث قرار گرفت، استفاده از یادگیری عمیق در برنامههای تشخیص تصویر بسیار رایج است. یادگیری عمیق، بینایی رایانه را در چند سال گذشته به میزان قابل توجهی بهبود بخشیده و به دقت بالایی رسانده است. تشخیص چهره در گوشیهای هوشمند، حالتهای خودکار در اتومبیلهای خودران و تصویربرداری تشخیصی در موارد مربوط به مراقبتهای بهداشتی، همگی به لطف بهبود تکنولوژی تشخیص تصویر، پیشرفتهای چشمگیری داشتهاند.
شبکههای عصبی از الگوریتمهایی استفاده میکنند که به صورت لایه بندی شده در کنار یکدیگر قرار دارند. این امر باعث میشود که هر الگوریتم به نتایج الگوریتمهای اطراف خود وابسته باشد. این موضوع، باعث ایجاد فرایندی میشود که سعی میکند استدلال منطقی انسانها را شبیه سازی کند. برای تشخیص تصویر، از شبکههای عصبی کانولوشنی (پیچشی) استفاده میشود.
اگر زمان کافی در اختیار شبکه عصبی قرار بگیرد، این شبکه قابلیتهای یادگیری خود را بهبود میبخشد، به شرطی که پیش بینیهای آن دقیق باشد. آموزشهای زیادی نیاز است تا کامپیوترها بتوانند پیش بینیهای خود را درست انجام دهند، زیرا آنها به طور خودکار نمیدانند چیزهای مختلف، در واقعیت چه نامی دارند.
3- تحقیقات بازاریابی
“بازاریابی الهام گرفته از ماشین، مدیران را مجبور میکند تا تشکیلات خود را به منظور طراحی مجدد نقشها و مسئولیتها از نظر استراتژیکی ارزیابی کنند، به صورتی که وظایف، به اندازه کافی بین انسانها و ماشینها تقسیم شود.”
رفتار مصرف کننده به مرور زمان در حال تغییر است. عوامل زیادی بر این موضوع تاثیرگذار هستند، مانند زمانی از سال که در آن قرار داریم، محصولات جدید، روند مُد، ویدئوهای پربازدیدی که باعث محبوبیت ناگهانی چیزی میشوند و … . رسانههای اجتماعی و کمپینهای بازاریابی، دادههای زیادی تولید میکنند که میتواند برای درک اولویتها و رفتار مشتری مورد استفاده قرار گیرد.
یادگیری ماشین میتواند با استفاده از الگوها و تجربیات و به کمک تحلیل روند دادهها، رفتار آینده را پیش بینی کند. یادگیری ماشین میتواند شانس کاربر برای خرید بر اساس دادههای تاریخی، یا احتمال بازگشت متعاقب آنها را پیش بینی کند.
کلیدواژگان
یادگیری عمیق به زبان ساده | یادگیری عمیق چگونه کار می کند | کاربرد یادگیری عمیق در پردازش تصویر | یادگیری عمیق چیست | یادگیری عمیق در هوش مصنوعی چیست | دیپ لرنینگ چیست | deep learning چیست | دیپ لرنینگ چیست | کاربرد یادگیری عمیق | کاربرد یادگیری عمیق چیست | کاربرد یادگیری عمیق در پردازش تصویر | روش های یادگیری عمیق
2 دیدگاه برای “دیپ لرنینگ چیست؟ — کاربرد یادگیری عمیق (Deep learning) ”
سلام و خسته نباشید
اگر امکان مقایسه این 10 الگوریتم در سایت وجود میداشت خیلی خوب میشد !
سلام و سپاس از توجه و پیشنهاد شما.
پیشنهاد شما به تحریریه ارجاع شد