شبکههای عصبی عمیق (deep neural networks) منجر به یادگیری عمیق (deep learning) میشود. در واقع به عنوان تعریف ساده میتوان گفت الگوریتمهای یادگیری عمیق همان شبکههای عصبی هستند که تعداد لایههای آنها زیاد است. این تعریف از یادگیری عمیق ساده و درست است اما اگر بخواهیم به معنای دقیقتر تفاوت بین یادگیری عمیق و شبکههای عصبی را درک کنیم، بایستی به این نکته توجه کنیم که یادگیری عمیق حالت یادگیری بوده در حالی که شبکههای عصبی نوعی الگوریتم در بین یادگیری ماشین است.
به تصویری که در جلسهی گذشته استفاده کریم دقت کنید:
در شکل بالا، در قسمت راست، یک الگوریتم شبکهی عصبی عمیق ایجاد شده است که منجر به یادگیری عمیق میشود. این شبکه (سمت راست) نسبت به شبکههای عصبی عادی (سمت چپ)، تعداد لایههای بالاتری داشته و با این کار الگوریتم امید دارد که بتواند الگوهای پیچیدهتری را از میان دادهها کشف کند.
البته با گذشت زمان و توسعه الگوریتمهای جدید، یادگیری عمیق دیگر محدود به شبکههایی مانند شکل بالا نیست و با توجه به کاربردهای مختلف، معماریهای متفاوتی شناسایی الگو در مسائل با توجه به نوع و شکل دادهها ابداع شده است.
در دورهی جاری سعی میکنیم به مهمترین و معروفترین این الگوریتمها و کاربردهای هر کدام بپردازیم.
- 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)