یادگیری عمیق

خدمات ما

یادگیری عمیق

Deep Learning

یادگیری عمیق Deep Learning-DL زیرشاخهای از یادگیری ماشین Machine Learning-ML است که آن هم زیرشاخهای از هوش مصنوعی Artificial Intelligence-AI میباشد. این نوع از یادگیری "عمیق" خوانده میشود چرا که از شبکههای عصبی عمیق Deep Neural Networks-DNN برای پردازش داده و انجام تصمیمگیری استفاده میکند. الگوریتمهای یادگیری عمیق در تلاشند تا با تجزیه و تحلیل مداوم داده در ساختار منطقی مشخص نتایجی مشابه با انسان به دست آورند.

در واقع یادگیری عمیق یکی از تکنیکهای یادگیری ماشین است که کامپیوترها را قادر میسازد تا از تجربیات و دادههای گذشته یاد بگیرند و جهان را به صورت سلسله مراتبی از مفاهیم درک کنند. جنبه کلیدی یادگیری عمیق این است که این لایههای مفاهیم ماشینها را قادر میسازد تا مفاهیم پیچیده را با کمک ساختن مفاهیم سادهتر یاد بگیرند. اگر نموداری رسم کنیم که نشان دهد چگونه این مفاهیم بر روی یکدیگر قرار گرفته و ساخته میشوند نموداری عمیق با لایههای بسیار خواهیم داشت. از این رو نیز واژه عمیق در این نوع از یادگیری جای گرفتهاست.

به عنوان هسته مرکزی این روش، یادگیری عمیق از یک ساختار ریاضی با نام "شبکه عصبی" که از ساختار مغز انسان الهام گرفته شدهاست استفاده میکند. شبکه عصبی از لایههایی از نودها -نورونها neurons- تشکیل شدهاست که هر لایه به لایههای دیگر متصل است. اولین لایه input layer داده ورودی را دریافت کرده و لایه آخر output layer نیز خروجی مورد نظر را تولید میکند. لایههای بین دو لایه ورودی و خروجی لایههای مخفی hidden layers نامیده میشوند و لایههایی هستند که پردازش و نیز یادگیری در آنها اتفاق میافتد.

یادگیری عمیق چگونه کار میکند؟

یادگیری عمیق شامل دادن حجم بالایی از داده به یک کامپیوتر است که از اطلاعات آنها برای تصمیمگیری در مورد سایر دادهها استفاده میکند. همانطور که قبلا نیز اشاره شد در واقع این دادهها از طریق شبکههای عصبی به کامپیوتر –ماشین- داده میشوند. این شبکههای عصبی شامل تعدادی لایه مخفی هستند که داده توسط این لایهها پردازش شده و ماشین را قادر میسازد تا در یادگیری از دادهها عمیقتر شده، ارتباطات معناداری بین لایههای ساختار شبکه عصبی ایجاد کرده و این ارتباطات را به صورت بهینه و مناسبی وزندهی کند.

فرآیند آموزش یک مدل یادگیری عمیق شامل دادن داده ورودی به شبکه و اجازه دادن به آن برای تولید خروجی است. در ابتدای کار خروجیهای تولید شده توسط شبکه مطلوب نیستند اما زیبایی شبکههای عصبی در این است که میتوانند آموزش ببینند. این آموزش از طریق فرایندی به نام پس انتشار back propagation صورت میگیرد که در آن شبکه عصبی پارامترهای خود را بر اساس خطایی که در خروجی تولید شدهاش وجود دارد اصلاح و بهینه میکند. این شبکه از هر خروجی اشتباهی که تولید میکند درس میگیرد که مشابه درس گرفتن انسان از اشتباهات خود است.