آموزش عمیق: آموزش ماشین در بهترین حالت

آنچه شما باید در مورد تکامل هوش مصنوعی بدانید

یادگیری عمیق یک شکل قدرتمند یادگیری ماشین (ML) است که ساختارهای پیچیده ریاضی به نام شبکه های عصبی را با استفاده از مقادیر وسیعی از داده ها (اطلاعات) ایجاد می کند.

تعریف درک عمیق

یادگیری عمیق یک روش اجرای ML با استفاده از لایه های متعدد شبکه های عصبی برای پردازش انواع پیچیده تر داده ها است. گاهی اوقات یادگیری سلسله مراتبی می شود، یادگیری عمیق از انواع مختلف شبکه های عصبی برای یادگیری ویژگی ها (همچنین نمایه ها نامیده می شود) استفاده می کند و آنها را در مجموعه های بزرگ داده های خام و بدون برچسب (داده های بدون ساختار) پیدا می کند. یکی از نخستین تظاهرات موفقیت آمیز یادگیری عمیق، برنامه ای بود که با موفقیت تصاویری از گربه ها را از مجموعه ی ویدیوهای یوتیلی برد.

مثالهای یادگیری عمیق در زندگی روزانه

یادگیری عمیق نه تنها در تشخیص تصویر استفاده می شود، بلکه ترجمه زبان، شناسایی تقلب و تجزیه و تحلیل اطلاعات جمع آوری شده توسط شرکت ها در مورد مشتریان خود است. به عنوان مثال، Netflix از آموزش عمیق برای تجزیه و تحلیل عادت های مشاهده خود و پیش بینی که نشان می دهد و فیلم های شما ترجیح می دهند برای تماشا استفاده کنید. این چیزی است که Netflix می داند که فیلم های اکشن و مستند طبیعت را در صف پیشنهاد خود قرار دهید. آمازون از یادگیری عمیق برای تجزیه و تحلیل خرید و موارد اخیر شما که اخیرا جستجو کرده اید را برای تجزیه و تحلیل پیشنهادات خود برای آلبوم های موسیقی جدید کشور که احتمالا مورد علاقه شما هستند، مورد استفاده قرار می دهد و شما در بازار برای یک جفت تنیس خاکستری و زرد کفش. همانطور که یادگیری عمیق بینش بیشتری از داده های غیر ساختاری و خام فراهم می کند، شرکت ها می توانند نیازهای مشتریان خود را بهتر پیش بینی کنند در حالی که شما یک مشتری شخصی خدمات مشتری شخصی تر را پیش بینی می کنید.

شبکه عصبی مصنوعی و یادگیری عمیق

برای یادگیری عمیق تر برای درک بهتر، به بررسی مقایسه ای از یک شبکه عصبی مصنوعی (ANN) خواهیم پرداخت. برای یادگیری عمیق، تصور کنید که ساختمان اداری 15 طبقه ما دارای یک بلوک شهری با پنج ساختمان اداری دیگر است. سه ساختمان در هر طرف خیابان وجود دارد. ساختمان ما ساختمان A است و از همان طرف خیابان به عنوان ساختمان های B و C به اشتراک می گذارد. در خیابان از ساختمان A ساختمان 1 و در سراسر ساختمان B ساختمان 2 و غیره. هر ساختمان دارای تعداد زیادی از طبقه است، از مواد مختلف ساخته شده است و سبک معماری دیگر از دیگران است. با این حال، هر ساختمان هنوز در طبقه جداگانه (لایه ها) دفاتر (گره ها) مرتب شده است - به همین دلیل هر ساختمان یک ANN منحصر به فرد است.

تصور کنید که یک بسته دیجیتالی در ساختمان A قرار دارد که شامل بسیاری از انواع مختلف اطلاعات از منابع مختلف مانند داده های متنی، جریان های ویدیویی، جریان های صوتی، تماس تلفنی، امواج رادیویی و عکس است؛ در هیچ روش منطقی برچسب گذاری نشده یا مرتب شده (داده های بدون ساختار). اطلاعات از هر طبقه به ترتیب از 1 تا 15 برای پردازش ارسال می شود. پس از اینکه اطلاعات به طبقه 15 (خروجی) می رسد، آن را به طبقه 1 (ورودی) ساختمان 3 همراه با نتیجه نهایی پردازش از ساختمان A ارسال می شود. ساختمان 3 از نتایج حاصل از ساختمان A و از آن استفاده می کند و سپس اطلاعات را از طریق هر طبقه به همان شیوه پردازش می کند. هنگامی که اطلاعات به طبقه بالا ساختمان 3 می رسد، آن را از آنجا با نتایج این ساختمان به ساختمان 1 فرستاده می شود. ساختمان 1 از نتایج 3 ساختمان قبل از طبقه بندی آن استفاده می کند. ساختمان 1 اطلاعات و نتایج را همانند ساختمان C انتقال می دهد که به ساختمان 2 پردازش می کند و به ساختمان B می پردازد و می فرستد.

هر ANN (ساختمان) در نمونه ما یک ویژگی متفاوت در داده های بدون ساختار (سر و صدا اطلاعات) را جستجو می کند و نتایج را به ساختمان بعدی منتقل می کند. ساختمان بعدی شامل خروجی (نتایج) قبلی را یاد می گیرد. همانطور که داده ها توسط هر ANN (ساختمان) پردازش می شوند، توسط یک ویژگی خاص مرتب شده و برچسب گذاری می شوند (طبقه بندی شده)، به طوری که زمانی که داده ها به خروجی نهایی (طبقه بالا) آخرین ANN (ساختمان) می رسند، طبقه بندی شده و برچسب گذاری می شوند (ساختار یافته تر).

هوش مصنوعی، یادگیری ماشین و یادگیری عمیق

چگونه یادگیری عمیق به تصویر کلی هوش مصنوعی (AI) و ML بستگی دارد؟ یادگیری عمیق باعث افزایش قدرت ML می شود و طیف وسیعی از وظایف AI را قادر می سازد. از آنجا که یادگیری عمیق بر استفاده از شبکه های عصبی و شناخت ویژگی ها در مجموعه داده ها به جای الگوریتم های ساده تر کار خاص متکی است ، می تواند اطلاعات را از داده های بدون ساختار (خام) پیدا کند و از آن استفاده کند بدون نیاز به یک برنامه نویس به صورت دستی آن را برای اولین بار برچسب گذاری کند کار مشکوک که می تواند خطاها را معرفی کند. یادگیری عمیق کمک به کامپیوترها بهتر و بهتر در استفاده از داده ها برای کمک به شرکت ها و افراد است.