Deep Learning (یادگیری عمیق) چیست؟ کاربردها و تفاوت با ML و AI

یادگیری عمیق یا Deep Learning شاخه ‌ای از یادگیری ماشین است که کاملا مبتنی بر شبکه‌ های عصبی مصنوعی پایه‌ گذاری شده است و اخیرا با پیشرفت آن در زمینه های مختلفی ایفای نقش می کند. همان طور که شبکه عصبی واقعی قرار است از مغز انسان تقلید کند، یادگیری عمیق هم نوعی تقلید از مغز انسان است.

در یادگیری عمیق، نیازی نیست که برای همه چیز صراحتا یک برنامه داشته باشیم. مفهوم یادگیری عمیق جدید نیست و الان یکی دو سالی است که وجود دارد. این مبحث اخیرا بسیار پرطرفدار شده است زیرا قبلا ما آن قدر قدرت پردازش و تا این حد داده نداشتیم. همان طور که در 20 سال گذشته، قدرت پردازش به طور تصاعدی افزایش یافته است، یادگیری عمیق و یادگیری ماشین هم مطرح شدند. در واقع دیپ لرنینگ یک تعریف رسمی از یادگیری عمیق عصب ها است.

یادگیری عمیق زیرمجموعه ‌ای از یادگیری ماشینی است که مبتنی بر شبکه ‌های عصبی مصنوعی (ANN) و دارای چندین لایه است و به عنوان شبکه‌ های عصبی عمیق (DNN) هم شناخته می ‌شود. این شبکه‌ های عصبی از ساختار و عملکرد مغز انسان الهام گرفته و به گونه ‌ای طراحی شده ‌اند که از مقادیر زیادی داده به شیوه‌ ای بدون نظارت یا نیمه ‌نظارتی الگو بگیرند. 

• نرم افزار های تخصص های پزشکی
• برنامه های جراحی پلاستیک و زیبایی

مدل‌ های یادگیری عمیق می‌ توانند به ‌طور خودکار خصوصیات را از داده‌ ها یاد بگیرند تا برای کار هایی مثل تشخیص تصویر، تشخیص گفتار و پردازش زبان طبیعی آماده شوند. پرکاربرد ترین معماری ‌ها در یادگیری عمیق، شبکه‌ های عصبی پیش ‌خور، شبکه‌ های عصبی کانولوشنال (CNN) و شبکه ‌های عصبی بازگشتی (RNN) هستند.

شبکه‌ های عصبی پیش‌ خور (FNN) ساده ‌ترین نوع شبکه عصبی مصنوعی با جریان خطی اطلاعات در شبکه هستند.FNN ها به طور گسترده برای کار هایی مثل دسته ‌بندی تصویر، تشخیص گفتار و پردازش زبان طبیعی به کار گرفته می ‌شوند.

شبکه ‌های عصبی کانولوشنال (CNN) خاصی ازFNN ها هستند که به طور خاص برای کار های تشخیص تصویر و ویدیو طراحی شده‌ اند.CNN ها می‌ توانند به طور خودکار خصوصیات را از تصاویر بگیرند که آن ها را برای کار هایی مثل دسته ‌بندی تصویر، تشخیص اشیا و تقسیم ‌بندی تصویر مناسب می‌ کند.

شبکه‌ های عصبی بازگشتی (RNN) نوعی از شبکه‌های عصبی هستند که قادر به پردازش داده‌ های متوالی مثل سری ‌های زمانی و زبان طبیعی‌اند.RNN ها قادرند وضعیت داخلی که اطلاعات مربوط به ورودی‌ های قبلی را جمع ‌آوری می‌ کند را حفظ کنند. این قابلیت آن ها را برای کار هایی مثل تشخیص گفتار ، پردازش زبان طبیعی و ترجمه زبان مناسب می ‌کند.

مدل‌ های یادگیری عمیق با استفاده از مقادیر زیادی از داده‌ های برچسب ‌دار آموزش داده می ‌شوند و به منابع محاسباتی قابل توجهی نیاز دارند. دیپ لرنینگ با افزایش دسترسی به حجم زیادی از داده ‌ها و منابع محاسباتی توانسته است به امکانات پیشرفته در طیف گسترده ‌ای از موارد مثل تشخیص تصویر و گفتار، پردازش زبان طبیعی و غیره دست یابد.

در مغز انسان تقریبا 100 میلیارد نورون وجود دارد. هر نورون با هزاران عصب مجاورش به هم متصل می ‌شوند. سوالی که در این جا مطرح می ‌شود؛ این است که این نورون‌ ها را چه طور در کامپیوتر بازسازی کنیم. ما یک ساختار مصنوعی به نام شبکه عصبی مصنوعی ایجاد می ‌کنیم که در آن گره یا نورون داریم. تعدادی نورون برای مقدار ورودی و تعدادی برای مقدار خروجی داریم و در این بین، ممکن است تعداد زیادی نورون هم باشند که در لایه پنهان به هم متصل باشند.

الگو های یادگیری عمیق

1-شبکه عصبی عمیق: یک شبکه عصبی با سطح پیچیدگی معین (دارای چندین لایه پنهان در بین لایه‌ های ورودی و خروجی) است. این شبکه قادر به مدل‌ سازی و پردازش روابط غیر‌ خطی هستند.

2- شبکه باور عمیق (DBN): این یک کلاس از شبکه ‌های عصبی عمیق است. این شبکه‌ ها چند لایه ‌اند. مراحل اجرایDBN :

الف- با استفاده از الگوریتم Contrastive Divergence لایه‌ ای از خصوصیات را از واحد های قابل مشاهده یاد بگیرید.

ب- فعال ‌سازی ویژگی ‌های آموزش دیده قبلی را به عنوان واحد های قابل مشاهده در نظر و سپس خصوصیات این ویژگی ‌ها را یاد بگیرید.

ج- در نهایت، کل DBN زمانی آموزش داده می‌ شود که یادگیری لایه پنهان نهایی میسر شود.

3- شبکه عصبی بازگشتی (RNN): بازگشتی بودن این شبکه به معنای انجام کار یکسان برای هر عنصر یک دنباله است. RNN امکان محاسبه موازی و متوالی را فراهم می ‌کند، درست مشابه مغز انسان (شبکه برگشت بزرگ نورون ‌های متصل). شبکه عصبی بازگشتی می‌ تواند موارد بسیار مهمی را در مورد ورودی‌ هایی که دریافت کرده‌ اند به خاطر بسپارند و به همین خاطر دقیق‌ تر است.

تفاوت بین یادگیری ماشین و یادگیری عمیق

طرز کار: اول باید مشکل واقعی را شناسایی کنیم تا به راه‌ حل مناسب برسید. شدنی بودن دیپ لرنینگ هم باید بررسی شود (این که آیا متناسب با یادگیری عمیق هست یا خیر ). دوم، ما باید داده‌ های مرتبطی را شناسایی کنیم که با مشکل واقعی مطابقت داشته باشند و بر اساس آن آماده شوند. سوم، الگوریتم یادگیری عمیق را به طور مناسب انتخاب کنید. چهارم، الگوریتم باید هنگام آموزش مجموعه داده استفاده شود . پنجم، آزمایش نهایی باید روی مجموعه داده انجام شود.

ابزار های مورد استفاده:

Anaconda، Jupyter، Pycharm و غیره.

زبان ‌های مورد استفاده:

R،Python ،Matlab ، CPP، Java،Julia ،Lisp ، Java Script و غیره.

مثال‌ های واقعی:

چه طور مربع را از اشکال دیگر تشخیص دهیم؟

الف) چهار خط را بررسی کنید!

ب) آیا شکل محصور است؟

ج) آیا اضلاع بر هم عمود هستند؟

د) آیا همه اضلاع برابرند؟

پس یادگیری عمیق یک کار پیچیده برای شناسایی شکل و تجزیه آن به بخش های ساده‌ تر است.

شناسایی یک حیوان! ( گربه است یا سگ؟)

با تعریف ویژگی ‌های صورت که برای دسته ‌بندی و سیستم مهم هستند، حیوان به طور خودکار شناسایی می ‌شود. (در صورتی که یادگیری ماشین به صورت دستی این خصوصیات را برای طبقه ‌بندی ارائه می ‌کند)

یادگیری ماشین را از اینجا می توانید در قالب 30 جلسه یاد بگیرید

محدودیت ها

1-یادگیری فقط از طریق مشاهده قابل انجام است.

2-مسئله بایاس ها

مزایا:

1-بهترین عملکرد درون کلاسی را در رابطه با مشکلات دارد.

2- نیاز به مهندسی ویژگی را کاهش می‌ دهد.

3- هزینه ‌های غیر ضروری را حذف می ‌کند.

4- عیوبی که تشخیص شان دشوار است را به راحتی شناسایی می ‌کند.

معایب:

1-مقدار زیادی داده مورد نیاز است.

2- آموزش از نظر محاسباتی گران تمام می ‌شود.

3- هیچ مبانی نظری قوی ندارد.

کاربرد ها

1-تولید خودکار متن: مجموعه ‌ای متن آموخته می ‌شود و همه چیز از این مدل متن جدید، کلمه به کلمه یا کاراکتر به کاراکتر تولید می‌ شود. سپس این مدل می ‌تواند یاد بگیرد که چه طور هجی و علامت‌ گذاری کند، جمله بسازد، یا حتی سبک آن نوشته را یاد بگیرد.

2- مراقبت‌ های بهداشتی: به تشخیص بیماری‌ های مختلف و درمان آن ها کمک می‌ کند.

3- ترجمه خودکار ماشینی: برخی از کلمات، جملات یا عبارات در یک زبان به زبان دیگر ترجمه می ‌شوند.

4- تشخیص تصویر: افراد و اشیاء را در تصاویر شناسایی می ‌کند. این مورد در حال حاضر در بازی، فروشگاه ها، صنعت گردشگری و غیره استفاده می ‌شود.

5- پیش ‌بینی زمین ‌لرزه: به کامپیوتر می ‌آموزد تا محاسبات ویسکوالاستیک که در پیش ‌بینی زلزله استفاده می ‌شوند، را انجام دهد.

6- یادگیری عمیق کاربرد های زیادی در زمینه ‌های مختلف مثل بینایی کامپیوتر، تشخیص گفتار ، پردازش زبان طبیعی و بسیاری موارد دیگر دارد. برخی از رایج‌ ترین کاربرد ها عبارتند از:

7- تشخیص تصویر و ویدیو: مدل‌ های یادگیری عمیق برای طبقه ‌بندی خودکار تصاویر و ویدیو ها، تشخیص اشیا و شناسایی چهره‌ ها استفاده می ‌شوند. موارد استفاده شامل موتور های جستجوی تصویر و ویدئو ، خودرو های خودران و سیستم ‌های نظارت هستند.

8- تشخیص گفتار: از مدل‌ های یادگیری عمیق برای رو نویسی و ترجمه گفتار در لحظه استفاده می ‌شود که در دستگاه‌ های کنترل ‌شده با صدا مثل دستیار های مجازی و فناوری دسترسی ‌پذیری برای افراد دارای اختلالات شنوایی استفاده می ‌شود.

9- پردازش زبان طبیعی : مدل‌ های یادگیری عمیق برای درک، تولید و ترجمه زبان‌ های انسانی استفاده می‌ شوند. موارد استفاده از آن عبارتند از ترجمه ماشینی، خلاصه ‌سازی متن، و تجزیه و تحلیل احساسات .

10- رباتیک: مدل‌ های یادگیری عمیق برای کنترل ربات ‌ها و پهپاد ها و بهبود توانایی آن ها در درک و تعامل با محیط استفاده می ‌شوند.

11- مراقبت ‌های بهداشتی: مدل ‌های یادگیری عمیق در تصویر برداری پزشکی برای تشخیص بیماری ‌ها، در کشف دارو برای شناسایی درمان ‌های جدید و در ژنومیک برای درک علل زمینه ‌ای بیماری‌ ها استفاده می ‌شوند.

12- امور مالی: مدل‌ های یادگیری عمیق برای شناسایی کلاه برداری، پیش ‌بینی قیمت سهام و تجزیه و تحلیل داده‌ های مالی استفاده می ‌شوند.

13- بازی: مدل‌ های یادگیری عمیق برای ایجاد کاراکتر ها و محیط ‌های واقعی ‌تر و بهبود تجربه بازی استفاده می ‌شوند.

14- سیستم ‌های توصیه‌ گر: از مدل‌ های یادگیری عمیق برای ارائه توصیه‌ های شخصی به کاربران مثل پیشنهاد خرید یک محصول، توصیه‌ تماشای یک فیلم و توصیه ‌های خبری استفاده می ‌شوند.

15- رسانه‌ های اجتماعی : مدل ‌های یادگیری عمیق برای شناسایی اخبار جعلی، نشانه‌ گذاری محتوای مضر و فیلتر کردن هرزنامه ‌ها استفاده می ‌شوند.

16- سیستم ‌های خود مختار یا مستقل: مدل‌ های یادگیری عمیق در خودرو های خودران، هواپیما های بدون سرنشین و سایر سیستم‌ های خودگردان به منظور تصمیم‌ گیری بر اساس داده‌ های حسگر استفاده می ‌شوند.