یادگیری عمیق چیست؟

یادگیری عمیق از زیر مجموعه های علم یادگیری ماشین می باشد.که در آن از الگوریتم هایی استفاده می شود که مغز انسان را شبیه سازی می کند، که به این الگوریتم ها شبکه عصبی مصنوعی گفته می شود. قابلیت های خارق العاده این علم تا جایی پیش رفته است که امروزه بسیاری از افرادیی که در رشته های گوناگون تحصیل کرده اند؛ برای آموزش یادگیری عمیق وقت و هزینه صرف می کنند تا بتوانند از قابلیت های منحصر به فرد این علم هیجان انگیز در پیشرفت کار و تحصیل خود استفاده کنند.

. زمینه های یادگیری عمیق چیست ؟

• هوش مصنوعی (Artificial Intelligence) 
• یادگیری ماشینی (Machine Learning)
• یادگیری ویژگی (Representation Learning)
• یادگیری عمیق (Deep Learning)

هوش مصنوعی (Artificial Intelligence) 

هوش مصنوعی یا artificial intelligence شاخه ای از علوم رایانه است که هدف اصلی‌اش آن است که ماشین‌های هوشمندی تولید کند که توانایی انجام وظایفی که نیازمند به هوش انسانی است را داشته باشد. هوش مصنوعی در حقیقت نوعی شبیه سازی هوش انسانی برای کامپیوتر است و منظور از هوش مصنوعی در واقع ماشینی است که به گونه ای برنامه نویسی شده که همانند انسان فکر کند و توانایی تقلید از رفتار انسان را داشته باشد.

این تعریف می تواند به تمامی ماشین هایی اطلاق شود که بگونه‌ای همانند ذهن انسان عمل می‌کنند و می‌توانند کارهایی مانند حل مسئله و یادگیری داشته باشند. اساس هوش مصنوعی آن است که هوش انسان و طریق کار آن بگونه ای تعریف شود که یک ماشین بتواند آن را به راحتی اجرا کند و وظایفی که بر آن محول می شود را به درستی اجرا کند. هدف هوش مصنوعی در حقیقت بر سه پایه استوار است: یادگیری،استدلال و درک.

هنگامی که شما یک هوش مصنوعی و یا یک شبکه عصبی را پیاده سازی میکنید، جهت تست آن باید از آن آزمون بگیرید و ضریب خطاها و اشکلات آن را به دست بیاورید. تست تورینگ اولین آزمونی میباشد که از یک ماشین گرفته میشود. که در ادامه این مقاله اقدام به معرفی و توضیح تست تورینگ نیز پرداخته میشود.

آزمون تورینگ

آزمون تورینگ ،آزمونی است که توسط آلن تورینگ در سال ۱۹۵۰ در نوشته‌ای به نام «محاسبات ماشینی و هوشمندی» مطرح شد. در این آزمون شرایطی فراهم می‌شود که شخصی با ماشینی تعامل برقرار کند و پرسش‌های کافی برای بررسی اقدامات هوشمندانهٔ ماشین، از آن بپرسد. چنانچه در پایان آزمایش نتواند تشخیص دهد که با انسان یا با ماشین در تعامل بوده‌است، آزمون با موفقیت انجام شده‌است. تاکنون هیچ ماشینی از این آزمون با موفقیت بیرون نیامده است. کوشش این آزمون برای تشخیص درستی هوشمندی یک سامانه است که سعی در شبیه‌سازی انسان دارد.

یادگیری ماشینی

یادگیری ماشین، مطالعه‌ی علمی الگوریتم‌ها و مدل‌های آماری مورد استفاده‌ی سیستم‌های کامپیوتری است که به‌جای استفاده از دستورالعمل‌های واضح از الگوها و استنباط برای انجام وظایف سود می‌برند.

به عنوان زیر مجموعه‌ای از هوش مصنوعی، الگوریتم‌های یادگیری ماشین یک مدل ریاضی بر اساس داده‌های نمونه یا “داده‌های آموزش” به منظور پیش‌بینی یا تصمیم‌گیری بدون برنامه‌ریزی آشکار، ایجاد می‌کنند.

یادگیری ماشین کمک فراوانی به صرفه جویی در هزینه‌های عملیاتی و بهبود سرعت عمل تجزیه و تحلیل داده‌ها می‌کند. به عنوان مثال در  پتروشیمی با استفاده از یادگیری ماشین، داده‌های عملیاتی تمام حفاری‌ها اندازه‌گیری شده و با تجزیه و تحلیل داده‌ها، الگوریتم‌هایی تنظیم می‌شود که در حفاری‌های بعدی استخراج پربازده و بهینه‌تری داشته باشیم.

یادگیری ویژگی (Representation Learning)

یادگیری ویژگی ها  (Representation Learning)در علم یادگیری ماشین به مجموعه‌ای از روش‌ها گفته می‌شود که به سیستم امکان اکتشاف خودکار داده های مورد نیاز برای تشخیص ویژگی و دسته بندی ها بر اساس داده‌های خام را می‌دهند.

.

برای مثال در تصویر بالا ماشین برای تشخیص یک آهو در تصویر با برسی داده های موجود اقدام به استخراج ویژگی های یک اهو میکند، و در ادامه با دسته بندی این ویژگی ها و یادگیری آنها میتواند در داده های جدید حتی با وجود شئ ها دیگر اقدام به شناسایی آهو در تصویر کرده و آن را متمایز کند.

یادگیری عمیق (Deep Learning)

یادگیری عمیق  از مباحث جدید در هوش مصنوعی و یادگیری ماشین است.

در یک تعریف کلی، یادگیری عمیق، همان یادگیری ماشین است، به طوری که در سطوح مختلف نمایش یا انتزاع (abstraction) یادگیری را برای ماشین انجام میدهد. با این کار، ماشین درک بهتری از واقعیت وجودی داده ها پیدا کرده و میتواند الگوهای مختلف را شناسایی کند.

برای شناسایی یادگیری عمیق، ابتدا نیاز به دانستن شبکه های عصبی دارید. بر اساس تعریف مشهور، یادگیری عمیق در واقع همان یادگیری به وسیله شبکه های عصبی ای هستند که دارای لایه های ی پنهانی (Hidden Layers) زیادی می باشند. هر چقدر در لایه های یک شبکه عصبی عمیق جلو تر میرویم، به مدلهای پیچیده تر (و کامل تری) میرسیم

مثال زیر را در نظر بگیرید و فرض کنید میخواهیم به یک شبکه عصبی عمیق، تصویر زیر را آموزش دهیم (این مثال یک نمونه ساده و احتمالاً غیر کاربردی است)

.

همانطور که مشاهده میکنید، در تصویر بالا (که در واقع مدلی از یک شبکه ی عصبی عمیق است)، سه لایه در نظر گرفته شده است. در لایه ی اول، یک سری اشکال بدون معنی (و بسیار جزئی)، قرار دارد. در لایه دوم، اشکال لایه اول با یکدیگر ترکیب شده و شکل های با معنی تری را می سازند. همان طور که مشاهده میکنید، هر چقدر لایه ها، جلو تر میروند، شکل های ساخته شده در آن لایه، با معنی تر می شوند. در تصویر بالا، لایه ی سوم ، یک شکل کامل است. به این صورت که شبکه، قادر است شکل را به صورت کامل یاد بگیرد.

یادگیری عمیق (Deep Learning) در حوزه های مختلفی مانند، دسته بندی تصاویر (تشخیص تصاویر)، دسته بندی متون، تشخیص صدا و… کاربردهای فراوانی دارد.