یادگیری عمیق یا همان یادگیری ژرف که به آن شبکههای عصبی عمیق نیز میگویند، یکی از زیر حوزههای هوش مصنوعی و یادگیری ماشین است. اگر میخواهید بدانید، یادگیری ماشین چیست، این مقاله را حتماً مطالعه کنید.
در یک تعریف کلی، یادگیری عمیق، همان یادگیری ماشینی است که میتواند الگوهای پیچیدهتر را از میان دادهها استخراج کرده و یاد بگیرد. با این کار، ماشین درک بهتری از واقعیت وجودی دادهها پیدا کرده و میتواند ارزشها و الگوهای پنهان در دادهها را شناسایی کند.
برای درکِ یادگیری عمیق، ابتدا نیاز به دانستن شبکههای عصبی داریم، چون الگوریتمهای یادگیری عمیق بر روی ساختار شبکههای عصبی تعریف میشوند. در دورهی آشنایی با شبکههای عصبی در مورد این الگوریتمها و روشهای پایهی آنها بحث کردیم. بر اساس تعریف مشهور، یادگیری عمیق در واقع همان یادگیری به وسیله شبکههای عصبی هستند که لایههای میانی یا لایههای پنهان (hidden layers) زیادی دارند. به خاطر همین است که خیلی از افراد به جای واژهی یادگیری عمیق از شبکههای عصبی عمیق استفاده میکنند. هر چقدر در لایه های یک شبکه عصبی عمیق جلوتر میرویم، به مدلهای پیچیده تر (و کامل تری) میرسیم.
تفاوت شبکههای عصبی و یادگیری عمیق در شکل زیر به خوبی نمایش داده شده است:
همانطور که در شکل بالا مشخص است، تعداد لایههای مخفی شبکههای عصبی ساده، کمتر از یادگیری عمیق است. در واقع تعداد لایههای بیشتر در یادگیری عمیق باعث میشود که الگوریتم، در هر لایه الگوهای پیچیدهتری نسبت به لایههای قبل را کشف کند. اگر در شکل بالا سمت راست دقت کنید، یک تصیر به الگوریتم داده شده است و هر چقدر که این تصویر در شبکه به پیش میرود، ترکیبهای پیچیدهتری توسط لایههای جلوتر کشف شده است.
اجازه بدهید این ترکیب ویژگیهای یک نمونه را با دقت بیشتری با یک مثال دیگر بیان کنیم. مثال زیر را در نظر بگیرید و فرض کنید میخواهیم به یک الگوریتم یادگیری عمیق (شبکههای عصبی عمیق)، تصویر زیر که یک صورت انسان هست را آموزش دهیم:
اگر بخواهیم این تصویر را به به الگوریتم شبکههای عصبی عمیق تزریق کنیم، شبکه در لایههای مختلف خود، چیز شبیه به تصویر زیر را یاد میگیرد:
همانطور که مشاهده میکنید، در تصویر بالا (که در واقع مدلی از یک شبکهی عصبی عمیق است)، چهار لایه در نظر گرفته شده است. تصویر به این الگوریتم تزریق میشود، در لایه ی ورودی، یک سری اَشکال بدون معنی (و بسیار جزئی)، یاد گرفته شده است. در لایه مخفی اول، شکلهای لایه ورودی با یکدیگر ترکیب شده و شکل های با معنیتری را میسازند. همانطور که مشاهده میکنید، هر چقدر لایه ها، جلوتر میروند، شکل های ساخته شده در آن لایه، با معنیتر می شوند. سرانجام لایه ی خروجی، یک شکل کامل است و به این صورت است که شبکه، قادر شده که تصویر یک صورت کامل را یاد بگیرد.
یادگیری عمیق (شبکههای عصبی عمیق) با استفاده از این راهکار، برای مثال میتوانند صورت یک انسان را از پشت ماسک نیز تشخیص دهند و یا مثلا اگر یک صورت سیاه (سیاهپوست) را به الگوریتمی که یاد گرفته است، بدهیم، به خاطر اینکه الگوریتم، عناصر مختلف را به صورت جدا از هم یاد گرفته، احتمالاً بتواند آن صورت را نیز تشخیص دهد.
یادگیری عمیق (Deep Learning) در حوزه های مختلفی مانند، دسته بندی تصاویر (تشخیص تصاویر)، دسته بندی متون، تشخیص صدا و… کاربردهای فراوانی دارد و در دروس آیندهی این دوره به کاربردهای بیشترِ آن میپردازیم.
همچنین برای درک بهتر شبکههای عصبی در آدرس nnplayground.chistio.ir یک محیط آزمایشی ساده و کاربردی ساخته شده است که میتوانید از آن برای طراحی شبکههای عصبی و اجرای آن در مرورگر خود استفاده کنید.
- ۱ » یادگیری عمیق (Deep Learning) چیست؟
- ۲ » تفاوت یادگیری عمیق (Deep Learning) با یادگیری ماشین کلاسیک
- ۳ » تفاوت شبکههای عصبی (Neural Networks) با یادگیری عمیق (Deep Learning) چیست؟
- ۴ » مشکل محوشدگی گرادیان (Gradient Vanishing) در شبکههای عصبی عمیق
- ۵ » مشکل انفجار گرادیان (Exploding Gradients) در شبکههای عصبی عمیق
- ۶ » توابع فعالسازی (Activation Functions) در شبکههای عصبی عمیق
- ۷ » شبکه عصبی پیچشی (Convolutional Neural Network) در یادگیری عمیق
- ۸ » شبکه عصبی بازگشتی (Recurrent Neural Network)
- ۹ » انواع شبکههای عصبی بازگشتی (RNN) و کاربرد آنها
- ۱۰ » شبکه عصبی بازگشتی با حافظهی طولانی کوتاه مدت (LSTM)
- ۱۱ » شبکه عصبی واحد بازگشتی دروازهدار (GRU)
- ۱۲ » شبکههای عصبی عمیق توالی به توالی (Seq2Seq)
سلام، کدام از یک مدلهایی یادگیری عمیق بر اساس pac-bayesian است؟
با سلام، متاسفانه بنده در این مورد اطلاعی ندارم، میتوانید در گروههای مربوطه در تلگرام سوالتان را مطرح کنید. باتشکر
سلام آیا برای یادگیری عمیق باید به کل مفاهیم شبکه عصبی مثل شبکههای هاپفیلد، پرسپترون، بردار پشتیبان و غیره آشنا بود؟؟
سلام
خیر نیازی نیست، بستگی به کاربرد میتواند خیلی از این موارد را فاکتور بگیرید و فقط به کاربرد مورد نظر خود برسید.
سلام بر شما دوست خوبم!
از ارائه ی مطالبتان که بحمدالله اینقدر سلیس و روان و گویا ارائه فرمودید صمیمانه تشکّر می کنم؛ به نوبه ی خود برای شما از خداوند متعال طلب توفیقات بیشتر در پیشرفت و پیشبرد علمی و صنعتی کشور اسلامیمان خواستارم.
قدرت شما در توضیح ساده مفاهیم پیچیده قابل تحسین است
سلام وقت بخیر
میشه لطف کنید راجع به autoencoder و RBM ها توضیح دهید
ممنون
سلام
کانال یا گروه تلگرامی درباره یادگیری عمیق دارین معرفی کنین؟
ممنون میشم
ممنونم ، خیلی مفید ومختصر بود
بسیار عالی توضیح دادین
بیان مسائل مشکل به زبان ساده نشان از قدرت بالای و فهم عمیق شما دارد….این نوشته هاتون برای من بسیار بسیار مفید بوده.انشالله و حتما خیر ان به زندگیتان برمیگردد
عالی بود
بر خود لازم میبینم از شما تشکر کنم
بسيار عاي وشيوا وروان توضيحدادين
بسیارعالی. ممنون از توضیح روان و ساده تان
بسیار ساده و کاربردی توضیح داده شد. ممنون از شما
بسیار عالی و روان توضیح داده بودین خیلی ممنون از جناب عالی و مهندس توکلی که این جزوه رو بصورت دست نویس در اختیار قرار دادند.
سلام میشه درباره ی مدل مخفی مارکوفی هم توضیح بدید…شما عالی تدریس میکنید.
ممنون بابت شیوه بیان ساده اتون.
واقعا عالی بود.