آموزش مبانی یادگیری عمیق با پایتون (Deep Learning)

هوش مصنوعی (AI) به هر کد، الگوریتم یا تکنیکی اطلاق می‌شود که به کامپیوتر این امکان را می‌دهد تا رفتار یا هوش شناختی انسان را تقلید کند. یادگیری ماشین (ML) یکی از شاخه‌های هوش مصنوعی است که به کمک روش‌های آماری، امکان یادگیری و بهبود عملکرد ماشین‌ها بر اساس تجربه را فراهم می‌آورد. در این میان، یادگیری عمیق (Deep Learning) به عنوان زیرمجموعه‌ای از یادگیری ماشین شناخته می‌شود که فرآیند محاسباتی شبکه‌های عصبی چندلایه را ممکن می‌سازد. به طور کلی، یادگیری ماشین به عنوان یادگیری سطحی شناخته می‌شود در حالی که یادگیری عمیق به عنوان یادگیری سلسله‌مراتبی با انتزاع شناخته می‌شود.

یادگیری ماشین با مفاهیم گسترده‌ای سروکار دارد. این مفاهیم عبارتند از:

• یادگیری نظارت شده

• یادگیری غیرنظارت شده

• یادگیری تقویتی

• رگرسیون خطی

• توابع هزینه

• بیش‌برازش

• کم‌برازش

• هایپرپارامترها و غیره

در یادگیری نظارت شده، ما می‌آموزیم که از داده‌های برچسب‌گذاری‌شده مقادیر را پیش‌بینی کنیم. یکی از تکنیک‌های یادگیری ماشین که در اینجا کمک‌کننده است، طبقه‌بندی است که در آن مقادیر هدف مقادیر گسسته هستند؛ به عنوان مثال، گربه‌ها و سگ‌ها. تکنیک دیگری که در یادگیری ماشین مفید است، رگرسیون است. رگرسیون بر روی مقادیر هدف عمل می‌کند که مقادیر پیوسته هستند؛ به عنوان مثال، داده‌های بازار بورس می‌توانند با استفاده از رگرسیون تحلیل شوند.

در یادگیری غیرنظارت‌شده، ما از داده‌های بدون برچسب و ساختار برای کشف الگوها استفاده می‌کنیم. به عنوان مثال، اگر یک میلیون پرونده پزشکی داشته باشیم و بخواهیم داده‌های پنهان، ناهنجاری‌ها یا داده‌های غیرمعمول را شناسایی کنیم، از تکنیک خوشه‌بندی برای تقسیم داده‌ها به گروه‌های مختلف استفاده می کنیم.

داده‌ها به مجموعه‌های آموزشی، آزمایشی، اعتبارسنجی و غیره تقسیم می‌شوند.

یک پیشرفت در سال ۲۰۱۲ موجب برجسته شدن مفهوم یادگیری عمیق شد. یک الگوریتم موفق شد ۱ میلیون تصویر را به ۱۰۰۰ دسته مختلف با استفاده از دو GPU و تکنولوژی‌های جدیدی مانند داده‌های کلان (Big Data) طبقه‌بندی کند.

ارتباط یادگیری عمیق و یادگیری ماشین سنتی

یکی از چالش‌های اصلی که در مدل‌های سنتی یادگیری ماشین با آن روبه‌رو می‌شویم، فرآیند استخراج ویژگی‌ها است. برنامه‌نویس باید به‌طور دقیق مشخص کند که کامپیوتر باید به دنبال کدام ویژگی‌ها بگردد. این ویژگی‌ها در تصمیم‌گیری‌ها کمک خواهند کرد.

وارد کردن داده‌های خام به الگوریتم معمولاً کارساز نیست، بنابراین استخراج ویژگی‌ها بخش حیاتی از جریان کار یادگیری ماشین سنتی است.

این مسئله مسئولیت بزرگی را بر دوش برنامه‌نویس می‌گذارد و کارایی الگوریتم به شدت به خلاقیت برنامه‌نویس بستگی دارد. برای مشکلات پیچیده‌ای مانند شناسایی اشیاء یا شناسایی دست‌نویس‌ها، این موضوع یک مشکل اساسی است.

یادگیری عمیق با توانایی یادگیری لایه‌های مختلف نمایندگی، یکی از روش‌هایی است که به ما کمک کرده تا استخراج ویژگی به‌طور خودکار انجام شود. لایه‌های پایین‌تر را می‌توان به‌عنوان انجام‌دهنده خودکار استخراج ویژگی‌ها در نظر گرفت که به راهنمایی زیادی از طرف برنامه‌نویس نیاز ندارد.

اگر هنوز با مفاهیم اولیه برنامه نویسی آشنا نیستید و می‌خواهید به‌طور اصولی یادگیری عميق با پایتون را شروع کنید، بهترین راه شروع، شرکت در یک دوره تخصصی پایتون است.

راستی! برای دریافت مطالب جدید در کانال تلگرام یا پیج اینستاگرام سورس باران عضو شوید.