دیپ لرنینگ چیست و چطور کار میکند؟

گرهای که وزن بیشتری دارد، تأثیر بیشتری روی لایه سایت vector-robot بعدی گرهها میگذارد. این موارد میتواند روی آموزش تأثیر بگذارد. در هر دو صورت، دادههای آموزش باید به درستی آماده شوند، به طور تصادفی انتخاب شده باشند، از نظر امکان تقلب و اینکه تعادل دارد یا خیر بررسی شود. شبکههای عصبی مصنوعی در زمان پردازش دادهها، میتوانند دادهها را با پاسخ دریافت شده از یک سری سوالات باینری درست یا غلط شامل محاسبات ریاضی بسیار پیچیده طبقهبندی کنند. سیستمهای یادگیری عمیق به سختافزار قدرتمندی احتیاج دارند؛ زیرا دارای مقدار زیادی داده در حال پردازش هستند که شامل چندین محاسبات ریاضی پیچیده است. لایههای پیچیده شبکههای عصبی آموزش میبینند تا اشیا را برای تشخیص چراغهای راهنمایی و تنظیم سرعت هوشمند کنند. بود، اما تنها راه استفاده از Cozmo از طریق یک برنامه تلفن هوشمند بود. هوش مصنوعی این شبکهها تا حدی قوی است که شرکت اینستاگرام با این وسعت خدمات و آپدیتهای فوقالعادهای که هر روز ارائه میدهد، تنها چند صد کارمند دارد. روشهای یادگیری ماشین (که سبکهای یادگیری ماشین نیز نامیده میشوند) در سه دسته اصلی قرار میگیرند، یادگیری ماشین تحت نظارت، یادگیری ماشین بدون نظارت و نیمه نظارت شده که در ادامه هر یک را بررسی کرده و برای شما توضیح میدهیم.

این شبکههای عصبی عمیق (DNN) نوعی شبکه هستند که هر لایه از آنها عملیات پیچیدهای مانند نمایش و تفکر انتزاعی را انجام میدهد. یادگیری عمیق بر مبنای هوش مصنوعی (AI) است و از عملکرد مغز انسان در پردازش دادهها و ایجاد الگوهایی برای استفاده در تصمیمگیری تقلید می کند. این الگوریتم تصاویر را از طریق مجموعههای تصمیمگیری مانند اینکه “آیا تصویر دارای یک نقطه روشن بین دو لکه تیره است؟ برخی از تکنیکهای یادگیری ماشین مانند بینایی رایانه و تشخیص چهره پیشرفت رو به جلویی داشتهاند. دستیارهای دیجیتال مانند گوگل اسیستنت یا سیری اپل در پاسخ به دستورات صوتی ما در وب جستجو میکنند و موسیقی پخش میکنند، حتی طبق دستور ما با فردی تماس میگیرند. یا اگر فردی اقدام به ترویج خشونت یا تهدید به بمب گذاری کرد، با اعلام خطر به مقامات مورد نظر میتوان از بروز حادثه جلوگیری کرد، یا اگر فردی به دنبال روشهای خودکشی بود، فورا اطلاعات تماس وی را به یک مسئول برای جلوگیری از او ارسال میکند.

چهار مرحلهی اساسی برای ساخت یک برنامه (یا مدل) یادگیری ماشین وجود دارد. با این وجود حتی با وجود چنین سختافزار پیشرفتهای، محاسبات آموزش یادگیری عمیق ممکن است هفتهها طول بکشد. دوست دارید تاریخچه یادگیری عمیق را بدانید؟ با این حال پیشرفت در تجزیه و تحلیل بیگ دیتا اجازه داده است که شبکههای عصبی بزرگتر و پیچیدهتر، به کامپیوترها اجازه مشاهده، یادگیری و واکنش سریعتر از انسانها را بدهند. برنامههای مقابله با هرزنامه، از ورود ایمیلهای ناخواسته به صندوق پستی ما جلوگیری میکنند. برنامههای یادگیری عمیق حتی باعث نجات جان افراد میشوند؛ زیرا میتوانند برنامههای درمانی مبتنی بر شواهد برای بیماران پزشکی طراحی کنند و به تشخیص زودهنگام سرطان کمک کنند. گوگل برای کمک به تولید برنامههای هوش مصنوعی، پایگاه داده نرمافزار یادگیری عمیق – Tensorflow – را ایجاد کرده است. یادگیری عمیق از دادههای ساختاریافته و بدون ساختار برای آموزش استفاده میکند. این که دادههای جدید از کجا آمده باشد، به مسئله حل شده در قبل بستگی دارد.

در حال حاضر مهمترین جهش رو به جلو برای شبکههای عصبی رخ داده است. امروزه، نمونههایی از یادگیری ماشین در اطراف ماست که مطمئنا همه در حال استفاده از آن هستیم. اینطور که مشخص است یادگیری عمیق راه خود را در همه جنبههای زندگی باز میکند. سیستمهای یادگیری عمیق برای بازگشت دقیق نتایج، به دادههای زیادی نیاز دارند. همچنین باید به دو زیر مجموعه تقسیم شود: زیر مجموعه آموزش که برای آموزش برنامه استفاده میشود و زیر مجموعه ارزیابی که برای آزمایش و اصلاح از آن استفاده میشود. سپس از الگوریتمها برای استخراج ویژگیهای معنیدار مورد نیاز برای برچسبگذاری، مرتبسازی و طبقهبندی دادهها در زمانی که از او خواسته شد، بدون دخالت انسان استفاده میکند؛ این روش بیشتر به شناسایی الگوها و روابط در دادههایی میپردازد که انسان ممکن است آنها را نفهمد. نمونههای عملی یادگیری عمیق دستیاران مجازی، دید در اتومبیلهای بدون راننده و شناسایی چهره است. یادگیری عمیق کاربرد زیادی در طبقهبندی تصاویر، ترجمه زبان و تشخیص گفتار داشته است. به این معنی که دادهها با اطلاعاتی که مدل یادگیری ماشین برای تشخیص آنها ساخته شده، برچسبگذاری شدهاند و حتی ممکن است به روشی که مدل قرار است دادهها را طبقهبندی کند، دستهبندی شده باشند. سایت Glassdoor متوسط دستمزد یک مهندس یادگیری ماشین را نزدیک به ۱۱۵ هزار دلار در سال ذکر کرده است.

آلن تورینگ که یک ریاضیدان انگلیسی بود، برای اولین بار در سال ۱۹۵۰ “ماشین یادگیری” هوشمند مصنوعی خود را پیشنهاد داد. در واقع وکتور یک روش جدید برای داشتن یک خانه هوشمند یا دستیار مجازی است که ذهنیت و تواناییهای منحصربهفرد خود را دارد. ماشینهای هوشمند در سراسر جهان در حال آزمایش هستند. همچنین اولین اتومبیلهای خودران در حال ورود به جادهها و زندگی ما هستند. این مراحل معمولا توسط دانشمندان داده انجام میشود که از نزدیک با متخصصان یک تجارت، که در حال توسعهی مدل برای آنها هستند همکاری میکنند. البته هماکنون در کشورهای پیشرفته مهندسان یادگیری ماشین تقاضای کاری زیادی دارند؛ زیرا هیچ کدام از دانشمندان داده و مهندسان نرمافزار با مهارتهای لازم در زمینه ماشین لرنینگ آشنایی ندارند. هرچه این دادههای بزرگ، بزرگتر میشوند و رایانهها قدرتمندتر و ارزانتر میشوند و هرچه دانشمندان در زمینه توسعه الگوریتمهای تواناتر پیشرفت میکنند، یادگیری ماشین کارایی بیشتری را در زندگی شخصی و کاری ما ایجاد میکند. یادگیری ماشین شاخهای از هوش مصنوعی (AI) محسوب میشود که بر ساخت برنامههایی متمرکز است که از دادهها میآموزند و به مرور زمان و بدون اینکه برنامهریزی شوند، دقت آنها بهبود مییابد؛ در علم داده، الگوریتم دنبالهای از مراحل پردازش آماری است؛ اما در یادگیری ماشینی، الگوریتمها برای یافتن الگوها و ویژگیها در حجم عظیمی از دادهها آموزش داده میشوند تا بتوانند براساس دادههای جدید تصمیم گیری و پیش بینی کنند؛ هرچه الگوریتم بهتر باشد، با پردازش دادههای بیشتر، تصمیمات و پیش بینیها دقیقتر میشوند، در این آموزش از همیار آیتی با ما همراه باشید تا ببینیم یادگیری ماشین چیست و چه کاربردهایی در زندگی روزمره دارد.

ممنون که با ما همراه بودید. احتمالا در آیندهای نه چندان دور هوش مصنوعی و یادگیری عمیق در اکثر جنبههای زندگی ما وارد میشود و نمیتوانیم نبود این فناوریها را در زندگی خود تصور کنیم. از طرفی کاربرد یادگیری عمیق روز به روز بیشتر میشود. باور کنید یا نه حوزه هوش مصنوعی و به خصوص یادگیری عمیق در صنعت کاربرد زیادی دارد و از طرفی متخصصان بسیار کمی دارد و به طور جدی با کمبود نیرو روبهرو است. وکتور به جای مجوز دادن به الکسا یا دستیار Google از یک دستیار صوتی سفارشی استفاده میکند. همچنین وظیفه دست و پاگیر برچسبگذاری دستی تصاویر با جایگزینی گسترده مردم جایگزین شد و تقریبا منبع نامحدودی از مواد آموزشی به شبکهها سرازیر شده است. سرانجام با ورود واحد پردازش گرافیکی قدرتمند به بازار، شبکههای عصبی مصنوعی تا چندین سال موردعلاقه مردم نبودند. اما یادگیری عمیق چه تاثیری بر زندگی مردم داشته است؟ البته با بهبود سیستمها و ابزارهای یادگیری عمیق و گسترش آن در همه صنایع، رشد بیشتری را در سالهای آینده میبینیم. همانطور که دادهای بیشتری بررسی میشدند، احتمال انتخاب چهره درست افزایش مییافت.

اما این نهایت پیشرفت یادگیری ماشین نیست و میتوان انتظار بیشتری داشت. یادگیری نیمه نظارت شده میتواند مشکل نداشتن دادههای دارای برچسب کافی (یا موضوعاتی که امکان تهیه برچسب کافی برای آن نیست) برای آموزش الگوریتم یادگیری نظارت شده را حل کند. نوع الگوریتم به نوع (دارای برچسب یا بدون برچسب) و مقدار داده در مجموعه دادههای آموزش و نوع مسئلهای که باید حل شود بستگی دارد؛ انواع متداول الگوریتمهای یادگیری ماشین برای استفاده با دادههای دارای برچسب شامل الگوریتمهای رگرسیون، درخت تصمیم و الگوریتمهای مبتنی بر نمونه هستند؛ در سمت دیگر نیز الگوریتمها برای دادههای بدون برچسب عبارتند از الگوریتمهای خوشهبندی، الگوریتمهای تداعی و شبکههای عصبی. سپس لایه خروجی نهایی اطلاعات به ظاهر جدا شده – خزدار، پوزه، چهارپا و … سپس لایه نهایی ورودیهای وزنی را برای تولید یک خروجی جمع میکند. آموزش الگوریتم یک فرایند تکرار شونده است که شامل اجرای متغیرها از طریق الگوریتم، مقایسه خروجی با نتایج لازم، تنظیم وزنها و بایاس در الگوریتم که ممکن است نتیجهی دقیق تری داشته باشد و اجرای دوباره متغیرها تا الگوریتم در بیشتر مواقع نتیجهی صحیح را داشته باشد. بنابراین باید یک مجموعه آموزشی از تصاویر – شامل بسیاری از نمونههای چهره سگ با برچسب “dog” – تهیه شود.

تا در آینده بتوانند با جستجوی عنوان کلیدی مطلب به راحتی به آن داده آموزشی دسترسی پیدا کنند. شبکههای عصبی در پیشبینی همه چیز از قیمت سهام گرفته تا آب و هوا مهارت پیدا میکنند. این روش زمانی اتفاق میافتد که شبکههای عصبی چیزی در مورد اینکه “چه چیزی” سگ را “میسازد” ندانند. دادههای آموزشی، مجموعهای از اطلاعات است که مدل یا برنامه یادگیری ماشین برای حل آن مسئله طراحی شده و برای یادگیری روش حل کردن از آن استفاده میکند. ارزش دستیارهای دیجیتال را در نظر بگیرید؛ آنها میتوانند زمان فروش سهام یا حتی زمان وقوع توفانها را تشخیص دهند. بگذارید یک مثال شفاف بزنیم؛ فرض کنید که یک شبکه عصبی میخواهد عکسهایی را که حاوی سگ است تشخیص دهد. همچنین یک سری تصویر از اشیایی که سگ نیستند با برچسب “not dog” تهیه شود. شبکه عصبی بارها و بارها وزنههای خود را تنظیم میکند و سعی میکند مهارت تشخیص سگ را بهتر کند. در این مقاله به آموزش دیپ لرنینگ پرداختیم و از انواع مثالها برای فهم بهتر موضوع استفاده کردیم. به عنوان مثال، یک مدل بینایی رایانهای که برای شناسایی سگهای نژاد ژرمن شپرد طراحی شده است، ممکن است در یک مجموعه داده از تصاویر مختلف سگهای دارای برچسب با عنوان انواع نژادها آموزش ببیند.

در این حالت برنامه تشخیص چهره به طور دقیق چهرهها را با گذشت زمان شناسایی میکند. کاربرد هوش مصنوعی در مدیریت کسب و کارها بسیار متنوع است و هنوز خیلی از شرکتها برنامهای برای استخدام متخصصان یادگیری عمیق ندارند؛ اما در آیندهای نه چندان دور داشتن چنین متخصصان آموزش دیدهای به یک نیاز مهم برای سازمانهای رقیب در صنعت هوش مصنوعی و فناوریهای جدید تبدیل میشود. دیپ لرنینگ یا همان یادگیری عمیق زیر مجموعه ماشین لرنینگ است. وبسایتها محصولات، فیلمها و آهنگها را براساس آنچه قبلا خریدهایم، تماشا کردهایم یا به آنها گوش دادهایم، به ما توصیه میکنند. اما، تهیه اطلاعات با برچسب پرهزینه است و خطر گنجاندن اطلاعات اشتباه یا دادههای آموزش نزدیک به موضوع اصلی وجود دارد، که باعث میشود دادههای جدید به درستی کنترل نشود. گرههایی که داخل لایههای منفرد هستند به لایههای مجاور متصل میشوند. در نهایت تصاویری که وارد شبکه عصبی میشوند، به داده تبدیل میشوند. در دهههای بعد از تکنیکهای مختلف یادگیری ماشین استفاده میشد؛ اما پس از مدتی فراموش شد و به اصطلاح از مد افتاد. این دادهها از طریق شبکه حرکت میکنند و گرههای مختلف وزن را به عناصر مختلف اختصاص میدهند.

علاوه بر این تصاویر سگها در زوایای مختلف و با نور و سایه مختلف گرفته شدهاند. اما محققان جدید از قابلیتهای سختافزاری رایانههای رومیزی به جای ابر رایانهها برای اجرا، دستکاری و پردازش تصاویر استفاده میکنند. به نظر شما این تکنولوژیها تا چه حد پیشرفت میکنند؟ یادگیری عمیق با این همه پیشرفت باز هم در مراحل ابتدایی است و در دهههای آینده جامعه جهانی را متحول میکند. با گذشت زمان و پیشرفت علم، رباتها جای بسیاری از مشاغل را خواهند گرفت. مرحله آخر استفاده از مدل با دادههای جدید و در بهترین حالت برای بهبود دقت و کارایی آن با گذشت زمان است. در بعضی موارد، دادههای آموزشی با برچسب زدن مشخص و تقسیمبندی میشوند. یادگیری ماشین تحت نظارت به دادههای آموزشی کمتری نسبت به سایر روشها نیاز دارد و آموزش را آسانتر میکند. در سال ۲۰۰۱ یک الگوریتم یادگیری ماشین به نام Adaboost برای شناسایی چهرههای درون تصویر (در زمان واقعی) ساخته شد. به عنوان مثال، یک مدل یادگیری ماشینی که برای شناسایی هرزنامه طراحی شده است پیامهای مناسب برای ایمیل را درک کرده، در حالی که یک مدل یادگیری ماشینی که یک ربات جاروبرقی را هدایت میکند، دادههای حاصل از برخورد فیزیکی در دنیای واقعی با اسباب و لوازم موجود در یک اتاق را فهمیده است.

همچنین میتواند برای حل هرگونه مشکل، الگو شناسایی کند و بدون دخالت انسان کارها را انجام دهد. ماشین لرنینگ از مفاهیم سادهتری استفاده میکند؛ اما یادگیری عمیق با شبکههای عصبی مصنوعی کار میکند؛ شبکههایی که به منظور تقلید از تفکر و یادگیری انسان طراحی شدهاند. این کار به معنادار کردن تصاویر، صداها و متن کمک میکند. سیستمهای تجزیه و تحلیل تصویر پزشکی به پزشکان کمک میکند تومورهایی که ممکن است ندیده باشند را تشخیص دهند. برای مثال در زمینهی پزشکی شاید از یک انسان خطا سر بزند، اما یک الگوریتم خطا نمیکند و میتواند نجاتبخش فردی باشد که ممکن بوده با اشتباه پزشکی از بین برود. در غیر این صورت شبکه عصبی خطا را یادداشت میکند و وزنها را تنظیم میکند. یادگیری ماشین بدون نظارت، دادههای بدون برچسب که مقدار زیادی هستند را درک میکند. در طول آموزش، از مجموعه دادههای کوچکتر دارای برچسب برای راهنمایی طبقه بندی و استخراج ویژگیها از یک مجموعه داده بزرگتر و بدون برچسب استفاده میشود. مدل یادگیری ماشین تحت نظارت، به خودش به وسیله یک مجموعه داده دارای برچسب آموزش میدهد. مثلا شبکههای اجتماعی مثل فیسبوک و اینستاگرام افرادی را که احتمالا میشناسید به شما معرفی میکنند. مثلا میتوان به Google Tensorflow، ماژولهای منبع باز فیسبوک Torch ،Amazon DSSTNE در GitHub و همچنین Microsoft CNTK اشاره کرد.

این الگوریتم آموزش دیده و دقیق که به دست آمده است، در اصل مدل یادگیری ماشین است. این حوزه فناوری مبتنی بر یادگیری و بهبود خودبهخودی با بررسی الگوریتمهای رایانه است. شرکتهای فناوری طی سالهای گذشته کتابخانههای یادگیری عمیق خود را به صورت منبع باز درآوردهاند. اما این حوزه فناوری در چه مشاغلی کاربرد دارد و آینده شغلی آن چیست. پس فرصتهای شغلی و حقوق این متخصصان امیدوارکننده است و میتوانند خود را در این زمینه به خوبی نشان دهند. فرصتهای شغلی خوبی برای متخصصان یادگیری عمیق وجود دارد. یادگیری عمیق زیرمجموعه یادگیری ماشین است. همچنین آرتور ساموئل اولین برنامه یادگیری کامپیوتر را نوشت. برنامه او باعث شد تا کامپیوتر IBM در بازی چکرز بهتر بازی کند. به عنوان مثال، تشخیص هرزنامه را در نظر بگیرید، افراد میتوانند ایمیلهایی درست کنند که تا این لحظه در دستهبندی هیچ متخصصی نبوده، اما کامپیوتر میتواند از متن بفهمد که این ایمیل یک هرزنامه است. به این روش آموزش، یادگیری تحت نظارت میگویند. ماشین لرنینگ از مفاهیم سادهتری استفاده میکند ولی یادگیری عمیق با شبکههای عصبی مصنوعی کار میکند و پیچیدهتر است.

دیپ لرنینگ چگونه کار میکند؟ این یعنی بیشتر کار اینستاگرام به عهده هوش مصنوعی است. وقتی وکتور چیزی را به درستی به دست آورد ، غالباً کمی لرزش و افتخار انجام میدهد. برنامه با گذشت زمان خود را آموزش میدهد و احتمال پاسخهای صحیح افزایش مییابد. مثلا یک برنامه تشخیص چهره برای تشخیص لبهها و خطوط صورت از تکنولوژی یادگیری استفاده میکند؛ سپس قسمتهای قابل توجهی از چهره و در نهایت نمایش کلی چهره را تشخیص میدهد. دلیل آن هم معرفی مقادیر قابل توجهی از دادههای دارای برچسب با ImageNet، پایگاه دادهای از میلیونها تصویر دارای برچسب از اینترنت است. ما هم در کشورمان میتوانیم از آنها استفاده کنیم؟ دقت کنید که برخلاف تصورات ما همه سگها دقیقا شبیه به هم نیستند. همچنین وکتور نسبت به رباتهای همردهی خود از قیمت مناسبتری برخوردار است. در واقع یک رشته مبتنی بر یادگیری و بهبود خود به خودی با بررسی الگوریتمهای رایانه است. در حالی که ما وقت خود را صرف استراحت میکنیم، رباتها کف اتاق را جارو میکنند. آیا ماشینهای هوشمند، بهطور کامل جای ما انسانها را خواهند گرفت؟

نظرات و سوالاتتان را با ما در میان بگذارید. این بخش از ماشین لرنینگ در صنعت کاربرد زیادی دارد و با استفاده از آن دستگاههای مفیدی اختراع شده است. استفاده از این الگوریتمها باعث آسایش بیشتر در زندگی انسان خواهد شد. این رباتها دقیقا از همین الگوریتمها و یادگیری ماشین استفاده میکنند. شبکههای عصبی مصنوعی که لایههای زیادی را در بر گرفتهاند، یادگیری عمیق را هدایت میکنند. در یادگیری عمیق شبکههایی وجود دارد که برای تقلید از تفکر و یادگیری انسان طراحی شدهاند. اما اصلا یادگیری عمیق از کی آغاز شده است؟ یادگیری ماشین در حالت پیشرفتهتر تبدیل به هوش مصنوعی خواهد شد و میتواند در خیلی از زمینهها به کمک انسان بشتابد. سایر دادهها بدون برچسب هستند و مدل باید به تنهایی این ویژگیها را استخراج کرده و طبقهبندیها را انجام دهد. اکنون پاسخی که از شبکه عصبی با برچسب تولید شده است، توسط انسان مقایسه میشود. شبکههای عصبی لایههایی از گره هستند؛ دقیقا مثل مغز انسان که از سلولهای عصبی تشکیل شده است. یک نورون واحد در مغز انسان هزاران سیگنال از سلولهای عصبی دیگر دریافت میکند. این مورد نمیتواند بد باشد، زیرا در دنیا مشاغلی هستند که وجود انسان در نزدیکی آنها میتواند خطرساز باشد.

اگر مطابقت داشته باشد، خروجی تأیید میشود. را جمعآوری میکند و خروجی موردنظر را ارائه میدهد: “سگ”. بلکه باید با گذشت زمان الگوها را در دادهها تشخیص دهند و به تنهایی یاد بگیرند. بر این اساس، اطلاعات به عنوان مجموعه دادههای عظیم تغذیه میشوند. تا اینجا اطلاعات خوبی در مورد دیپ لرنینگ یاد گرفتیم. شما چه نظری در مورد یادگیری ماشین و هوش مصنوعی دارید؟ یادگیری نیمه نظارت شده یک روش بین یادگیری نظارت شده و بدون نظارت است. در ادامه مراحل را توضیح خواهیم داد و روش هرکدام را شرح میدهیم. پس ادامه مقاله را بخوانید. اگر اینطور است پس احتمالا نشاندهنده بینی است” فیلتر میکرد. طبق گفتههای سایت PayScale، متوسط حقوق یک متخصص دیپ لرنینگ بین ۱۰۰-۱۱۶ هزار دلار است. اما در یک شبکه عصبی مصنوعی، سیگنالها بین گرهها حرکت میکنند و وزنهای مربوطه را واگذار میکنند. تا همین اواخر شبکههای عصبی قدرت محاسباتی محدودی داشتند و پیچیدگی خاصی نداشتند.