“deep learning” چیست؟

هر کجا که در مورد یادگیری عمیق یا deep learning جستجو کنید برای شما یک تعریف مشخص نمایان می‌شود و آن اینکه:

deep learning یا یادگیری عمیق زیر مجموعه‌ای از یادگیری ماشین در حوزه هوش مصنوعی به حساب می‌آید. این سه مانند سه واگن قطار به یکدیگر مرتبط هستند و به ترتیب پشت سر هم قرار می‌گیرند. برای درک ترکیب ِاین قرارگیری می‌توانید به تصویر زیر نگاهی بیندازید:

deep learning چیست و چرا وجود دارد؟

صحبت در مورد deep learning که در واقع هسته‌ی مرکزی دو مفهوم یاد شده‌ی دیگر را تشکیل میدهد، نیازمند ارجاع و تعریفی درباره‌ی هوش مصنوعی و یادگیری ماشین یا ماشین لرنینگ است. برای همین، ابتدا به بررسی سراغ تعریف ِکوتاهی از آنها می‌رویم:

هوش مصنوعی: که به اختصار در زبان انگلیسی به عنوان AI (Artificial Intelligence) شناخته می‌شود، سامانه‌ها یا سیستم‌هایی هستند که عملکردی شبیه به رفتار انسان دارند. مثلا اینکه در حال حاضر استدلال‌ها و شیوه‌ی تفکر انسان را شبیه سازی می‌کنند.
یادگیری ماشین یا ماشین لرنینگ یکی از زیر شاخه‌های هوش مصنوعی به شمار می‌آید و به این سیستم‌ها – که در تعریف هوش مصنوعی از آنها یاد کردیم – این اجازه را می‌دهد تا درک داده‌ها و فهم معانی برای ارائه کردن برنامه‌های کاربردی ِهوش مصنوعی ممکن شود. به عبارت دیگر فرض اولیه یادگیری ماشین، ساختن الگوریتم‌هایی است که داده‌های ورودی را دریافت کرده و از آنالیز آماری برای پیش‌ بینی خروجی استفاده می‌کنند. سپس مدل ساخته شده و داده‌های جدید جهت پیش بینی خروجی به مدل داده می شود.
یادگیری عمیق یا deep learning: زیر مجموعه یادگیری ماشین است که هدف از به وجود آمدن ِآن توانمند سازی ماشین‌ها و سیستم‌های هوش مصنوعی برای حل مسائل پیچیده و دشوار است. این بخش از شبکه های عصبی عمیق استفاده می کند.

deep learning چگونه کار می‌کند؟

برنامه‌های کامپیوتری و سیستم‌های هوشمند که در حال استفاده از یادگیری عمیق هستند این امکان را دارند تا مانند یک کودک خردسال، از پسِ شناسایی و درک بسیاری مسائل برآیند. بنابراین در اینجا هدف شناسایی کامل مغز است تا بتوانیم به ماشین‌ها و سیستم‌ها این سیستم را منتقل کنیم تا بتوانند مانند ذهن انسان عمل کنند.

البته منظور از «رفتار شبیه به یک انسان و شبیه سازی مغز» به صورت کامل نیست! بلکه منظور صرفا یک تقلید انتزاعی از شبکه‌های مغز و عملکرد ِآن می‌باشد. هدف از انجام این کار این است که:

استفاده از الگوریتم‌ها جهت یادگیری – در مبحث یادگیری ماشین – ساده و آسان تر شود.
در دو حوزه‌ی هوش مصنوعی و یادگیری ماشین پیشرفت‌های چشمگیر حاصل شود.

به صورت تخصصی هر الگوریتم باید یک تبدیل غیر خطی در ورودی خود ایجاد نماید و در خروجی به یک مدل آماری ایجاد کند که نشان دهنده‌‌ی تمام ِ مواردی است که آموخته است. این کار تا مرحله‌ای پیش خواهد رفت تا در خروجی به level قابل قبول از یادگیری برسد.

شبکه‌های عصبی با لایه‌های زیاد (عمیق) گفته شده در یادگیری عمیق به خاطر بالارفتن حجم داده ها و افزایش مدت زمان تعلیم استفاده می شود.

روش‌های ساخت مدل‌های deep learning

برای یادگیری و دسته بندی معمولا از دو روش در deep learning استفاده می‌شود:

یادگیری از صفر: برای ارائه اطلاعات در این روش به مجموعه ای از داده‌های کلاس بندی شده و شبکه عصبی نیاز داریم تا تعلیم از صفر شروع شود. این روش برای برنامه‌های جدید و دارای خروجی بالا انتخاب مناسبی به شمار می‌آید.
یادگیری انتقالی: در این حالت مدل از قبل تعلیم دیده است و شبکه عصبی آماده است. تغییرات روی شبکه عصبی اعمال می‌شود و در نهایت قابلیت استفاده از آن برای اجرای دستور‌ها وجود دارد. نیاز به داده‌های ورودی در این روش – در مقایسه با یادگیری از صفر – تعداد داده‌های کمتری مورد نیاز است. بدیهی است که کاربردها باید مشابه باشند تا بتوان از آن شبکه از پیش تعلیم شده استفاده کرد.

سطح کاربردی ِ deep learning در جهان امروز

در صنایع مختلف از deep learning به طور گسترده‌ای استفاده می‌شود. از جمله آنها – یکی از معروف ترین و شناخته شده ترینِ آنها – می‌توان به ایجاد خودروهایی اشاره کرد که به طور خودکار و خودران عمل می‌کنند، می‌توانند اعلانات، تابلو‌ها و چراغ‌ها را تشخیص دهند، موانع را شناسایی کنند و به طور کلی مانند یک انسان، ماشین را برانند. به جز این مورد، استفاده گسترده‌ی یادگیری عمیق در دنیای پزشکی را نمی‌توان دست کم گرفت. یکی از مهم ترین ِآنها تشخیص به موقع ِسلول‌های سرطانی و نجات جان بیماران است.

اگر کمی از این دو کاربرد فاصله بگیریم می‌توان کاربرد deep learning را در ترجمه، تشخیص چهره، تشخیص اشیا، دستیار‌های مجازی جهت برقراری ارتباط با انسان‌ها، چت بات‌ها – جهت داشتن پشتیبانی ِآنلاین کاربران – برای بسیاری از شرکت‌ها و کسب و کارها، در صنعت عکاسی و تبدیل عکس‌های سیاه و سفید به تصاویر رنگی و غیره اشاره کرد.