تا %60 تخفیف خرید برای 2 نفر با صدور مدرک فقط تا
00 00 00
در توسینسو تدریس کنید

دوره آموزشی یادگیری عمیق |‌ Deep Learning قسمت ۲ : مفاهیم اولیه

مقدمه


در این قسمت سعی داریم تا نگاهی به مفاهیم اولیه Deep Learning یا همان یادگیری عمیق داشته باشیم در این جلسه مفاهیمی همچون Machine Learning , Deep Learning , Supervised Learning , Unsupervised Learning و ... را بررسی خواهیم کرد و همچنین نگاهی اولیه به ساختار شبکه های عصبی خواهیم داشت.

Machine Learning چیست ؟


یادگیری ماشین یا همان Machine Learning در واقع یکی از زیر مجموعه های هوش مصنوعی یا همان AI (Artificial Intelligence) است پس بهتر است ابتدا با مفهوم واژه هوش مصنوعی آشنا شویم به طور کلی هوش مصنوعی به معنای هرگونه کپی برداری از رفتار های موجودات هوشمند و اعمال آن بر روی ماشین است که با استفاده از آن می توان یک سری مشکلات خاص را حل نمود.

 

نکته:‌ منظور از ماشین درواقع هر آن چیزی است که قابل برنامه نویسی باشد مانند کامپیوتر یا ربات ها یا گوشی های هوشمند و ....

 

حال بیایید به تعریف Machine Learning که معروف ترین زیر شاخه هوش مصنوعی است پردازیم. Machine Learning در واقع به معنی تعلیم دادن ماشین است این تعلیم دادن به منظور حل مشکلاتی همچون ترجمه متن یا طبقه بندی عکس ها یا تبدیل صدا به متن و ... انجام می شود. به این شاخه که با دریافت اطلاعاتی مشخص در زمینه یک مشکل شروع به پیدا کردن رابطه میان آن اطلاعات می کند Machine Learning می گویند.

 

این زیر شاخه خود به شاخه های متعددی تقسیم می شود که در ادامه به توضیح آن ها می پردازیم اما به صورت تیتر وار می توان آن ها را به صورت زیر نوشت.

  1. Supervised Learning
  2. Unsupervised Learning
  3. Semi-Supervised Learning
  4. Reinforcement Learning
  5. Deep Learning

Supervised Learning


در این شاخه از Machine Learning اطلاعات به صورت دو دسته inputs(X)  و labels(Y) به ماشین داده می شوند که input همان ورودی است و label در واقع آن چیزی است که از ماشین خواسته می شود. بیایید با یک مثال این مبحث را درک کنیم.

 

فرض کنید شما می خواهید سیستمی طراحی کنید که عکس های گربه را شناسایی کند و آن ها را از دیگر عکس ها جدا کند. برای این منظور شما نیاز خواهید داشت که اطلاعات خود را به این شکل آماده سازی کنید. فرض کنید شما می خواهید در نهایت برای تعلیم این ماشین از 100 عکس استفاده کنید شما باید 50 عکس از گربه ها و ۵۰ عکس از هرچیز دیگر که گربه نباشد گردآوردی کنید و گربه ها را با عدد ۱ شماره گذاری کنید و غیر گربه ها را با عدد ۰ شماره گذاری کنید. حال در این مثال عکس ها input شما و اعداد ۰ و ۱ که نمایان گر گربه بودن یا نبودن عکس ها هستند label می شوند. برای کسب اطلاعات بیشتر در این زمینه ویدیو را مشاهده کنید.

Unsupervised Learning


این روش تنها شامل input می شود و دیگر برچسبی (Label) برای آن ها در نظر گرفته نخواهد شد برای مثال فرض کنید شما در یک بیمارستان که در آن روزانه ۱۰۰۰۰ عکس پزشکی گرفته می شود کار می کنید و می خواهید سیستمی طراحی کنید که عکس های مشابه را گروه بندی کند بدیهی است که برای این کار شما برای عکس ها Label در نظر نخواهید گرفت چرا که در این مسله کار اصلی سیستم ایجاد Label برای هر عکس و در نتیجه گروه بندی آن ها است. به این زیر مجموعه از یادگیری ماشین Unsupervised Learning گفته می شود.

Semi-Supervised Learning


در این روش شما تعداد کمی ورودی به همراه برچسب (Label) و تعداد زیادی ورودی بدون برچسب را به ماشین می دهید و ماشین شروع به یادگیری و ایجاد ارتباط میان داده ها می کند و با استفاده از دو نوع ورودی به صورت همزمان دقت بیشتری خواهد داشت.

در ویدیو اشتباها یک نوع دیگر از Machine Learning در این قسمت توضیح داده شده است

Reinforcement Learning


این روش بسیار جذاب است چرا که این بار ماشین با تجربه کردن و آزمون و خطا تعلیم داده می شود. این روش بیشتر برای بازی ها استفاده می شود که روند کاری آن به صورت کامل در ویدیو آموزشی به همراه رسم شکل توضیح داده شده است.

Deep Learning


و اما معنی عنوان دوره ما چیست ؟‌ یادگیری عمیق یا همان Deep Learnig در واقع استفاده از شبکه های عصبی عمیق و پیچیده برای حل مشکلات پیچیده مثل ترجمه , طراحی راننده خودکار , تشخیص اشیا (Object Detection) و ... است. در واقع این شاخه از ساختاری شبیه به مغز انسان استفاده می کند. همانطور که می دانید مغز ما از Neruons که همان سلول های عصبی هستند تشکیل شده حال Deep Learning هم چنین ساختاری دارد اما به جای نورون از نورون های مصنوعی یا Artificial Neurons تشکیل شده است. که در ادامه دوره با آن ها آشنا خواهیم شد. برای تعیلم این شاخه نیز اطلاعات باید به صورت Input و Label باشند.

شبکه های عصبی (Nerual Networks)‌


در این جلسه به صورت مختصر به مفهوم شبکه های عصبی خواهیم پرداخت اما به طور کلی می توان گفت شبکه های عصبی تابع های ریاضیاتی هستند که وظیفه آن ها تبدیل input ها به label های منحصر به فردشان است برای مثال شبکه عصبی که وظیفه آن شناسایی گربه ها است باید تابعی باشد که بتواند هر زمانی که عکس گربه ای را دریافت می کند عدد ۱ را نشان دهد و در غیر این صورت عدد ۰ را نشان دهد.

 

به طور کلی از شبکه های عصبی برای حل دو مشکل (Task) استفاده می شود.

  • classification یا طبقه بندی

هر زمان شما بخواهید داده هایی را طبقه بندی کنید از این روش استفاده میکنید برای مثال عکس ها را به دو دسته گربه و غیر گربه تقسیم کنید.

  • Regression

هر زمان شما بخواهید یک عدد حقیقی مثل قیمت یک خانه را پیش بینی کنید از این روش استفاده می کنید.

 

اصلاحات ویدیو


در ویدیو در هنگام توضیح هوش مصنوعی در برخی کلمات از اصطلاح intelligence استفاده شده که در واقع از نظر گرامر انگلیسی مشکل دارد و می بایست از کلمه intelligent استفاده می شد. و کلمه ای مثل intelligence creatures از نظر گرامر انگلیسی اشتباه است و باید به جای آن از intelligent creatures استفاده کرد. البته واژه artificial intelligence درست است و از نظر گرامر انگلیسی مشکلی ندارد.

 

همچنین در قسمت توضیح Semi-Supervised Learning اشکالاتی وجود دارد که در توضیحات ویدیو به طور کامل توضیح داده شده است.

 

 

نویسنده:‌ محمد مهدی نوری برجی

هرگونه کپی برداری از متن بدون ذکر منبع و نام نویسنده مشکل اخلاقی دارد

نظر شما
برای ارسال نظر باید وارد شوید.
0 نظر

هیچ نظری ارسال نشده است! اولین نظر برای این مطلب را شما ارسال کنید...