یادگیری ژرف یا Deep Learning - معرفی - قسمت اول

معرفی

یکی از مفاهیم بسیار جذاب و جدید در یادگیری ماشین مبحث یادگیری ژرف(عمیق) می باشد. البته رینا دچتر(Rina Dechter) در سال 1986 جزء کسانی بود که اولین ایده های یادگیری ژرف را مطرح نمود ولی به طور رسمی سالها بعد این مفهوم به یادگیری ماشین پیوست و طی چند سال اخیر به دلیل پیشرفت ها و موفقیت های چشم گیر صورت گرفته در این حوضه، مفهوم یادگیری عمیق بسیار مورد توجه قرار گرفت.به عنوان یکی از پیشگامان تحقیق بر روی یادگیری عمیق، می توان شرکت گوگل را ذکر کرد که با راه اندازی شرکت DeepMind پروژه های بسیار موفقی همچون WaveNet را کلید زد که به طور هیجان آوری دقیق و کاربردی هستند. Google Brain یکی دیگر از پروژه هایی است که گوگل در حال پیشبرد آن می باشد که در ابتدا توسط چند تن از محققین معتبر دنیا همچون Jeff Dean، Greg Corrado و استاد دانشگاه استنفورد Andrew Ng در سال 2011 راه اندازی شد.

یادگیری ژرف چیست؟

یک زیر شاخه از یادگیری ماشینی است که پایه ی آن بر یادگیری نمایش دانش و ویژگی‌ها در لایه‌های مدل است. یک نمونه آموزشی (تصویر یک گربه) می تواند به صورت های گوناگون بسان یک بردار ریاضی پر شده از مقدار به ازای هر پیکسل و در دید کلی تر به شکل یک مجموعه از زیرشکل های کوچک تر (نظیر اعضای صورت گربه) مدل سازی شود. برخی از این روش های مدل سازی سبب ساده شدن فرایند یادگیری ماشین (تشخیص تصویر گربه) می شود. در یادگیری ژرف امید به جایگزینی استخراج این ویژگی های تصویر به دست بشر (مانند اعضای گربه) با روش های کامل خودکار بدون نظارت و نیمه نظارتی وجود دارد. انگیزه ی نخستین در بوجود آمدن این ساختار یادگیری از راه بررسی ساختار عصبی در مغز انسان الهام گرفته شده است که در آن یاخته های عصبی با فرستادن پیام به یکدیگر درک را امکان پذیر می کنند. بسته به فرض های گوناگون در مورد نحوه ی اتصال این یاخته های عصبی ، مدل ها و ساختار های مختلفی در این حوزه پیشنهاد و بررسی شده‌اند ، هرچند که این مدل ها به صورت طبیعی در مغز انسان وجود ندارد و مغز انسان پیچیدگی های بیشتری را دارا است. این مدل ها نظیر شبکه عصبی عمیق ، شبکه عصبی کانولوشن، شبکه باور عمیق پیشرفت های خوبی را در حوزه های پردازش زبان‌های طبیعی ، پردازش تصویر ایجاد کرده‌اند. 

منبع: wikipedia

در پست بعدی به معرفی شبکه های عصبی کانولوشن یا Convolutional neural network خواهم پرداخت.

استفاده از کلیه مطالب با ذکر منبع و لینک بلامانع است

ابزارهای برنامه نویسی برای یادگیری ماشین

ابزارهای معروف برنامه نویسی و اجرای الگوریتم های یادگیری ماشین شامل موارد زیر می باشد:

• Programming Languages:
  • Python
  • NumPy
  • SciPy
  • Scikit-learn
  • Theano
  • Tensorflow
  • Torch
  • Java (به زودی معرفی خواهم کرد)
  • C++
  • MLPack
  • Shark
• Tools
• WEKA
• MATLAB

در پست های بعدی لیست سایر ابزار ها را ارائه خواهم نمود.

استفاده از کلیه مطالب با ذکر منبع و لینک بلامانع است

یادگیری ماشین یا Machine Learning

یادگیری ماشین یکی از شاخه های بسیار کاربردی هوش مصنوعی می باشد. مفهوم یادگیری ماشین سعی دارد تا مسائل موجود را توسط الگوریتم های یادگیری حل نماید و به عبارتی دیگر به رایانه ها قدرت یادگیری می بخشد. برای درک بهتر این مفهوم به مثال زیر توجه فرمایید.

فرض کنید سیستم تشخیص علائم راهنمایی رانندگی داشته باشید که بر روی ماشین تعبیه شده باشد و این سیستم پیش از استفاده، توسط الگوریتم های یادگیری نمونه های از پیش برچسب گذاری شده را فرا گرفته باشد که در اینجا منظور از برچسب عنوان علامت تصویری بصورت متنی یا کدی معادل آن می باشد. از این به بعد سیستم می تواند با دیدن نمونه علامت راهنمایی و رانندگی در خیابان عنوان یا کد علامت را به سیستم اعلام نماید.

شکل زیر مثالی از یادگیری ماشین می باشد که در آن منحنی و خط هر دو سعی دارند داده ها یا همان نقاط سفید و سیاه را به دو روش خطی و غیر خطی ظبقه بندی نمایند.

به طور کلی یادگیری ماشین به چند زیر گروه تقسیم می شود:

1. یادگیری با ناظر
2. یادگیری نیمه ناظر
3. یادگیری بدون ناظر

یادگیری با ناظر

یادگیری با ناظر یا Supervised Learning نوعی از یادگیری می باشد که در آن داده ها به چند کلاس مشخص تقسیم می شوند و داده ها در آن دارای برچسب می باشند. برای نمونه دیتاست بسیار معروف MNIST مجموعه ای از تصاویر مربوط به ارقام دستنویس می باشد که برای هر تصویر بصورت متنی مشخص شده که هر تصویر معرف چه عددی می باشد و این اطلاعات در یک فایل متنی ذخیره شده است.

یادگیری نیمه ناظر

یادگیری نیمه ناظر یا نیمه نظارتی یا Semi-Supervised Learning نوعی از یادگیری ماشین می باشد که در آن مخلوطی از دو گروه داده برچسب خورده و بدون برچسب استفاده می شود. تحقیقات نشان می دهند که استفاده از این نوع یادگیری در برخی مسائل می تواند دقت مدل را به صورت قابل توجهی افزایش دهد. فرض کنید دیتاستی از چهره افراد مختلف داشته باشیم که صاحب برخی از چهره ها مشخص باشد و برخی دیگر نامشخص باشند در حل اینگونه مسائل می توان از ترکیب هر دو گروه برای تعلیم مدل استفاده نمود.

یادگیری بدون ناظر

یادگیری بدون ناظر یا Unsupervised Learning زمانی کاربردی می شود که داده ها برچسب گذاری نشده باشند. معمولا از روش های یادگیری بدون ناظر برای کاهش ابعاد بردار ویژگی استفاده می شود. یادگیری بدون ناظر می تواند ساختار پنهان داده بدون برچسب را درک نموده و توضیح دهد.

استفاده از کلیه مطالب با ذکر منبع و لینک بلامانع است

محور پست های وبلاگ من

اولین پست رسمی من بعد از یک سال پست حاضر می باشد. سالی که گذشت سال خیلی پر مشغله ای برای بنده بود مهاجرت بنده به اروپا پروسه ی خیلی سخت و طاقت فرسایی بود که خوشبختانه فعلا که به خوبی در حال گذران می باشد. این وقفه پیش آمده شاید از جهاتی باعث شد پست هایی که برای شما قرار خواهم داد ارزش محتوایی بیشتری داشته باشد. عمده فعالیت بنده در حوضه نرم افزار مربوط به هوش مصنوعی می باشد لذا پیش فرض اینجانب این است که شما مخاطب محترم دانش اولیه راجع به هوش مصنوعی دارید و بنده از توضیح مقدمات هوش مصنوعی در وبلاگ خود، خودداری میکنم. امیدوارم مطالبی که بنده به اشتراک می گذارم برای شما عزیزان مفید واقع شوند. استفاده از کلیه مطالب با ذکر منبع و لینک بلامانع است

راه اندازی وبلاگ

با سلام خدمت همه عزیزان

تصمیم گرفتم وبلاگی شخصی در راستای آموزش و انتقال تجربه راه اندازی کنم. امیدوارم بتوانم با انتقال تجربیاتم به عزیزان قدمی در راستای کمک به هم سن و سالانم برای موفقیت در عرصه نرم افزار نمایم. امیدوارم خداوند متعال در این مسیر بنده را همراهی کنند و بتوانم مطالبی با کیفیت بالا برایتان ارائه دهم.

استفاده از کلیه مطالب با ذکر منبع و لینک بلامانع است