یادگیری عمیق
یادگیری عمیق – deep learning چیست؟
یکشنبه, ۱۰ شهریور , ۱۳۹۸

اخیراً صحبت‌های بسیاری در رابطه با توانایی‌های یادگیری ماشین (یا Deep Learning)، و کاربرد آن در محیط کارخانجات، انبار ها، ادارات و منازل شده است. همینطور که تکنولوژی با سرعت به پیش می‌رود،ممکن است  ترس‌ها و هیجانات در رابطه با واژه‌های هوش مصنوعی، یادگیری ماشین و یادگیری عمیق شما را گیج کند. امیدواریم این یادداشت و مثال‌های آن، کمکی باشد در راستای فهم بهتر مفاهیم یادگیری عمیق.

مبحث هوش مصنوعی اساساً زمانی استفاده می‌شود که ماشین‌ها بتوانند وظایف انسان‌ را با توانایی‌های خود حل کرده و به پیش ببرند. ما زمانی می‌توانیم از واژه یادگیری ماشین استفاده کنیم که دستگاه‌ها با تجربیات و تخصص هایی که کسب کرده‌اند بتوانند مسائل را بدون دخالت انسان حل کنند. در همین زمینه می‌توان گفت  یادگیری عمیق زیرمجموعه یادگیری ماشین است، که با شبکه‌های عصبی مصنوعی و الگوریتم هایی که عمل‌کرد مغز انسان را شبیه سازی می کنند، فعالیت خود را انجام می‌دهد.

همانطور که ما با استفاده از تجربیات خود فرآیند یادگیری را انجام می‌دهیم، الگوریتم یادگیری عمیق نیز بارها و بارها یک وظیفه را انجام داده و هر سری سرعت خود را در بهبود نتیجه افزایش می‌دهد. ما زمانی به یادگیری عمیق مراجعه می‌کنیم، که شبکه عصبی دارای لایه‌های متنوع و عمق زیادی باشد.تقریبا برای هر مشکلی که برای حل کردن آن به فکر نیاز است، یادگیری عمیق می‌تواند کمک کند.

حجم داده‌ای که هر روزه تولید می‌شود سرسام آور است – در حال حاضر چیزی در حدود ۱۸^۱۰ * ۲٫۶ بایت است – و این همان منبعی است که یادگیری عمیق را ممکن می‌سازد. الگوریتم های یادگیری عمیق به مقدار زیادی داده برای یادگیری نیاز دارند. روند رو به رشد تولید داده یکی از دلایلی است که توانایی‌های Deep Learning را طی سال‌های اخیر بهبود بخشیده است.

همچنین هوش مصنوعی به عنوان یک سرویس، به سازمان‌های کوچکتر این قابلیت را داده است تا بدون سرمایه‌گذاری های عظیم، به فناوری و الگوریتم‌های یادگیری عمیق دسترسی داشته باشند.

یادگیری عمیق به ماشین‌ها این قابلیت را می‌دهد تا مشکلات پیچیده را حتی با دسترسی به داده‌های متنوع و بدون ساختار حل کنند.

با ۸ مثال زیر، شناخت بهتری از Deep Learning پیدا خواهید کرد:

۱دستیار مجازی

الکسا، سیری یا کورتانا، دستیار‌های مجازی هوشمندی هستند که از یادگیری عمیق جهت فهمیدن صحبت و زبان انسان‌ها، وقتی با آن‌ها در تعامل هستند استفاده می‌کنند.

۲ترجمه

به روشی مشابه، الگوریتم های یادگیری عمیق می‌توانند به صورت اتومات بین زبان‌های مختلف عملیات ترجمه را انجام دهند. این قابلیت می‌تواند برای مسافران، تاجران و کسانی که در دولت هستند مفید باشد.

۳چشم اندازی برای کامیون ها یا خودرو های بدون راننده، و همینطور هواپیماهای بدون سرنشین

در این بخش خودرو ها می‌توانند مسیر جاده را تشخیص داده و یا زمانی که نشانه‌های توقف را می‌بینند بایستند. همچنین حضور اشیای دیگر مانند خودرو یا توپ را در خیابان متوجه می‌شوند.

زمانی که ماشین‌ها داده‌های بیشتری از این طریق دریافت کنند، بیشتر می‌توانند شبیه به انسان‌ها عمل کرده و رانندگی کنند. همچنین با پردازش اطلاعات می‌توانند فرضاً علایم توقفی که با برف پوشیده شده است را شناسایی کنند.

۴چت بات ها

بات های مخصوص چت و پشتیبانی در بسیاری از کارخانه ها وظیفه ارتباط و رسیدگی به درخواست های مشتریان را انجام می‌دهند. این ابزار ها می‌توانند با استفاده از یادگیری عمیق به سؤالات متنی و شنیداری پاسخ دهند.

۵رنگ آمیزی تصاویر

سابقاً تبدیل تصاویر سیاه-سفید به رنگی جزو وظایفی بود که توسط انسان انجام می‌شد. اما امروزه الگوریتم های یادگیری عمیق قادر شده‌اند با استفاده از متون و اشیای داخل عکس، نوع رنگ‌های احتمالی را تشخیص داده و آن‌ها را از حالت سیاه-سفید خارج کنند.

۶تشخیص چهره

یادگیری ماشین برای تشخیص چهره نیز استفاده می‌شود، اما نه الزاماً برای مسائل امنیتی. به عنوان مثال در فرآیند تگ کردن افراد روی پست های فیس بوک، یا پرداخت مبلغ خرید هر شخص با شناسایی چهره آن در آینده‌ای نزدیک.

چالش مهم در این زمینه زمانی است که فرض کنید مدل مو یا ریش شخص تغییر کند. یا تصویری که گرفته شده است به دلیل نور کم محیط، کیفیت مناسبی نداشته باشد.

۷پزشکی و داروسازی

از تشخیص بیماری و تومور فرد تا داروهای مخصوص هر شخص با توجه به ژنوم آن، یادگیری عمیق در این فیلد نیز مورد توجه بسیاری از کارخانه‌ها و شرکت‌های تولید دارو و پزشکی قرار گرفته است.

۸شخصی سازی خرید و تفریحات

نتفلیکس چگونه ویدئو بعدی را به شما پیشنهاد می‌دهد؟ یا آمازون چطور محصولات مرتبط با سلیقه‌تان را به شما ارائه می‌کند؟ آن هم محصولاتی که به آن‌ها احتیاج دارید ولی تا قبل از این نمیدانستید؟

این دقیقاً کار الگوریتم یادگیری عمیق است.

تجربه بیشتر این الگوریتم ها، منجر به نتیجه بهتر می‌شود. این موضوع در سال‌های آینده با توجه به بلوغ تکنولوژِی، بسیار قوی‌تر خواهد شد.

نام نویسنده:
به اشتراک بگذارید:
نمودار
مرجع تخصصی هوش تجاری و تحلیل اطلاعات
مقالات مرتبط
هوش تجاری
۳ اثر مهم هوش تجاری (BI) در کسب وکار
در این مقاله در مورد هوش تجاری، اهداف و معماری آن صحبت کرده ایم. حال در این مقاله قصد داریم در مورد ۳ مزیت مهم استفاده و پیاده سازی BI در سازمان صحبت کنیم. تصویر جامع بهتر باتوجه به اینکه BI تصویری از اتفاقات گذشته و حال کسب وکار شما را ارائه می‌دهد، شما می‌توانید [...]
چهار مرحله مدل بلوغ داده
چهار مرحله مدل بلوغ داده
تصمیم‌گیری‌های ضعیف گاها منجر به خسارت‌های بزرگی برای سازمان‌ها می‌شوند. شرکت‌هایی که منابع داده زیادی دارند، جریان‌های داده‌ای جدیدی ایجاد می‌کنند و دیتاست‌های موجود را به شکل‌های جدیدی طراحی می‌کنند. این شرکت‌ها از تحلیل‌هایی استفاده می‌کنند که در نهایت تصمیم‌گیری‌ها بهتر انجام شوند. با ظهور مواردی مثل ساختارهای داده‌ای حافظه‌دار (in memory)، سیستم‌های ذخیره‌ای که [...]
نظرات