یادگیری عمیق چیست؟

دسته : هوش مصنوعی

نویسنده : فاطمه تابع

تاریخ : 1401/6/7

تعداد لایک : 1

سطح : متوسط

پست های مرتبط

https://teamaa.ir/Assets/Images/Blog/TEAMAA-(6jcs8vAc)_Gated Recurrent Unit.jpg

1403/1/25

یادگیری بدون نظارت به همراه...

https://teamaa.ir/Assets/Images/Blog/TEAMAA-(QCd5gCQR)_What is Supervised Learnong.jpg

1402/8/13

یادگیری عمیق چیست؟

یادگیری عمیق یا Deep Learning که به صورت مختصر DL نیز نامیده می شود یکی از زیر شاخه های هوش مصنوعی (Artificial Intelligence) و به طور اختصاصی زیر مجموعه یادگیری ماشین (Machine Learning) است. یادگیری عمیق از مغز و شبکه عصبی انسان الهام گرفته است و سعی می شود روش کارکرد شبکه عصبی (Neural Networks) بدن انسان را شبیه سازی کند.

یادگیری عمیق (DL) یک روش یادگیری ماشین (ML)چند لایه (Multi Layer) است و کلمه عمیق به تعداد لایه های آن اشاره دارد. شبکه عصبی عمیق (Deep Neural Network) زیر مجموعه یادگیری عمیق است و یادگیری عمیق بخش گسترده تری را شامل می شود و نباید این دو مفهوم را به جای هم استفاده کرد.

تفاوت Deep Learning با Machine Learning در این است که یادگیری عمیق با استفاده از داده ها و تجربه هایی که دارد الگوریتم خود را بهبود می دهد و در اصل برای این که یک مسئله یا مشکل را حل کند، راه حل خاصی به آن داده نشده و خودش باید تصمیم بگیرد. مثل خودران شدن ماشین ها یا ربات های انسان نما.

تعداد لایه های شبکه عصبی که در یادگیری عمیق استفاده می شوند زیاد است و این تعداد لایه ها است که پیش بینی و تصمیم گیری را بهبود می دهند. تعداد لایه ها گاهی به 150 عدد هم می رسند. در یادگیری عمیق روش های متفاوتی وجود دارد که مرسوم ترین آن ها در زیر آمده است:

1. شبکه‌های عصبی کلاسیک (Classic Neural Networks)

این روش که با نام Multi Layer Perceptron هم شناخته می شود و به اختصار به آن MLP می گویند، در سال 1958 توسط فرانک روزنبلات (Frank Rosenblatt) ابداع شد.

2. شبکه‌های عصبی پیچشی (Convolutional Neural Networks)

از شبکه های عصبی کانولوشن، بیشتر برای تحلیل تصاویر استفاده می شود. به این صورت که به اشیا درون تصاویر وزن می دهد که مشخص کند هر شی تا چه اندازه مهم است. این الگوریتم از چشم گربه الهام گرفته شده است و به اختصار، به آن CNN گفته می شود. در این روش نیازی به استخراج ویژگی به صورت دستی نیست، چرا که استخراج ویژگی یا Feature Extraction به صورت خودکار انجام می‌شود.

3. شبکه‌های عصبی برگشتی (Recurrent Neural Networks)

از این روش برای تشخیص گفتار استفاده می شود. از فواید این روش، این است که حافظه داخلی دارد و از اطلاعات خروجی قبلی، برای بهبود حلقه فعلی استفاده می کند.

یادگیری عمیق نسبت به یادگیری ماشین از معماری های پیشرفته تری استفاده می کند که در ادامه 10 معماری پیشرفته یادگیری عمیق (Deep Learning) را نام برده ایم:

1. معماری AlexNet

2. معماری VGG Net

3. معماری GoogleNet

4. معماری ResNet

5. معماری ResNeXt

6. معماری RCNN) Region Based CNN)

7. معماری YOLO) You Only Look Once)

8. معماری SqueezeNet

9. معماری SegNet

10. معماری GAN) Generative Adversarial Network)

ما در زندگی روزمره از Deep Learning استفاده می کنیم و کاربرد های زیادی دارد. از جمله کاربرد های آن می توان به دستیارهای صوتی، ترجمه، تحقیقات پزشکی، تشخیص چهره، سامانه های توصیه گر و بات های چت و غیره اشاره کرد.

درست است که یادگیری عمیق تخصصی تر از یادگیری ماشین است و به پیشرفت تکنولوژی بسیار کمک کرده است، اما معایبی هم دارد. یکی از معایب Deep Learning این است که فقط اطلاعاتی را دارد، که در داده های آموزشی دیده است. یعنی اطالاعات دیگری ندارد و اگر به مدل برای فاز Train داده کمی بدهیم، ممکن است نتوانیم الگوریتم ساخته شده را برای مسائل دیگر و یا بزرگ تر تعمیم دهیم.

از دیگر معایب DL مسئله Overfitting است، یعنی مدل آموزش داده شده کاملا روی داده های آموزشی (Train)، فیت شده است. در این حالت اگر داده Test را برای پیش بینی به مدل بدهیم ممکن است با خطای زیادی روبرو شویم، در صورتی که در حالت Train دقت حدودا روی 98 درصد بوده است.

در یادگیری عمیق نرخ یادگیری بسیار اهمیت دارد. اگر نرخ یادگیری کم باشد روند آموزش دیدن مدل کند شده و برای به جواب رسیدن به مشکل بر می خوریم. همچنین اگر نرخ یادگیری مدل زیاد باشد راه حل ارائه شده توسط مدل بهینه نخواهد بود و به جواب درست نمی رسیم.

به طور کلی با توسعه یادگیری عمیق در هوش مصنوعی و یادگیری ماشین، پیشرفت های زیادی ایجاد شد. با کمک Deep Learning بدون نیاز به کد نویسی، هوش مصنوعی توانست تشخیص چهره را انجام داده و مانند مغز انسان عمل کرده و چهره افراد را یاد بگیرد.

امیدوارم از این پست اطلاعات مورد نیازتون رو گرفته باشید. با ما همراه باشید تا یک درصد بیشتر بدونیم. منتظر نظرات ارزشمندتون هستیم.

پست های مرتبط