یادگیری عمیق چیست

یادگیری عمیق چیست؟ یادگیری عمیق یا یادگیری ژرف (Deep Learning) یکی از زیرشاخه‌های یادگیری ماشین و هوش مصنوعی است. مدل‌های یادگیری عمیق، بسیار قدرتمندند و به خصوص زمانی که داده‌ها پیچیده و حجیم هستند، عملکرد بهتری نسبت به الگوریتم‌های کلاسیک از خود نشان می‌دهند. در این پست می‌خواهیم در مورد این صحبت کنیم که دیپ لرنینگ چیست ، چه ویژگی‌هایی دارد و کاربردهای آن در دنیای واقعی چه هستند. بریم شروع کنیم…

تعریف یادگیری عمیق

یادگیری عمیق زیرشاخه‌ای از هوش مصنوعی و یادگیری ماشین است که در آن از شبکه‌های عصبی مصنوعی (با بیش از سه لایه) برای پیش‌بینی استفاده می‌شود. شبکه‌های عصبی عمیق با الهام‌گیری از مغز انسان ساخته شده‌اند و با دیدن نمونه‌های مختلف از داده یاد می‌گیرند چطور پیش‌بینی کنند.

مثلا، یک شبکه عصبی عمیق با دیدن 100 تصویر از سگ و گربه، یاد می‌گیرد که سگ و گربه چه شکلی هستند! حالا اگر یک تصویر جدید (غیر از 100 تصویری که اول به او نشان دادیم) به شبکه عصبی بدهیم، می‌تواند بگوید این سگ است یا گربه. ساده هست نه؟ ولی برای کامپیوترها خیلی هم ساده نیست!

در حقیقت، یادگیری عمیق همان حل مسائل با استفاده از شبکه عصبی یا Neural Network است. شاید مباحث ساده‌تر شبکه عصبی را در دانشگاه گذرانده باشید. اما در اینجا ما با شبکه های عصبی مدرن‌تر روبرو هستیم. تعداد زیاد و متنوعی از شبکه عصبی برای داده‌های مختلف داریم که کم‌کم باید با آنها آشنا شوید. ممکن است مثلا برای تصاویر، شبکه عصبی خاصی مثل شبکه عصبی کانولوشن مناسب باشد. اما برای حوزه دیگری مثل متن، شبکه عصبی بازگشتی مناسب باشد. این شبکه ها برای شما آشنا نیست؟ نگران نباشید، برای تک تک اینها در هوسم آموزش داریم. 😎 خلاصه اینکه، برای کارکردها و داده‌های مختلف، شبکه های عصبی متنوعی وجود دارد.

پس یادگیری عمیق یعنی کار با شبکه‌های عصبی

تفاوت یادگیری عمیق با یادگیری ماشین و هوش مصنوعی

وقتی درباره یادگیری عمیق صحبت می‌کنیم، باید بلافاصله به یادگیری ماشین و هوش مصنوعی نیز اشاره کنیم. به تصویر زیر نگاه کنید. یادگیری عمیق، زیرمجموعه‌ای از یادگیری ماشین است و همچنین یادگیری ماشین زیرمجموعه‌ای از هوش مصنوعی. پس به ترتیب از تعریف هوش مصنوعی شروع کنیم تا به یادگیری عمیق برسیم.

هوش مصنوعی، حوزه مادر

در هوش مصنوعی قرار است ما کاری کنیم که ماشین‌ها و کامپیوترها شبیه انسان رفتار کنند. یعنی سیستم‌هایی هوشمند طراحی کنیم که مثل یک انسان یاد بگیرند، تحلیل و آنالیز کنند و تصمیم بگیرند. به عنوان نمونه، یک خودروی خودران که قرار است رفتاری مشابه با انسان داشته باشد و مثل یک انسان رانندگی کند. یا رباتی که می‌تواند مجموعه وظایف تکراری و ساده کارگران یک کارخانه را انجام دهد.

یادگیری ماشین، محبوب‌ترین در حوزه هوش مصنوعی

یادگیری ماشین زیرمجموعه‌ای از هوش مصنوعی هست که بدون برنامه‌ریزی مستقیم و دستی قابلیت یادگیری به کامپیوترها می‌دهد. در پست یادگیری ماشین چیست، با جزئیات درباره یادگیری ماشین صحبت کرده‌ایم. اگر با یادگیری ماشین آشنا نیستید، بد نیست آن را مطالعه کنید و بعد این پست را ادامه بدهید. بسیارخب، به‌صورت مختصر درباره هوش‌مصنوعی و یادگیری ماشین حرف زدیم. حالا ببینیم یادگیری عمیق چیست

و حالا یادگیری عمیق، ته‌تغاری که مرکز توجه است!

یادگیری عمیق دقیقاً زیرمجموعه‌ای از یادگیری ماشین است. دقت داشته باشید که یادگیری ماشین در مقابل یادگیری عمیق قرار ندارد! بلکه باید اینطور در نظر بگیرید که یادگیری ماشین هزار سلاح دارد که یکی از آنها یادگیری عمیق است. در حقیقت می‌توان گفت جدیدترین و کشنده‌ترین سلاحش یادگیری عمیق است. از سلاح‌های دیگر یادگیری ماشین می‌توان SVM، KNN، Decision Tree، Random Forest و غیره اشاره کرد. خب اندکی با یادگیری عمیق و جایگاهش آشنا شدید. بیایید بیشتر و علمی‌تر درباره دیپ لرنینگ صحبت کنیم…

یادگیری عمیق از دید جفری هینتون

جف هینتون، یکی از شخصیت‌های برجسته در حوزه یادگیری عمیق است. حالا ببینیم از نظر ایشان تعریف یادگیری عمیق (Deep Learning) چیست :

بیایید نکته‌های تعریف یادگیری عمیق پروفسور هینتون را بررسی کنیم:

• ابتدا گفتند: ” یادگیری عمیق الگوریتمی است که از نظر تئوری هیچ محدودیتی در یادگیری آن وجود ندارد.” یعنی می‌توان روی کاغذ نشان داد، ماشین هیچ محدودیتی در یادگیری ندارد. چه بسا بتواند به اندازه انسان نیز یاد بگیرد، اما دقت کنید از نظر تئوری! شاید ما نتوانیم بصورت عملی آنرا اجرائی کنیم. روی کاغذ انسان می‌تواند با دستش یک چوب را بشکند، اما در عمل هرکسی نمی‌تواند!
• درادامه تعریف گفتند: “هر چه داده‌ها را بیشتر کنیم و زمان محاسبات را افزایش دهیم این الگوریتم بهتر کار خواهد کرد.” یعنی یادگیری عمیق به داده زیادی نیاز دارد. هرچه داده بیشتر باشد، عملکرد شبکه عصبی هم بهتر می‌شود. همچنین، منظور از افزایش زمان محاسبات، طولانی‌تر شدن فرآیند آموزش شبکه عصبی (Train) است؛ یعنی بیشتر آموزش ببیند. یا اینطور بگوییم که از سخت افزارهای قوی‌تری استفاده کنیم تا بتوانیم الگوریتم یادگیری عمیق را بیشتر Train کنیم.

در این تعریف، سه نکته مهم وجود داشت:

• یادگیری عمیق بدون محدودیت در یادگیری
• اهمیت داده
• اهمیت سخت‌افزار

بیایید درباره این سه موضوع در بخش‌های بعدی صحبت کنیم.

شبکه عصبی در لباس یادگیری عمیق

گفتیم که ما در یادگیری عمیق با شبکه عصبی کار می‌کنیم. همان شبکه عصبی که قبل از یادگیری عمیق نیز وجود داشت. اما الان با شبکه عصبیِ عمیق روبرو هستیم.

شبکه عصبی عمیق یعنی شبکه‌ای که تعداد پارامترهای یادگیری آن زیاد است. مثلا شبکه عصبی MLP زیر را درنظر بگیرید (در جلسات بعدی آموزش یادگیری عمیق رایگان به صورت کامل در مورد MLP صحبت شده است).

هرچه این لایه‌های قرمز رنگ را بیشتر کنیم، پارامترهای یادگیری شبکه عصبی ما نیز بیشتر می‌شود. در نتیجه قابلیت یادگیری شبکه نیز بیشتر می‌شود. پس منظور از شبکه عصبی عمیق، همان شبکه عصبی با تعداد لایه‌های زیاد است. وقتی تعداد لایه‌ها را زیاد می‌کنیم، یعنی عمق شبکه را زیاد کرده‌ایم.

از لحاظ تئوری یادگیری عمیق محدودیتی ندارد، چون هر چقدر بخواهیم می‌توانیم این لایه‌ها را افزایش دهیم. روی کاغذ هرچقدر تعداد لایه‌ها و نورون‌ها را افزایش دهیم، قابلیت یادگیری هم بیشتر می‌شود.

داده یا دیتاست در یادگیری عمیق

منظور از دیتاست، مجموعه داده‌هایی هست که برای آموزش و ارزیابی شبکه عصبی یا مدل یادگیری ماشین استفاده می‌شود. ما اکنون دیتاست‌های میلیونی داریم. این دیتاست‌های میلیونی فقط و فقط به واسطه یادگیری عمیق شکل گرفته‌اند. قبل از یادگیری عمیق دیتاست‌ها بسیار کوچک بودند. اما اکنون دیتاستی به نام ImageNet داریم که حدود 15 میلیون تصویر و 22 هزار کلاس دارد. در حقیقت ایمیج‌نت یک مسابقه سالانه در حوزه دسته‌بندی تصاویر در بینایی کامپیوتر بود که دانشگاه‌ها و شرکت‌های مختلف در آن شرکت می‌کردند. راستی، دیتاست 15 میلیونی ایمیج‌نت که چیزی نیست، امروزه ما دیتاست‌های 200 میلیونی نیز داریم (که البته برای شرکت‌های بزرگی مثل گوگل است). 😱

نقش سخت افزار در یادگیری عمیق چیست ؟

طبیعی است این حجم از داده را برای آموزش شبکه عصبی می‌خواهیم. اما حجم محاسبات بسیار بالاست و درنتیجه به سخت افزارهای بسیار قوی نیاز داریم.

چرا حجم محاسبات بالاست؟ ساده است! دیتاست‌های بزرگ و از طرفی شبکه‌های عصبی بزرگ… برای همین بسوی سخت افزارهایی مثل GPU از شرکت NVIDIA رفته‌ایم. GPU-ها شرایطی را برای ما فراهم کردند که بتوانیم پردازش‌ها را با سرعت بسیار بالایی انجام دهیم. دو فاکتور رم GPU (VRAM) و هسته پردازشی (Coda Core) در یادگیری عمیق بسیار مهم است. به‌عنوان مثال، شبکه الکس‌نت در سال 2012 از دو GPU GTX 580 استفاده کرده بود که 3 گیگ رم (یا VRAM) و 500 عدد CUDA Core (هسته پردازشی) داشت. خب 3 گیگ رم کم هست، الان GPU-هایی با 32 گیگ رم داریم! 😋 امروزه GPU-ها خیلی قوی شدند. البته، قیمت GPU-های 32 گیگابایتی بسیار بالاست، اما می‌توان با وام GPU-های با 8 گیگ رم خرید! 😅

علاوه بر قدرت GPU-ها، ما می‌توانیم چندین GPU را موازی کنیم. یعنی می‌توانیم برای پروژه‌ای مثلاً 8 عدد GPU را با موازی‌سازی همزمان استفاده کنیم. امروزه، شرکت‌های بزرگ بعضی پروژه‌هایشان را روی 500 یا 1000 GPU حتی بیشتر آموزش می‌دهند!

پس 2 فاکتور مهم در یادگیری عمیق، داده و سخت افزار است. بهتر است بگوییم…

یادگیری عمیق گشنه داده و تشنه سخت افزار است. 🤪

تا اینجا درباره اینکه ” یادگیری عمیق چیست ” صحبت کردیم. حالا می‌خواهیم یک سوال مهم دیگر مطرح کنیم: چرا یادگیری عمیق قدرت بیشتری نسبت به سایر روش‌های یادگیری ماشین دارد؟ جواب کوتاه این است: استخراج ویژگی خودکار! درادامه، این مفهوم را بیشتر توضیح داده‌ایم.

دیپ لرنینگ و اهمیت استخراج ویژگی

فرض کنید ما یک دیتاست دوکلاسه داریم؛ این دیتاست شامل تصاویری از ساحل و جنگل هست. می‌خواهیم وقتی به عنوان ورودی به مدل یادگیری ماشین تصویری از ساحل/جنگل داریم، در خروجی بگوید ساحل/جنگل است. می‌خواهیم این دسته‌بندی را با با دو تکنیک انجام دهیم:

• با یکی از روش‌های یادگیری ماشین (مثلا SVM)
• با یادگیری عمیق

روش یادگیری ماشین SVM

مدل‌های یادگیری ماشین مانند ماشین بردار پشتیبان یا همان SVM نهایتاً کار تصمیم‌گیری (دسته بندی یا رگرسیون) را انجام می‌دهند. ولی ما یک مرحله “استخراج ویژگی” هم باید داشته باشیم که از درون این تصاویر ویژگی استخراج کند. وقتی از مدل یادگیری ماشین (غیر از یادگیری عمیق) استفاده می‌کنیم، “استخراج ویژگی” به‌صورت “دستی” انجام می‌شود.

به “لوگو” در شکل زیر توجه کنید که یک آدم درونش هست، در واقع می‌خواهیم اشاره کنیم که این “استخراج ویژگی” به‌صورت دستی یا hand crafted انجام می‌شود. یعنی مثلا مهندس پردازش تصویر می‌گوید: در تصاویر ساحل، اصولاً رنگ آبی هست و در تصاویر جنگل معمولاً رنگ سبز وجود دارد. حالا اگر هیستوگرام این تصاویر را استخراج کنیم و بعد با همدیگر مقایسه کنیم، احتمالا به نتیجه می‌رسیم. بنابراین سراغ الگوریتم هیستوگرام می‌رود و از آن برای استخراج ویژگی استفاده می‌کند. اگر نمی‌دانید هیستوگرام چیست، مهم نیست! فقط بدانید که هیستوگرام تصویر، یک بردار است که توزیع رنگ در تصویر را به ما نشان می‌دهد. بعد از هیستوگرام، این بردار ویژگی در اختیار یک “دسته‌بند” مانند SVM یا رگرسیون لجستیک قرار می‌گیرد.

خب در این روش، ما به عنوان مهندس، نقش مهمی داریم. چون باید از دل آن تصاویر ویژگی‌های مهم استخراج کنیم. این ما هستیم که باید دانش و تجربه کافی داشته باشیم که تشخیص دهیم برای این مساله، هیستوگرام تصویر الگوریتم مناسبی است. اما از آنجایی که ما دخالت می‌کنیم (یعنی دانش و مهارت انسانی درگیر است)، ممکن است نتیجه کار ضعیف یا قوی باشد. یعنی تجربه و تخصص انسان در استخراج ویژگی بسیار نقش دارد. پس روش کلاسیک اینگونه شد:

استخراج ویژگی دستی از داده ورودی و سپس تصمیم‌گیری با مدل یادگیری ماشین کلاسیک

استخراج ویژگی خودکار با یادگیری عمیق

اما در یادگیری عمیق “استخراج ویژگی” به‌صورت “اتوماتیک” انجام می‌شود. یعنی همان شبکه عصبی که ساخته بودیم (شکل 3)، همان لایه‌های قرمز رنگ نقش استخراج ویژگی را دارند. یعنی تصویر را به شبکه می‌دهیم و لایه‌های قرمز رنگ از درون این تصویر ویژگی‌های مهمی استخراج می‌کنند. سپس، این ویژگی‌های استخراج شده در اختیار یک “دسته‌بند” قرار می‌گیرد.

بنابراین تفاوت یادگیری عمیق با دیگر روش‌های یادگیری ماشین این است که “استخراج ویژگی” به‌صورت “اتوماتیک” انجام می‌شود. این استخراج ویژگی خودکار بسیار بسیار ارزشمند است و باعث انقلابی در حوزه هوش مصنوعی شده است.

توجه قرار نیست تمام مسائل را با استفاده از یادگیری عمیق حل کنیم. بعضی مسائل خیلی ساده‌اند! مثلا، همین دسته‌بندی تصاویر ساحل و جنگل را با یک استخراج ویژگی دستی می‌توان به نتایج خوبی رسید. دیگر نیازی نیست کلی زحمت بکشیم شبکه عصبی طراحی کنیم. سپس ترین کنیم و کلی سخت افزار و داده استفاده کنیم. یادگیری عمیق را بگذاریم برای مسائل سخت‌تر! بنابراین ما باید یادگیری عمیق را شبیه یک ابزار مدرن ببینیم. ولی بدانیم دیگر ابزارهای موجود در یادگیری ماشین و رشته‌های مرتبط با آن مثل پردازش صوت، پردازش تصویر و پردازش متن نیز کاربرد خودشان را دارند. آنها یک ابزارند و یادگیری عمیق هم یک ابزار.

باید یاد بگیریم از هر ابزاری در جای درست استفاده کنیم.

استخراج ویژگی سلسله مراتبی

در یادگیری عمیق، استخراج ویژگی سلسله مراتبی داریم. با یک مثال این موضوع را توضیح می‌دهم. تصور کنید از شما خواسته‌ایم چهره یک انسان را بکشید.

اما برایتان یکسری محدودیت گذاشته‌ایم. مثلا گفتیم فقط باید از خطوط زیر برای کشیدن استفاده کنید. یعنی نمی‌توانید منحنی بکشید و باید از این خطوط استفاده کنید. می‌توانید طول خط مورب را کم یا زیاد کنید، ولی نمی‌توانید از منحنی استفاده کنید. علاوه بر تغییر اندازه خطوط می‌توانید این خطوط را دوبه دو به هم وصل کنید، ولی سه خط را به هیچ وجه نمی‌توانید به هم متصل کنید.

محدودیت‌ها زیاد شد! حالا اگر بخواهید با این شرایط چهره انسان را بکشید چه کار می‌کنید؟ یک راه این است که از این خطوط ساده یک سری اشکال نسبتاً پیچیده بسازیم. سپس با اشکال نسبتاً پیچیده اشکال کاملاً پیچیده بسازیم. یعنی مرحله به مرحله شکل را پیچیده‌تر کنیم و جلو برویم تا اینکه به چهره برسیم.

مثلا دو خط مورب را به هم می‌چسبانیم و یک “هشت” می‌سازیم. مثلا این “هشت” پلک بالایی است. به روشی مشابه “هفت” می‌سازیم که معادل پلک پایین است. ولی نمی‌توانیم دراین مرحله “هشت” را به “هفت” وصل کنیم. چون نهایتا اجازه دو اتصال متوالی داریم. همین فرآیند را برای بینی، عنبیه، ابرو و همه اجزای چهره می‌توانیم انجام دهیم. خب تا اینجا چه بدست آوردیم؟

یکسری اشکال ساختیم که قطعا پیچیده‌تر از اشکال اولیه (شکل 8) هستند. می‌توانیم ادامه دهیم! چگونه؟ حالا این شکل‌های نسبتا پیچیده را به هم وصل کنیم. فکر کنید، “هفت” و “هشت” را به هم وصل کنیم. یک چشم ساخته می‌شود، نه؟ در حقیقت با استفاده از یکسری خطوط ساده، موجودات نسبتاً پیچیده ساختیم.

باید این فرآیند را مدام ادامه دهیم و هربار اشکال پیچیده‌تری بسازیم. درنهایت، از ترکیب همه آنها چهره زیبای زیر ساخته می‌شود!

این فرایند یعنی سلسله مراتبی… حرکت با یکسری خط ساده و ترکیب آنها و درنهایت ساختن یک شکل پیچیده! می‌توانیم خطوط اولیه را ویژگی سطح پایین بدانیم. اشکال وسطی را ویژگی سطح متوسط و شکل پیچیده نهایی را ویژگی سطح بالا بنامیم.

شبکه عصبی عمیق استادِ ساختن ویژگی‌های سطح پایین، سطح متوسط و سطح بالا هست. یعنی تمام این ویژگی‌ها را در طول لایه‌های مخفی (لایه‌های قرمز در شکل 3) می‌سازد. این ویژگی‌ها به‌قدری غنی هستند که دسته‌بندی با دقت بسیار بالایی انجام می‌شود. بهتر بگویم تصمیم‌گیری یا پیش‌بینی با دقت بسیار بالایی انجام می‌شود.

کاربردهای یادگیری عمیق در دنیای واقعی چیست

امروزه با پیشرفت یادگیری عمیق و هوش مصنوعی، پیشرفت‌های چشمگیری در همه حوزه‌ها اتفاق افتاده است. همه در تلاش هستند که هوش مصنوعی را وارد حوزه کاری خود کنند و از رقبای خود عقب نمانند. در این بخش می‌خواهیم تعدادی از کاربردهای یادگیری عمیق در دنیای امروز را معرفی کنیم.

دستیار صوتی هوشمند

دستیارهای صوتی هوشمند به ابزارهایی گفته می‌شوند که دستورهایی به صورت صوت دریافت می‌کنند و متناسب با آن دستور، یک وظیفه‌ای را انجام می‌دهند. یعنی شما به آن دستور می‌دهید و او اطاعت می‌کند. مثلا از او سوال می‌کنید « فردا هوا چطوره؟ برای کوهنوردی مناسبه؟ » و او جواب میده « نه! فردا هوا ابری هست و احتمال برخورد صاعقه وجود داره. » یا مثلا به او می‌گویید « فلان آهنگ رو برام پخش کن! » و او آن کار را انجام می‌دهد.

خب تا اینجا احتمالا یکسری اسم‌ها در ذهن شما مرور می‌شود. Alexa (آمازون)، Siri (اپل)، Cortana (ویندوز)، Google Assistant معروف‌ترین دستیارهای صوتی هستند. اگر شما دستیار صوتی دیگری می‌شناسید که اینجا آورده نشده، اسمش را برایمان کامنت کنید. یادگیری عمیق می‌تواند داده‌های بزرگ را در زمان کم پردازش کرده و بهترین تصمیم را بگیرد. از این رو نقش مهمی در دستیارهای صوتی ایفا می‌کند.

اتومبیل خودران

شاید تا همین چند سال پیش اتومبیلی که خودش رانندگی کند رویایی بیش نبود. اما امروزه این رویا به لطف پیشرفت هوش مصنوعی، یادگیری عمیق و بینایی کامپیوتر به حقیقت تبدیل شده است. در این نوع خودروها معمولا از رادار، لیدار یا دوربین برای تعیین وضعیت خودرو و مشخص کردن دستورها استفاده می‌شود.

یکی از شناخته‌شده‌ترین شرکت‌های تولید اتومبیل خودران، شرکت Tesla است. اتومبیل‌های تسلا، 8 دوربین در خارج از خودرو دارند که تصاویر محیط بیرون را ثبت می‌کنند. سپس تصاویر ثبت شده از این دوربین‌ها به یک سیستم پردازشی قوی منتقل می‌شود تا تصمیم‌گیری انجام شود. البته هنوز این خودروها نیاز به یک راننده دارند که فقط دستش روی فرمان باشد. شرکت‌هایی مثل Tesla، Waymo، AtoX و … در زمینه تولید اتومبیل‌های خودران فعالیت می‌کنند.

البته هنوز خیلی راه مانده تا چنین خودروهایی در سراسر دنیا فراگیر شوند. شاید تا آن موقع خودروهای پرنده هم اختراع شدند 😅. امیدوارم در دوران حیات خود روزی را ببینم که در کوچه و خیابان به جای راننده‌های عصبانی و دستپاچه، خودروهای خودران با آرامش در حال تردد هستند!

پزشکی

یادگیری عمیق در حوزه پزشکی نیز درحال رقم زدن اتفاق‌های خوبی است. الگوریتم‌های یادگیری عمیق به شکل‌های مختلفی در پزشکی قابل استفاده هستند. یکی از کاربردها در آنالیز تصاویر پزشکی است. ابزارهایی بر مبنای الگوریتم‌های یادگیری عمیق ساخته شده‌اند که می‌توانند به پزشکان و رادیولوژیست‌ها در تشخیص بیماری‌ها کمک کنند. وجود چنین ابزارهایی می‌تواند به کم شدن حجم کار پزشکان، کاهش اشتباهات پزشکی و همچنین افزایش سرعت تشخیص بیماری‌ها، کمک شایانی کند.

یک کاربرد دیگر الگوریتم‌های یادگیری عمیق، تشخیص یا پیش‌بینی ابتلا به بیماری با آنالیز داده‌های پزشکیِ ثبت‌شده است. این الگوریتم‌ها می‌توانند الگوها را شناسایی کرده و احتمال ایجاد یک شرایط خاص را پیش‌بینی کنند. به این صورت، امکان پیشگیری و درمان بیماری‌ها در استیج اولیه‌شان فراهم می‌شود.

استفاده از الگوریتم‌های یادگیری عمیق در گجت‌های پوشیدنی نیز بسیار هیجان‌انگیز و مفید است. ساعت‌های هوشمند که امروزه بسیار رواج پیدا کرده‌اند می‌توانند نمونه‌ای از این کاربرد باشند. این ساعت‌ها می‌توانند به صورت مداوم بر سلامت فرد نظارت داشته باشند و ناهنجاری‌ها را تشخیص دهند.

کاربرد یادگیری عمیق در پزشکی بیشتر از این حرف‌ها هست و می‌تواند باشد. یک مورد را که در این پست آورده نشده، شما در کامنت بنویسید.

نقش یادگیری عمیق در صنعت دارو چیست ؟

شاید برایتان جالب باشد که برای توسعه یک دارو، به صورت معمول، 10 تا 15 سال زمان نیاز است! زمان زیادی است نه؟ فکر کنید در فاصله یک هفته برای کرونا یک دارو یا واکسن ساخته می‌شد. چه جان‌ها که نجات داده میشد نه؟ یا همین بیماری‌های صعب‌العلاج یا لاعلاج. کشف دارو برای چنین بیماری‌هایی جان میلیون‌ها نفر را نجات خواهد داد.

کشف دارو پرهزینه، غیربهینه و پر از شکست است. حدودا 86 درصد از کاندیدهای دارویی که بین سال‌های 2000 تا 2015 ایجاد شده‌اند، به نقطه هدف خود نرسیدند! [منبع] هوش مصنوعی می‌تواند پروسه کشف دارو را سریع و بهتر کند.

یادگیری عمیق (Deep Learning) در هنر

امروزه هوش مصنوعی به طور گسترده‌ای وارد دنیای هنر شده است و در زمینه‌های مختلفی مانند تولید و تغییر سبک تصاویر، خلق موسیقی، و حتی نگارش متون ادبی نقش‌آفرینی می‌کند. شبکه‌های عصبی عمیق به هنرمندان این امکان را می‌دهند تا مرزهای خلاقیت خود را گسترش دهند. با این حال، ورود هوش مصنوعی به عرصه هنر با انتقاداتی نیز همراه بوده است. برخی بر این باورند که این تکنولوژی، خلاقیت انسانی را تحت‌الشعاع قرار می‌دهد. بعضی دیگر نگران مشکلات مرتبط با حقوق مالکیت معنوی آثار هستند. عده‌ای نیز معتقدند که استفاده گسترده از هوش مصنوعی در خلق آثار، ممکن است به کاهش ارزش اقتصادی هنر منجر شود.

با این وجود، نمی‌توان انکار کرد که هوش مصنوعی به بخش جدایی‌ناپذیری از زندگی روزمره ما تبدیل شده است. امروزه بسیاری از افراد از ابزارهایی مانند DALL-E و MidJourney برای تولید تصاویر استفاده می‌کنند و نرم‌افزارهای محبوبی مانند Photoshop و Illustrator نیز از قابلیت‌های هوش مصنوعی بهره می‌برند. حتی وب‌سایت‌هایی مثل Soundraw امکان ساخت موسیقی با کمک هوش مصنوعی را فراهم کرده‌اند.

در نهایت، یادگیری عمیق به عنوان یک ابزار نوآورانه به هنرمندان و طراحان کمک می‌کند تا آثار پیچیده و خلاقانه‌تری خلق کنند.

فریمورک‌های محبوب یادگیری عمیق در پایتون

امروزه فریمورک‌هایی ساخته شده‌اند که ساخت و آموزش مدل‌های یادگیری عمیق را بسیار ساده کرده‌اند. شما با استفاده از این فریمورک‌ها می‌توانید از لایه‌های مختلف شبکه عصبی گرفته تا مدل‌های پیچیده و دیتاست‌های محبوب را با یک خط کد پیاده‌سازی کنید. بدون اینکه نیاز باشد از صفر کدنویسی انجام داده و یا نگران بهینه بودن یا نبودن کدهای خود باشید. این ویژگی‌ها به محققان و توسعه‌دهندگان اجازه می‌دهد که به جای تمرکز روی پیاده‌سازی از صفر، روی معماری مدل‌ها و متدها تمرکز کنند.

سه فریمورک محبوب یادگیری عمیق عبارتند از پایتورچ (PyTorch)، تنسورفلو (TensorFlow) و کراس (Keras). پایتورچ را فیسبوک و کراس و تنسورفلو را گوگل ارائه کرده است. هرکدام از این فریمورک‌ها ویژگی‌های منحصر به فرد و طرفداران خاص خود را دارند. ما در پست مقایسه تنسورفلو و پایتورچ این دو فریمورک را از لحاظ آماری مقایسه کرده‌ایم.

اما ضرورت تسلط بر فریمورک‌های یادگیری عمیق چیست؟ برای کار در حوزه یادگیری عمیق و هوش‌مصنوعی، تسلط بر حداقل یکی از این فریمورک‌ها ضروری است. تسلط بر این فریمورک‌ها، باعث می‌شود که بتوانید مدل‌های پیچیده یادگیری عمیق را در یک بازه زمانی محدود پیاده‌سازی کنید. قطعا شما برای پیش بردن پروژه‌های آکادمیک یا ورود به دنیای کار و انجام پروژه‌های تجاری به مهارت در این فریمرک‌ها نیاز خواهید داشت.

اگر علاقمند هستید به پایتورچ که یکی از محبوب‌ترین فریمورک‌های یادگیری عمیق است مسلط شوید، دوره آموزش پایتورچ رایگان هوسم را از دست ندهید. این دوره شامل 13 ساعت آموزش پایتورچ اصولی است که می‌توانید رایگان به آن دسترسی داشته باشید.

آموزش پایتورچ رایگان

دریافت pdf پست یادگیری عمیق چیست

تمامی مطالب پست یادگیری عمیق چیست را در یک فایل pdf جمع‌آوری کردیم و برای استفاده شما قرار دادیم. با وارد کردن ایمیل خود در باکس پایین، می‌توانید این فایل pdf تمیز و جمع و جور را دانلود کنید.

اگر دوست دارید برای آموزش‌های دیگر هم پی‌دی‌اف داشته باشید، در کامنت اعلام کنید.😊

جمع‌بندی

در این پست به معرفی یادگیری عمیق پرداختیم. اینکه یادگیری عمیق چیست و چه تفاوتی با هوش مصنوعی و یادگیری ماشین دارد. تعریف یادگیری عمیق از نظر پروفسور هینتون را موشکافی کردیم. دیدیم اهمیت داده و سخت افزار در یادگیری عمیق چیست. تفاوت یادگیری عمیق را با یک مدل کلاسیک یادگیری ماشین مثل svm بررسی کردیم. در نهایت هم نحوه استخراج ویژگی سلسله مراتبی را توضیح دادیم. امیدواریم این پست مورد توجه شما قرار گرفته باشد. با کامنت کردن نظر خودتان، از هوسم حمایت کنید 🙏😊