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.
