فهرست مندرجات[پنهان شدن][نمایش]
این مفهوم که روباتها باهوشتر از انسانها هستند، تا زمانی که داستانهای علمی تخیلی وجود داشته، تخیل جمعی ما را تسخیر کرده است.
با این حال، در حالی که هوش مصنوعی (AI) هنوز به آن سطح نرسیده است، همانطور که توسط گوگل، تسلا و تست اوبر با خودروهای خودران ثابت شده است، پیشرفت های قابل توجهی در تولید هوش ماشینی داشته ایم.
مقیاسپذیری و کاربرد Deep Learning، رویکرد یادگیری ماشینی که این پیشرفت فنی را ممکن میسازد، تا حدی مسئول انتقال موفقیتآمیز هوش مصنوعی از دانشگاهها و آزمایشگاههای تحقیقاتی به محصولات است.
انقلاب کامپیوتری بعدی بر پایه هوش مصنوعی، یادگیری عمیق و فراگیری ماشین.
این فناوری ها بر اساس ظرفیت تشخیص الگوها و سپس پیش بینی رویدادهای آینده بر اساس داده های جمع آوری شده در گذشته ساخته شده اند. این توضیح می دهد که چرا آمازون هنگام خرید آنلاین ایده می دهد یا چگونه نتفلیکس می داند که شما فیلم های وحشتناک دهه 1980 را دوست دارید.
اگرچه گاهی اوقات رایانه هایی که از مفاهیم هوش مصنوعی استفاده می کنند "هوشمند" نامیده می شوند، اکثر این سیستم ها به تنهایی یاد نمی گیرند. تعامل انسانی لازم است.
دانشمندان داده با انتخاب متغیرهایی که در آنها اعمال خواهد شد، ورودی ها را آماده می کنند تحلیل های پیش بینی. از سوی دیگر، یادگیری عمیق می تواند این عملکرد را به طور خودکار انجام دهد.
این پست به عنوان راهنمای میدانی برای هر دوستدار داده ای است که علاقه مند به یادگیری بیشتر در مورد یادگیری عمیق، وسعت آن و پتانسیل های آینده است.
یادگیری عمیق چیست؟
یادگیری عمیق را می توان به عنوان زیر مجموعه ای از یادگیری ماشین در نظر گرفت.
این رشته ای است که بر اساس خودآموزی و بهبود از طریق بررسی الگوریتم های کامپیوتری ساخته شده است.
یادگیری عمیق، برخلاف یادگیری ماشینی، با مصنوعی کار می کند شبکه های عصبی، که قرار است نحوه تفکر و یادگیری افراد را تقلید کنند. تا همین اواخر، شبکههای عصبی به دلیل محدودیتهای قدرت رایانهای، از نظر پیچیدگی محدود بودند.
با این حال، پیشرفتها در تجزیه و تحلیل دادههای بزرگ، شبکههای عصبی بزرگتر و قویتری را فعال کردهاند و رایانهها را قادر میسازند تا سریعتر از افراد موقعیتهای پیچیده را نظارت، درک کنند و به آنها پاسخ دهند.
توصیه می کنیم مطالعه کنید - معماری شبکه عصبی تسلا توضیح داده شد
دسته بندی تصویر، ترجمه زبان و تشخیص گفتار همگی از یادگیری عمیق بهره مند شده اند. این می تواند با هر مشکلی در تشخیص الگو بدون نیاز به تعامل انسانی مقابله کند.
این اساساً سه لایه یا بیشتر است شبکه های عصبی. این شبکههای عصبی به دنبال تقلید از فعالیت مغز انسان هستند، البته با موفقیت محدود، از طریق قادر ساختن آن به «یادگیری» از حجم عظیمی از دادهها.
در حالی که یک لایه شبکه عصبی هنوز هم می تواند پیش بینی های تقریبی ایجاد کند، لایه های پنهان بیشتر می توانند به بهینه سازی و تنظیم برای دقت کمک کنند.
شبکه عصبی چیست؟
شبکه های عصبی مصنوعی مبتنی بر شبکه های عصبی هستند که در مغز انسان دیده می شوند. معمولاً یک شبکه عصبی از سه لایه تشکیل شده است.
سه سطح ورودی، خروجی و پنهان هستند. یک شبکه عصبی در حال عمل در نمودار زیر مشاهده می شود.
از آنجایی که شبکه عصبی نشان داده شده در بالا فقط یک لایه پنهان دارد، به آن "شبکه عصبی کم عمق" می گویند.
لایه های مخفی بیشتری به چنین سیستم هایی اضافه می شوند تا ساختارهای پیچیده تری را تشکیل دهند.
شبکه عمیق چیست؟
در یک شبکه عمیق، بسیاری از لایه های پنهان اضافه می شوند.
آموزش چنین طرح هایی با افزایش تعداد لایه های پنهان در شبکه، نه تنها با توجه به زمان لازم برای آموزش صحیح شبکه، بلکه از نظر منابع مورد نیاز، به طور فزاینده ای پیچیده می شود.
یک شبکه عمیق با یک ورودی، چهار لایه پنهان و یک خروجی در زیر نشان داده شده است.
یادگیری عمیق چگونه کار می کند؟
شبکههای عصبی از لایههایی از گرهها ساخته شدهاند، شبیه به اینکه نورونها مغز انسان را میسازند. گره های لایه جداگانه به گره های لایه های همسایه متصل می شوند.
تعداد لایه های یک شبکه عمق آن را نشان می دهد. یک نورون واحد در مغز انسان هزاران پیام دریافت می کند.
سیگنالها بین گرهها در یک شبکه عصبی مصنوعی حرکت میکنند که وزنهایی را به آنها اختصاص میدهد.
گره ای با وزن بالاتر تاثیر بیشتری بر گره های زیر خود دارد. آخرین لایه ورودی های وزنی را برای ارائه خروجی ترکیب می کند.
سیستم های یادگیری عمیق به دلیل حجم عظیم داده های پردازش شده و محاسبات پیچیده ریاضی متعدد به سخت افزار قوی نیاز دارند.
محاسبات آموزشی یادگیری عمیق، حتی با چنین فناوری پیچیده ای، می تواند هفته ها طول بکشد.
سیستم های یادگیری عمیق به مقدار قابل توجهی داده برای ارائه یافته های صحیح نیاز دارند. از این رو، اطلاعات در قالب مجموعه داده های عظیم تغذیه می شود.
هنگام پردازش داده ها، شبکه های عصبی مصنوعی می توانند اطلاعات را بر اساس پاسخ به دنباله ای از سوالات باینری بله یا نادرست که شامل محاسبات ریاضی بسیار پیچیده است، طبقه بندی کنند.
برای مثال، یک الگوریتم تشخیص چهره، یاد میگیرد که لبهها و خطوط چهره را شناسایی و تشخیص دهد.
سپس عناصر مهم تر از چهره ها، و در نهایت بازنمایی کامل از چهره ها.
الگوریتم خود را در طول زمان آموزش می دهد و احتمال پاسخ های درست را افزایش می دهد.
در این شرایط، الگوریتم تشخیص چهره به مرور زمان چهره ها را به درستی تشخیص می دهد.
یادگیری عمیق در مقابل یادگیری ماشینی
اگر یادگیری عمیق زیر مجموعه ای از آن باشد، چه تفاوتی با یادگیری ماشینی دارد؟
یادگیری عمیق با یادگیری ماشین سنتی در انواع داده هایی که استفاده می کند و روش هایی که برای یادگیری استفاده می کند متفاوت است.
برای ایجاد پیشبینی، الگوریتمهای یادگیری ماشین از دادههای ساختاریافته و برچسبگذاری شده استفاده میکنند، به این معنی که ویژگیهای خاصی از دادههای ورودی مدل مشخص شده و در جداول گروهبندی میشوند.
این لزوماً به این معنی نیست که از داده های بدون ساختار استفاده نمی کند. در عوض، اگر این کار را انجام دهد، معمولاً برای قرار دادن آن در یک قالب ساختاریافته، از چند مرحله پیش پردازش می گذرد.
یادگیری عمیق بخشی از پیش پردازش داده را که یادگیری ماشین به طور کلی مستلزم آن است، از بین می برد.
این الگوریتمها میتوانند دادههای بدون ساختار مانند متن و تصاویر را دریافت و تفسیر کنند و همچنین استخراج ویژگیها را بهطور خودکار انجام دهند و اتکا به متخصصان انسانی را کاهش دهند.
بیایید تصور کنیم مجموعهای از تصاویر حیوانات خانگی مختلف داریم که میخواهیم آنها را در دستههایی مانند «گربه»، «سگ»، «همستر» و غیره سازماندهی کنیم.
الگوریتمهای یادگیری عمیق میتوانند تشخیص دهند که کدام ویژگی (مانند گوش) برای جدا کردن یک حیوان از حیوان دیگر ضروریتر است. این سلسله مراتب ویژگی به صورت دستی توسط یک متخصص انسانی در یادگیری ماشین تعیین می شود.
سپس سیستم یادگیری عمیق تغییر می کند و از طریق آن برای دقت مناسب است نزول شیب و پس از انتشار، به آن اجازه می دهد تا پیش بینی های دقیق تری در مورد یک عکس فوری تازه از یک حیوان ایجاد کند.
برنامه های یادگیری عمیق
1 Chatbots
چت بات ها می توانند مشکلات مشتری را در عرض چند ثانیه برطرف کنند. چت بات یک هوش مصنوعی (AI) ابزاری که به شما امکان می دهد به صورت آنلاین از طریق متن یا متن به گفتار ارتباط برقرار کنید.
می تواند به همان روشی که انسان ها انجام می دهند ارتباط برقرار کند و اعمال کند. چت بات ها به طور گسترده در خدمات مشتری، بازاریابی رسانه های اجتماعی و پیام رسانی فوری مشتری استفاده می شوند.
با پاسخ های خودکار به ورودی های شما پاسخ می دهد. با استفاده از تکنیک های یادگیری ماشینی و یادگیری عمیق، اشکال بسیاری از پاسخ ها را ایجاد می کند.
2. ماشین های خودران
یادگیری عمیق عامل اصلی واقعی شدن خودروهای خودران است.
یک میلیون مجموعه داده در یک سیستم برای ایجاد یک مدل بارگذاری می شود. ماشین ها را برای یادگیری آموزش دهید، و سپس یافته ها را در یک محیط امن ارزیابی کنید.
اوبر هوش مصنوعی آزمایشگاهها در پیتسبورگ نه تنها در تلاش هستند تا اتومبیلهای بدون راننده را رایجتر کنند، بلکه میکوشند تا ویژگیهای هوشمند متعددی مانند امکان تحویل غذا را با استفاده از اتومبیلهای بدون راننده ادغام کنند.
مهم ترین نگرانی برای توسعه وسایل نقلیه خودران، برخورد با رویدادهای پیش بینی نشده است.
چرخه مداوم آزمایش و پیاده سازی، که نمونه الگوریتم های یادگیری عمیق است، رانندگی ایمن را تضمین می کند زیرا بیش از پیش در معرض میلیون ها سناریو قرار می گیرد.
3. دستیار مجازی
دستیارهای مجازی برنامههای مبتنی بر ابر هستند که دستورات صوتی زبان طبیعی را تشخیص میدهند و کارهایی را از طرف شما انجام میدهند.
دستیارهای مجازی مانند آمازون الکسا، کورتانا، سیری و دستیار گوگل نمونه های رایجی هستند.
برای استفاده کامل از پتانسیل خود، آنها به دستگاه های متصل به اینترنت نیاز دارند. هنگامی که دستوری به دستیار داده می شود، بر اساس برخوردهای قبلی با استفاده از الگوریتم های یادگیری عمیق، تجربه بهتری را ارائه می دهد.
4. سرگرمی
شرکت هایی مانند نتفلیکس، آمازون، یوتیوب و اسپاتیفای پیشنهادهای مناسبی برای فیلم، آهنگ و ویدیو به مشتریان خود ارائه می دهند تا تجربه آنها را بهبود بخشند.
یادگیری عمیق مسئول همه اینها است.
شرکتهای پخش آنلاین توصیههای محصول و خدمات را بر اساس سابقه مرور، علایق و فعالیت یک فرد ارائه میکنند.
الگوریتم های یادگیری عمیق همچنین برای تولید زیرنویس به صورت خودکار و افزودن صدا به فیلم های صامت استفاده می شود.
5. رباتیک
Deep Learning به طور گسترده در توسعه روباتهایی که میتوانند کارهایی شبیه به انسان انجام دهند، استفاده میشود.
رباتهای مبتنی بر یادگیری عمیق از بهروزرسانیهای بیدرنگ برای شناسایی موانع در مسیر خود استفاده میکنند و به سرعت مسیر خود را ترتیب میدهند.
می توان از آن برای حمل و نقل وسایل در بیمارستان ها، کارخانه ها، انبارها، مدیریت موجودی، تولید محصول و غیره استفاده کرد.
رباتهای Boston Dynamics وقتی انسانها را تحت فشار قرار میدهند به آنها پاسخ میدهند. آنها می توانند ماشین ظرفشویی را خالی کنند، می توانند هنگام سقوط از جای خود بلند شوند، و می توانند فعالیت های متنوع دیگری را انجام دهند.
6. بهداشت و درمان
پزشکان نمی توانند شبانه روز در کنار بیماران خود باشند، اما چیزی که همه ما تقریبا همیشه همراه خود داریم تلفن هایمان است.
یادگیری عمیق همچنین به فنآوریهای پزشکی اجازه میدهد تا دادههای تصاویر گرفته شده و دادههای حرکتی را تجزیه و تحلیل کنند تا نگرانیهای بالقوه سلامتی را کشف کنند.
برای مثال، برنامه بینایی کامپیوتری هوش مصنوعی از این داده ها برای پیروی از الگوهای حرکتی بیمار برای پیش بینی سقوط و همچنین تغییرات در وضعیت روانی استفاده می کند.
همچنین از یادگیری عمیق برای شناسایی سرطان پوست با استفاده از عکس ها و بسیاری موارد دیگر استفاده شده است.
7 پردازش زبان طبیعی
توسعه فناوری پردازش زبان طبیعی، رباتها را قادر میسازد تا ارتباطات را بخوانند و از آنها معنا بگیرند.
با این وجود، این رویکرد را میتوان بیش از حد سادهسازی کرد و روشهایی را که از طریق آن کلمات به هم میپیوندند تا بر معنا یا هدف یک عبارت تأثیر بگذارند، در نظر نگرفت.
یادگیری عمیق به پردازشگرهای زبان طبیعی کمک می کند تا الگوهای پیچیده تری را در عبارات تشخیص دهند و تفاسیر دقیق تری ارائه دهند.
8. بینایی کامپیوتر
یادگیری عمیق سعی می کند نحوه پردازش اطلاعات و تشخیص الگوها توسط ذهن انسان را تکرار کند، و آن را به روشی ایده آل برای آموزش برنامه های کاربردی هوش مصنوعی مبتنی بر بینایی تبدیل می کند.
این سیستمها میتوانند مجموعهای از عکسهای برچسبگذاری شده را متوالی بگیرند و یاد بگیرند که مواردی مانند هواپیما، چهره و سلاح را با استفاده از آن تشخیص دهند. مدل های یادگیری عمیق.
یادگیری عمیق در عمل
جدا از سرویس پخش موسیقی مورد علاقه شما که آهنگ هایی را که ممکن است دوست داشته باشید توصیه می کند، یادگیری عمیق چگونه زندگی افراد را تغییر می دهد؟
به نظر می رسد که یادگیری عمیق راه خود را به طیف گسترده ای از برنامه ها باز می کند. هرکسی که از فیس بوک استفاده می کند متوجه خواهد شد که وقتی تصاویر جدیدی را پست می کنید، سایت اجتماعی اغلب دوستان شما را می شناسد و تگ می کند.
یادگیری عمیق برای پردازش زبان طبیعی و تشخیص گفتار توسط دستیارهای دیجیتالی مانند سیری، کورتانا، الکسا و گوگل ناو استفاده می شود.
ترجمه بلادرنگ از طریق اسکایپ ارائه می شود. بسیاری از سرویس های ایمیل در توانایی خود برای شناسایی پیام های هرزنامه قبل از رسیدن به صندوق ورودی پیشرفت کرده اند.
پی پال از یادگیری عمیق برای جلوگیری از پرداخت های جعلی استفاده کرده است. به عنوان مثال، CamFind به شما امکان می دهد از هر شی عکس بگیرید و با استفاده از فناوری جستجوی بصری موبایل، تعیین کنید که چیست.
به طور خاص گوگل از یادگیری عمیق برای ارائه راه حل ها استفاده می کند. AlphaGo، یک برنامه کامپیوتری توسعه یافته توسط Google Deepmind، قهرمانان فعلی Go را شکست داده است.
WaveNet که توسط DeepMind توسعه یافته است، می تواند گفتاری را ایجاد کند که طبیعی تر از سیستم های گفتاری موجود فعلی باشد. برای ترجمه زبان های شفاهی و متنی، Google Translate از یادگیری عمیق و تشخیص تصویر استفاده می کند.
هر عکسی را می توان با استفاده از Google Planet شناسایی کرد. برای کمک به توسعه برنامه های کاربردی هوش مصنوعی، گوگل آن را ایجاد کرد یادگیری عمیق تنسورفلو پایگاه داده نرم افزار
آینده یادگیری عمیق
یادگیری عمیق یک موضوع اجتناب ناپذیر در هنگام بحث در مورد فناوری است. نیازی به گفتن نیست که یادگیری عمیق به یکی از حیاتی ترین عناصر تکنولوژی تبدیل شده است.
سازمانها قبلاً تنها کسانی بودند که به فناوریهایی مانند هوش مصنوعی، یادگیری عمیق، یادگیری ماشین و غیره علاقه داشتند. افراد نیز به این عنصر فناوری، به ویژه یادگیری عمیق علاقه مند می شوند.
یکی از دلایل بسیاری که یادگیری عمیق توجه زیادی را به خود جلب می کند، ظرفیت آن برای اجازه دادن به تصمیم گیری های مبتنی بر داده های بهتر و همچنین بهبود دقت پیش بینی است.
ابزارهای توسعه یادگیری عمیق، کتابخانهها و زبانها ممکن است در چند سال آینده به اجزای منظم هر جعبه ابزار توسعه نرمافزار تبدیل شوند.
این مجموعه ابزارهای فعلی راه را برای طراحی ساده، راه اندازی و آموزش مدل های جدید هموار می کند.
تغییر سبک، برچسب گذاری خودکار، خلق موسیقیو انجام کارهای دیگر با این مهارت ها بسیار ساده تر خواهد بود.
تقاضا برای کدگذاری سریع هرگز بیشتر از این نبوده است.
توسعه دهندگان یادگیری عمیق به طور فزاینده ای از محیط های توسعه یکپارچه، باز و مبتنی بر ابر استفاده خواهند کرد که در آینده امکان دسترسی به طیف گسترده ای از کتابخانه های الگوریتم غیرفعال و قابل اتصال را فراهم می کند.
یادگیری عمیق آینده بسیار روشنی دارد!
فایده الف شبکه های عصبی این است که در برخورد با مقادیر زیادی از داده های ناهمگن برتری دارد (به هر چیزی که مغز ما همیشه با آن دست و پنجه نرم می کند فکر کنید).
این امر به ویژه در عصر ما که سنسورهای هوشمند قدرتمندی داریم، که می توانند حجم عظیمی از داده ها را جمع آوری کنند، صادق است. سیستمهای رایانهای سنتی در تلاش برای غربال کردن، طبقهبندی و نتیجهگیری از دادههای بسیار هستند.
نتیجه
یادگیری عمیق قدرت بسیاری از راه حل های هوش مصنوعی (AI) که می تواند اتوماسیون و تحلیل را بهبود بخشد فرآیندهای.
اکثر افراد هنگام استفاده از اینترنت یا تلفن همراه خود روزانه با یادگیری عمیق در تماس هستند.
یادگیری عمیق برای تولید زیرنویس برای ویدیوهای YouTube استفاده می شود. تشخیص صدا را در تلفن ها و بلندگوهای هوشمند انجام دهید.
در میان بسیاری از کاربردهای دیگر، برای تصاویر شناسایی چهره بدهید و به خودروهای خودران اجازه دهید.
و همانطور که دانشمندان داده و دانشگاهیان به طور فزاینده ای با مشکلات پیچیده مقابله می کنند پروژه های یادگیری عمیق با استفاده از چارچوب های یادگیری عمیق، این نوع هوش مصنوعی به بخش مهمی از زندگی روزمره ما تبدیل خواهد شد.
پاسخ دهید