ديپ لرنينگ: نکات مهم درباره يادگيري عميق که بايد بدانيد

مقدمه:
اين روزها بحث هاي گوناگوني درباره وظايف انسان که مي تواند توسط ماشين ها جايگزين شود وجود دارد. در حالي که فناوري به سرعت و همراه با ترس و هيجان در حال پيشرفت است؛ عباراتي مانند هوش مصنوعي، ماشين لرنينگ و ديپ لرنينگ ممکن است شما را دچار اضطراب کنند.
هوش مصنوعي به طور ساده به معني انجام وظايف انساني توسط ماشين هاي هوشمند مي باشد. ديپ لرنينگ ( يادگيري عميق ) زير مجموعه ماشين لرنينگ است؛ که توسط هوش مصنوعي و با تقليد از عملکرد مغز انسان، قادر به پيش بيني خروجي ها و ايجاد الگوهاي تصميم گيري است. ديپ لرنينگ به شبکه هاي عصبي مصنوعي اشاره دارد که از چندين لايه يادگيري تشکيل شده اند. همچنين از بسياري از DNN ها به منظور يادگيري سطح انتزاع استفاده مي کند.

فهرست:

1. يادگيري عميق چگونه کار مي کند؟
2. ديپ لرنينگ يک “يادگيري ويژگي” داراي سلسله مراتب است
3. انواع الگوريتم ماشين لرنينگ
4. يادگيري عميق در ماشين لرنينگ
5. جمع بندي

1. يادگيري عميق و شبکه هاي عصبي چگونه کار مي کنند؟

ديپ لرنينگ در دوره ديجيتال تکامل يافته است. که باعث پديد آمدن داده هايي به نام داده هاي بزرگ ( Big Data ) شده است. اين داده ها از وب سايت هاي رسانه هاي اجتماعي، موتورهاي جستجو و سيستم عامل هاي تجارت الکترونيکي گردآوري جمع آوري شده اند. اين داده هاي بزرگ قابل دسترس بوده و از طريق ابر رايانه ها به اشتراگ گذاشته مي شوند.
ايده ديپ لرنينگ را مي توان به اين شکل توصيف کرد:

با اين حال، اين داده هاي بزرگ معمولا به شکلي بدون ساختار هستند. ممکن است سال ها طول بکشد تا انسان بتواند اطلاعات مربوط را از آن کشف و استخراج کند. شرکت ها با اتکا به برخي از سيستم هاي مبتني بر هوش مصنوعي ، پتانسيل مورد نياز براي آن را درک کرده و از به هدر رفتن سرمايه جلوگيري مي کنند. در حال حاضر رايانه هايي با ظرفيت هاي کافي براي مدل هاي ديپ لرنينگ و همچنينن داده هاي بزرگ به منظور آموزش شبکه هاي عصبي ديپ لرنينگ فراهم است. . از آن جهت به آن يادگيري عميق مي گويند که شبکه هاي عصبي داراي لايه هاي مختلف و عميقي هستند که يادگيري را امکان پذير مي سازند. تقريبا در مورد هر مشکلي که نياز به فکر کردن باشد؛ ديپ لرنينگ مي تواند آموزش ببيند.
عملکرد شبکه هاي عصبي روز به روز بهتر مي شود؛ چرا که به طور مستمر اطلاعات بيشتري به آن ها تغذيه شده و آموزش مي بينند. همين امر، يادگيري عميق را از ساير تکنيک هاي ماشين لرنينگ متمايز کرده است. علاوه بر افزايش اطلاعات، الگوريتم هاي يادگيري عميق از قدرت محاسباتي قوي تري که امروزه در دسترس است بهره مي برند. گسترش هوش مصنوعي نيز تاثير بسزايي در اين روند داشته است. هوش مصنوعي به عنوان يک سرويس به سازمان هاي کوچکتر امکان دسترسي به فناوري هوش مصنوعي، و به طور خاص الگوريتم هاي هوش مصنوعي مورد نياز براي يادگيري عميق را داده است.

2. ديپ لرنينگ يک “يادگيري ويژگي” داراي سلسله مراتب است

يادگيري ويژگي چيست؟
يادگيري ويژگي به مجموعه اي از تکنينک ها اطلاق مي شود که امکان يادگيري يک ويژگي را داراست. براي مثال طبقه بندي داده هاي خام. يادگيري ويژگي در قالب سلسله مراتب هوش مصنوعي کار مي کند.
علاوه بر مقياس پذيري، ديپ لرنينگ به ما امکان يادگيري ويژگي را نيز مي دهد. به طور کلي، يادگيري مراحل پيچيده را براي ماشين ها آسان مي کند. يادگيري عميق به استفاده از ساختارهاي ناشناخته در داده هاي ورودي کمک مي کند. در لايه هاي بالاتر، ويژگي هاي ديپ لرنينگ به چند لايه تقسيم مي شوند. ويژگي هاي يادگيري در چندين سطح به ماشين ها براي درک سيستم هاي پيچيده يادگيري عميق کمک مي کنند.

3. انواع الگوريتم ماشين لرنينگ

الگوريتم هاي شبکه عصبي در ماشين لرنينگ به طور گسترده به چهار بخش تقسيم مي شوند:
الف: الگوريتم يادگيري نظارت شده
الگوريتم هاي يادگيري نظارت شده سعي مي کنند تا روابط و وابستگي هاي بين خروجي پيش بيني شده مورد نظر و ويژگي هاي ورودي را الگوبرداري کنند؛ تا بتوانيم براي داده هاي جديد، مقادير خروجي را بر اساس روابطي که از مجموعه داده هاي قبلي آموخته است، پيش بيني کنيم. در نتيجه در الگوريتم يادگيري نظارت شده به منظور آموزش مدل ديپ لرنينگ، نيازمند داده هاي داراي برچسب هستيم. داده هاي داراي برچسب، حاوي ورودي و خروجي هدف هستند.

ب: الگوريتم يادگيري بدون نظارت
در اين الگوريتم، کامپيوترها با داده هاي بدون برچسب آموزش داده مي شوند. الگوريتم هاي يادگيري بدون نظارت تلاش مي کنند تا با استفاده از تکنينک هايي بر روي داده هاي ورودي، الگوها را تشخيص دهند، داده ها را خلاصه و گروه بندي کنند و به ارائه پيشنهادي معنا دار کمک کنند. در اين الگوريتم هم نيازمند داده هاي داراي برچسب هستيم؛ اما خروجي هدف وجود ندارد.

ج: الگوريتم يادگيري نيمه نظارتي
اين الگوريتم بين دو حالت قبلي قرا مي گيرد. در بسياري از شرايط، هزينه برچسب دار کردن داده ها زياد است. زيرا نيازمند متخصصان ماهر است. بنابراين، در مواجهه با اين موارد، الگوريتم هاي يادگيري نيمه نظارتي بهترين انتخاب براي ساخت مدل هستند. اين الگوريتم بر اين ايده است که اگرچه گروه داده هاي بدون برچسب نامشخص است؛ اما اين داده ها اطلاعات ارزشمندي درباره پارامترهاي گروه را دارا هستند.

د: الگوريتم يادگيري تقويتي
اين الگوريتم مربوط به چگونگي انجام اقدامات نرم افزاري در يک محيط است. الگوريتم يادگيري تقويتي يراي تصميم گيري آموزش مي بيند. اين الگوريتم خود را بر اساس سعي و خطا در تصميم گيري، آموزش مي دهد.

4. يادگيري عميق در ماشين لرنينگ

يکي از رايج ترين تکنيک هاي مبتني بر هوش مصنوعي براي پردازش داده هاي بزرگ، ماشين لرنينگ است. الگوريتم خود-سازگار به طور مداوم بر اساس الگوها، بهتر شده و خود را آموزش مي دهد. يادگيري عميق به ماشين ها اجازه مي دهد حتي در هنگام استفاده از مجموعه داده اي که بسيار متنوع ، بدون ساختار و به هم پيوسته است ، مشکلات پيچيده را حل کنند. هرچه الگوريتم هاي يادگيري، عميق تر ياد بگيرند ، عملکرد بهتري خواهند داشت.
بياييد با يک مثال جلو برويم:
اگر يک شرکت پرداخت ديجيتال در صدد تشخيص وقوع ي در سيستم پرداخت خود باشد، مي تواند از ابزارهاي يادگيري ماشين استفاده کند. الگوريتم محاسباتي که در درون سيستم ساخته شده است، قادر به بررسي تمام معاملات انجام شده است. بنابراين، طبق مجموعه داده هاي مختلف مي توان الگوي ناهنجاري هاي رخ داده در سيستم را مشاهده کرد. اين ابزارها، کار را به صورت خودکار انجام داده و از دسترسي غير مجاز سيستم ها جلوگيري مي کنند. ديپ لرنينگ، زير مجموعه شبکه ماشين لرنينگ است که از شبکه عصبي مصنوعي (ANN ) در جهت انجام فرايندها استفاده مي کند.

عملکرد شبکه هاي عصبي مصنوعي مانند مغزهاي کوچک انساني است که با گره هاي عصبي متصل به يک شبکه ساخته شده اند. تجزيه و تحليل در برنامه هاي سنتي به صورت خطي است؛ حال آن که ويژگي سلسله مراتبي يادگيري عميق، داده ها را با استفاده از تکنيک هاي غير خطي تحليل مي کند.
يک رويکرد سنتي براي تشخيص دسترسي به در سيستم ديجيتال، بر مبناي معاملات است. اولين لايه شبکه عصبي عميق داده هايي مانند ميزان معامله انجام شده را پردازش کرده و آن را به لايه بعدي منتقل مي کند. در لايه دوم، IP هاي اختصاص داده شده به کاربران بررسي مي شود و سپس به لايه بعدي ارسال مي شود. سطح بعدي، اطلاعاتي که در لايه قبلي به دست آمده دريافت و پردازش مي کند. در اين لايه موقعيت جغرافيايي آنان بررسي شده و سپس به لايه بعدي منتقل مي شود. در اين روش، ديپ لرنينگ الگوها را بررسي کرده و ناهنجاري ها را شناسايي مي کند. هنگامي که داده ها به اين سلسله مراتب مي رسند بهتر پردازش مي شوند. معمولا مجموعه داده هاي بيشتري را به دست مي آورند تا بازده بهتري حاصل شود.

5.جمع بندي:
يادگيري عميق از انسان تقليد کرده و از طريق الگوريتم شبکه عصبي مصنوعي تصميم گيري مي کند. داده هاي بدون ساختار و بدون برچسب را مي توان با ديپ لرنينگ پردازش کرد. همچنين از يادگيري عميق مي توان براي شناسايي پولشويي در سيستم ها استفاده کرد.
الگوهاي ديپ لرنينگ فقط براي تنها براي ثبت الگوهاي معاملاتي ايجاد نمي شوند؛ بلکه به منظور هشدار در صورت بروز فعاليت هاي انه نيز کاربرد دارند. لايه هاي آخر، به يک تحليل گر هشدار مي دهد؛ تحليل گر، حساب کاربر را مسدود کرده و تمام معاملات آن را متوقف مي سازد.
يادگيري عميق در تمام صنايع مورد استفاده قرار مي گيرد. مثلا مي توان از ديپ لرنينگ در تحقيق پزشکي به عنوان يک ابزار براي تشخيص امکان استفاده مجدد از داروها بهره برد. يا گوگل در نتايج تحقيقات خود يک واقعيت افزوده را منتشر کرده که مبتني بر ماشين لرنينگ است. همچينين از يادگيري عميق در اپليکيشن هاي مصرف کنندگان و برنامه هاي تجاري که از تشخيص تصوير استفاده مي کنند، کمک گرفته مي شود. نکته اصلي اين است که لايه هاي شبکه عصبي يادگيري عميق توسط مهندسين انساني طراحي و سخته نمي شوند؛ بلکه توسط مجموعه داده ها و با استفاده از فرايند يادگيري چند منظوره ايجاد مي شوند.

منبع:

https://amanjacademy.com/important-tips-about-deep-learning/