یادگیری ماشین(machine learning)

قبل از شرح شبکه عصبی عمیق (deep learning) به اختصار به شرح یادگیری ماشین می پردازیم . یادگیری ماشین روش هایی مبتنی بر اصول ریاضی شامل احتمالات ، آمار و معادلات ماتریسی میباشد که توسط آن می توان سیستمی طراحی کرد که همچون انسان داده ها را تحلیل کند و بسته به شرایط بهترین عمل که بیشترین درصد احتمالی و آماری را دارد انجام دهد.

به طور کلی تمام روش ها و شاخه های یادگیری ماشین را می توان به دو دسته ی کلی تقسیم کرد :

  1. یادگیری با نظارت (supervised learning)
  2. یادگیری بدون نظارت (unsupervised learning)

که یادگیری بدون نظارت به این گونه است که ابتدا یک سیستم هوش مصنوعی طراحی میکنیم سپس هنگامی که قصد آموزش به سیستم را داریم هم داده ها را وارد میکنیم و هم به سیستم میگوئیم که هرکدام از داده ها چه چیزی را مشخص می کنند .از این نوع یادگیری معمولا در جا هایی استفاده میشود که بخواهیم مسئله های کوچک و روزمره را حل کنیم و برای مسائل بزرگ دنیای امروزی معمولا از روش دوم استفاده میشود که به علت آن جلو تر اشاره می کنیم .

اما در یاد گیری بدون نظارت برای آموزش سیستم فقط داده های ورودی را می دهیم و نیاز به مشخص کردن مشخصات داده ها(label) نیست;در واقع سیستم با استفاده از الگوریتم هایی نظیر الگوریتم بردار پشتیبان(support vector machine) و الگوریتم هایی دیگر برای ایجاد تمایز بین داده داده ها را دسته بندی کرده یا به اصطلاح یاد می گیرد.از این روش معمولا در مسائل دنیای امروزی استفاده میشود زیرا از روش هایی است که به راحتی آن را با استفاده از متد های جدید هوش مصنوعی مانند دیپ لرنینگ (deep learning) توسعه می دهیم.

شبکه های عمیق(deep learning)

دیپ لرنینگ نوعی شبکه ی عصبی مصنوعی است که با استفاده از تیکنیک های ریاضی ساختاری مشابه با ساختار مغز انسان به ما می دهد و از طرفی پیشرفت تکنولوژی باعث شده تا الگوریتم هایی برای بهینه سازی شبکه های عصبی معمولی داشته باشیم تا بتوانیم تعداد لایه های نورونی شبکه های عصبی را از چند لایه به هزاران لایه و هزاران نورون در هر لایه برسانیم که تا چند سال پیش امکان ایجاد چنین ساختاری وجود نداشت.به این نوع شبکه ی عصبی ،شبکه ی عصبی عمیق(deep learning) گویند.

معمولا شبکه های عمیق طوری طراحی می شوند که در ساختار خود از نوع یادگیری بدون نظارت (unsupervised learning) استفاده کنند زیرا داده های امروزی که برای پردازش آن ها از هوش مصنوعی استفاده می کنند بسیار زیاد و شامل میلیون ها داده است و تهیه ی این داده ها به صورت دستی عملا غیر ممکن است .از این رو شبکه های عمیق خود داده های ورودی را پردازش کرده و شروع به تعلیم خود میکنند و هر چه داده های بیشتری در اختیار آن قرار بگیرد قدرتمند تر می شود و به راحتی بسیار هوشمند تر از انسان عمل می کند.اما مشکل بزرگ این شبکه نیاز به زیرساخت های سخت افزاری  بسیار قدرتمند و پر هزینه است که بتواند این حجم از داده را پردازش کند و ماتریس یادگیری هوش مصنوعی را بهینه کند.

اما پس از آماده شدن شبکه ی عمیق (deep learning) شبکه ای در دست داریم داریم بسیار قدرتمند که هوش مصنوعی آن به مراتب قدرتمند تر از انسان عمل کرده و سرعت پاسخگویی بسیار بالایی دارد ،به این صورت که ابتدا ساختار های ابتدایی داده های ورودی را دریافت کرده سپس با ترکیب توابع خطی و غیر خطی بسیار ساختار هایی پیچیده و سطح بالا از داده های ورودی تولید کرده و پردازش می کند.مثلا برای یک عکس ورودی ابتدا پیکسل های عکس ورودی را پردازش کرده و در شبکه های کانولوشنال(Convolutional neural network) خود داده های سطح بالاتر همچون لبه ها،تاریکی ها،و مفهومی کلی از عکس ایجاد کرده و یاد میگیرد که عکس مرتبط با چه دسته ای می باشد.یکی از پرکاربرد ترین حوزه ها که  امروزه رشد بسیار ریادی با پیشرفت هوش مصنوعی کرده پردازش بزرگ داده های  (big data) میباشد که در آینده به تفضیل به آن می پردازیم.

 

 

پاسخی بگذارید

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