تفاوت یادگیری ماشین و یادگیری عمیق

فرض کنیم ما در یک کلاس حضور داریم و قصد داریم در این کلاس جنس مونث را از جنس مذکر جدا کرده و تعداد هر جنسیت را بدست اوریم به این پروسه کلاس بندی کردن گویند . پزشکی و مراقبت های بهداشتی یکی از اصلی ترین بخشهایی است که رباتها را به کار میگیرد. رباتها به سرعت بخشی از زندگی ما میشوند و دوبی با استفاده از جایگاه خود به عنوان شهری با نگاهی همیشگی به آیندهای مدرن در راه تبدیل شدن به یکی از هوشمندترین شهرهای دنیاست. ما قادر نیستیم برنامهای برای ماشینهای خودران بنویسیم که تفاوت یک عابر پیاده با درخت یا یک وسیله نقلیه را تشخیص دهند؛ اما قادریم الگوریتمی برای این مساله بنویسیم که کامپیوتر با استفاده از آن و دادههای دیگر قادر به حل مساله باشد. ما شاهد این هستیم که مقامهای هستهای درحال بررسی موارد استفاده از رباتها هستند. به عنوان مثال همانطور که در شکل زیر میبیند به ماشین ویژگی های ظاهری حیوانات مختلف داده شده است و ماشین بر اساس آن تصاویر را برای ما تفکیک کرده است . این فناوری قادر است به صحبتهای یک فرد انگلیسیزبان گوش دهد و به شکل بلادرنگ آن را در قالب متن یا صدای الکترونیکی به زبانهای دیگر ترجمه کند.

تام میچل، از فعالان شناخته شده حوزه یادگیری ماشین در دانشگاه کارنگی ملون توضیح میدهد که برنامههای کامپیوتری به شکل دائم در حال یادگیری از تجربیات خود هستند و عملکرد آنها در انجام فعالیتهایی که به آنها واگذار میشود در حال پیشرفت است. تا سال 1990 به دلیل کمبود سیستم های پیشرفته کامپیوتری زیاد پیشرفت چشم گیری نداشت. شرکت دوبی کاستوم هم با ما تماس گرفت و به دنبال سیستم نظارت پیشرفته و مداوم بود. این دانشمند در گفتگو با یورونیوز میگوید: «در اکثر شهرهای هوشمند شما مجموعهای ناهمگون از وسایل هوشمند دارید که کارهای خاصی انجام میدهند ولی آنها در یک سیستم یکپارچه شناختی کلی کار نمیکنند. 3. مدل ماشین بردار پشتیبانی یا Support vector machines ( SVMs) :در این مدل داده ها به صورت خطی از یکدیگر تفکیک میشوند به عبارتی یعنی ماشین یاد میگیرد تا بهترین خط را برای جدا کردن داده ها پیدا کند . چنین سخت افزارهایی معمولا در مراکز دادهای مستقر هستند که با ایجاد یک شبکه عصبی مصنوعی، قادر به فراهم کردن توان پردازشی مورد نیاز برنامههای هوشمند گوناگون و کلاندادههای آنها باشند.

سینگولاریوس که متعلق به هلدینگ آریوس است، علم رباتیک و هوش مصنوعی را به مرحله جدیدی وارد می کند که گامی فراتر از یک شهر هوشمند است. او همچنین روی نقشه اصلی پروژه شهر هوشیار سینگولاریوس کار می کند. کریس رابرت، رئیس هیات مدیره سینگولاریوس و مدیرعامل گروه التیزام میگوید: «ما میخواهیم درآینده شهرهای جدیدی را که به جای ساختمانهای گنگ سنتی بیشتر برپایه هوش مصنوعی باشند طراحی کنیم و بسازیم. خلیفه القامه، رئیس آزمایشگاه آینده دوبی در بنیاد آینده دوبی به یورونیوز میگوید: « ما ۲۰ سال است با سرمایه گذاری در خدمات دیجیتال با هدف فراهم کردن راحتی بیشتر برای شهروندان، این گذار تکنولوژیک را آغاز کردهایم. 1. Classification : کلاس بندی کردن : برای توضیح این وظیفه بنده یک مثال ساده برای شما بیان میکنم تا موضوع روشن شود . ایده ماشین لرنینگ در سال 1959 برای حل مسائل ساده ریاضی بوجود آمد که با توجه به آن آیا میتوان یک سری عملگر ساده مانند and یا or را به ماشین داد ؟ در این مقاله به شکل ساده به تفاوتهای یادگیری ماشین و یادگیری عمیق میپردازیم.

همچنین برنامههایی که از یادگیری ماشین استفاده میکنند به زمان بیشتری جهت یادگیری نیاز دارند زیرا این برنامهها بدون کمک و میانبرهای انسانی مشغول به فعالیت هستند.امروزه یادگیری عمیق به گونهای به کمک انسان آمده که امکان ساخت و بهبود بسیاری از سرویسها را فراهم کرده است. این گروه که در ساخت اولین شهر هوشیار در امارات فعالیت میکند، معتقد است که روند ساخت جوامع را بازتعریف خواهد کرد. دکتر بن گورتزل، دانشمند برجسته و مدیرعامل سینگولاریتینت و محقق ارشد سینگولاریوس کسی است که در ساخت ربات انسان نمای اجتماعی سوفیا، ربات موسیقی دسدمونا و ربات مراقبتهای پزشکی گریس نقش داشته است. خودروهای خودران، خدمات پیشگیری در امور بهداشتی و درمانی و حتی پیشنهاد فیلمهای بهتر همگی امروز محقق شدهاند یا به زودی به بهرهبرداری کامل میرسند. او به یورونیوز میگوید: «اکنون به وسیله جراحی رباتیک، جراحی لاپروسکوپی توسعه یافتهاست و نتایج بسیار بهتر از جراحی سنتی هستند. پس همان طور که مشاهده می کنید، کاربریهای اینچنینی بسیاری از جانب مشتریان درخواست می شود. در شبکههای اجتماعی الگوریتم یادگیری عمیق مسئول معرفی افراد یا صفحههای جدید به کاربران است و این الگوریتمها به شرکتها اجازه میدهند که تبلیغات خود را بر اساس کاربران مختلف شخصیسازی کنند.موردی که در پایان میتوان برای آینده به طور حتم پیشبینی کرد، حذف بسیاری از شکلهای رایج امروزی کامپیوتر از زندگی انسان است.

هوش مصنوعی قوی با توانایی آن در مقایسه با انسان تعریف میشود. در این سناریو، برنامه کامپیوتری با دادههایی برچسبدار تغذیه میشود. برنامه کامپیوتری از الگوریتمی استفاده میکند تا بهترین حدس خود را برای تشخیص عکسهای بدون برچسب ارائه دهد و سپس دادهها برای تمرین به برنامه بازگردانده میشوند؛ سپس دستهای دیگر از عکسها با تعداد کمی برچسب به برنامه داده میشوند. در این نوع، تعداد محدودی از عکسها شامل برچسب میشوند. این روزها یادگیری ماشین و یادگیری عمیق به دفعات در تیترهای خبری به چشم میخورند و هر روز در فناوریهای مختلفی استفاده میشوند. اگر بتوان تجربیات و اطلاعات یک فرد خبره در هر حوزه کاری را به ماشین از طریق الگوریتم های ریاضی انتقال داد و آن ماشین بتواند یاد بگیرد که کاری که آن شخص انجام میدهد را برای ما با دقت و تکرار بیشتر انجام بدهد . در این پروژه که از داده های ماهوراه و سنجنده های دور استفاده شده است میزان تراکم گیاهی در سطح یک مزرعه محاسبه شده است و نقاطی که قرمز میباشند حاکی از وجود مشکل و کم بودن تراکم گیاه نسبت به سایر زمین است که باید این تقاط بررسی شوند و مشکل رفع شود .

اما در مرکز همه این یادگیریها چیزی وجود دارد که به آن الگوریتم میگوییم.الگوریتم یک برنامه کامل کامپیوتر محسوب نمیشود؛ بلکه اگر بخواهیم به سادگی آن را توضیح دهیم به مجموعه محدودی از گامها برای حل یک مساله الگوریتم گفته میشود. این یک فرایند تکرار شونده است و تا رسیدن به نرخ مناسبی از پاسخهای درست ادامه مییابد. سپس برنامه اشکال ثبت شده را به نحوی اولویتبندی میکند که میزان اهمیت آنها در فرایند تشخیص جنسیت معلوم باشد و آنها را در دستهبندیهای جداگانه قرار میدهد.الگوریتمهای یادگیری ماشین در سطحی سادهتر قادر هستند اشکالی نظیر مثلث یا مربع را با تعاریفی که ما به آنها دادهایم تشخیص دهند. حال، تصور کنید فرایند فوق برای یک تصمیم واحد چندین بار تکرار شود. برای رسیدن به چنین نتیجهای چندین گام و مرحله نیاز است.یادگیری ماشین از حدود سال ۱۹۵۶ با فعالیتهای دانشمندانی نظیر آرتور سمیوئل پا به عرصه گذاشت. گوگل، آمازون، نتفلیکس، فیسبوک، لینکدین و شرکتهایی که به تعداد بالایی کاربر خدماترسانی میکنند همگی از یادگیری ماشین استفاده میکنند. برای مثال یک موتور جستوجوگر با اتکا بر الگوریتم جستوجوی ویژه خود با توجه به کلمه ورودی کاربر و اتصال با یک پایگاه داده، نتایج جستوجو را نمایش میدهد.

شبکه عصبی مصنوعی تشکیل شده است از صدها یا میلیونها سلول مغز مصنوعی که بین آنها ارتباط برقرار شده است که همانند مغز انسان عمل یادگیری را انجام میدهد . سگ رباتیک بوستون داینامیک، وظایف بازرسی شامل بررسی صحنه جرم و جمعآوری اطلاعات از مناطق پر خطر را انجام می دهد. می بینیم که پلیس به صورت فزایندهای در حال بررسی موارد استفاده از رباتها مانند بازرسی از صحنههای جرم و شمار دیگری از استفادهها و ایدههاست. دکتر یاسر معتقد است علاوه بر مزیتهایی مانند به حداقل رساندن جراحی های ناموفق و افزایش دقت در جراحی، تکنولوژی به جراحان کمک می کند با استفاده از بازوهای رباتیک عملیات پیچیدهتری را انجام دهند. با پیشرفت تکنولوژی تمامی علوم تحت تاثیر یکدیگر قرار گرفته اند و باعث شده اند تمامی فرآیندها رو به هوشمند شدن پیش بروند .در این پست از مرجع مهندسی آب ایران قصد داریم مفهوم تازه ای را شرح دهیم که چند سالی است به شدت زندگی مارا تحت تاثیر خودش قرار داده است . به جای آن، برنامه به شکلی تصادفی انتخاب عکسهای دخترها و پسرها را با استفاده از یکی از دو الگوریتمی که در ادامه توضیح داده میشود انجام میدهد. این عکسها به عنوان مجموعهای از دادهها برای آموزش کامپیوتر به کار میروند و برچسبها تا زمانی که برنامه قادر به تشخیص با نرخ قابل قبولی باشد در جای خود باقی میمانند.

عکس سمت چپ مربوط به تحقیقی است در خصوص میزان جذب آهن توسط گیاه که همانطور که مشاهده میشود از عکس شماره 1 تا عکس شماره 5 گیاهان در حالت های مختلف جذب قرار داشته اند و با توجه به داده های بدست آمده کشاورز میتواند امورز لازم را جهت رفع مشکلات گیاه انجام دهد . جهت کسب اطلاعات بیشتر میتوانید به وبسایت مرجع یادگیری عمیق مراجعه فرمایید . Unsupervised/clustering learning : در این روش هیچ کلاسی تعیین نمیشود و ماشین باید بر اساس داده اولیه خودش تجربه کسب کند و قدرت تشخیص و یادگیری خود را بالا ببرد . Supervised learning : در این روش یک سری لیبل و ویژگی تعیین و تعریف میشود و ماشین براساس آنها یادمیگیرد . 2. یادگیری عمیق ( Deep Learning ) : یادگیری عمیق در حقیقت توسعه یافته شبکه های مصنوعی میباشد . با توجه به توضحیات بالا میتوان برداشت کرد که هدف اصلی این علم خارج کردن نیروی انسانی از فرآیندها و وارد کردن ماشینهایی است که قابلیت یادگیری را دارند میباشد . در حالی که هوش مصنوعی ابرهوشمند (ASI)، که به ابرهوش نیز معروف است، از هوش و توانایی انسان پیشی خواهد گرفت.

حجم کم دادهها در این الگوریتم به نتایج و عملکردی ضعیفتر ختم میشود.برخلاف الگوریتمهای یادگیری ماشین استاندارد که مسائل را به بخشهای کوچکتر تقسیم و سپس آنها را حل میکنند، یادگیری عمیق، مسائل را به شکل کامل حل میکند. در مثال تشخیص عکسهای پسر و دختر در یادگیری ماشین، دیدیم که این الگوریتمها عکسها را به شکل دستهای از دادهها بررسی میکردند؛ اما در یادگیری عمیق، برنامه تمامی پیکسلهای عکسها را اسکن میکند تا کل شکلها و لبههایی را که ممکن است در تشخیص جنسیت مفید باشند به دست آورد. آن طور که مایکل کوپلند از شرکت انویدیا میگوید، با کمک یادگیری عمیق، هوش مصنوعی احتمالا به سطحی مشابه فیلمهای علمی تخیلی خواهد رسید که مدتها تصور آن را داشتیم. با این حال، همچنین میتوانید از طریق پسانتشار هم مدلتان را آموزش دهید. دکتر یاسر سعیدی، اورولوژیست و جراح رباتیک در دانشگاه دوبی اولین شهروند امارات است که در استفاده از رباتها در عمل جراحی آموزش دیده، او درحال حاضر از چهارمین نسل سیستم رباتیکی که توسط ناسا توسعه داده شده، استفاده میکند.

سمیوئل قصد نداشت برنامهای طولانی و پر جزییات برای کامپیوتری بنویسد و از طریق آن موفق به شکست یک حریف انسانی در بازی چکرز شود. بازی شطرنج یکی از بهترین مثالها برای تشریح این نوع الگوریتم است. او به دنبال راه حل جایگزینی بود و بالاخره موفق به خلق الگوریتمی شد که به کامپیوتر اجازه میداد هزاران بار در مقابل خود بازی کند. از سال 2003 به بعد ماشین لرنینگ و مبحث پردازش تصویر به یکدیگر نزدیک شدن و بسیاری از مشکلات موجود در این بحث حل شد. داوینچی ۱۱، پیشرفته ترین سیستم موجود است. به جای آن، برنامه میکوشد تا تعداد خطهای موجود در اشکال را شناسایی کند یا ارتباط خطها با هم نظیر متقاطع یا عمود بودن را بیاید. بهترین مثال یادگیری عمیق، برنامه مترجم است. در یادگیری عمیق، برنامه با اطلاعات از پیش تعیین شده آغاز به کار نمیکند. هم اکنون همه ما با دیپ لرنینگ در ارتباطیم و زندگی ما متصل شده به این نوع یادگیری؛ گوشی های هوشمند از این فناوری استفاده میکنند . هر بخش به شکل جداگانه حل میشود و پاسخ نهایی از ترکیب جواب همه بخشها به دست میآید.

با این حال، این حرف در مورد شبکههای سایت vector-robot عصبی صادق نیست. این شیوه از یادگیری ماشین شامل هیچ برچسبی نیست. موارد مذکور از شیوههایی است که به هوش مصنوعی میآموزند چطور وظایف خود را انجام دهد و کاربرد آن بسیار فراتر از دستیارهای صوتی هوشمند است. برنامه کامپیوتری قوانین بازی و این که چطور بازی کند را میداند و مراحل را طی میکند تا بازی را به پایان برساند. سپس برنامه به بازی ادامه میدهد و حرکات موفق خود را ثبت میکند تا بالاخره موفق به پیروزی شود. از این طریق کامپیوتر قادر به یادگیری بازی در مقابل سایر حریفان و در سال ۱۹۶۲ موفق به شکست قهرمان چکرز ایالت کنتیکت شد.آنطور که در مثال بالا مشخص شد، یادگیری ماشین بر شیوه سعی و خطا استوار است. تنها اطلاعاتی که در اختیار برنامه قرار میگیرد نتیجه برد یا باخت بازی است. او میگوید: «فکر میکنم دراختیار داشتن رباتهای انساننما در زندگی روزمرهمان، به ما فرصت میدهد تا با سیستم هوش مصنوعی ارتباط بهتری برقرار کنیم و راهی طبیعیتر از در اختیار داشتن رابطهای کاربری مختلف مثل تلفنهای هوشمند یا حرف زدن با الکسا و نظیر آن است.