دکتر محمد وند جلیلی

شبکه های عصبی مصنوعی

یادگیری عمیق چیست ؟

هوش مصنوعی شامل مجموعه‌ای از روش‌ها است که کامپیوتر را قادر می‌سازد به منظور تصمیم‌گیری درباره مسائل مختلف، عملکردی هوشمندانه و انسان‌گونه داشته باشند. به عبارتی، می‌توان با هوش مصنوعی داده‌ها را برای ماشین تفسیر کرد تا آن‌ها را یاد بگیرد و از دانش کسب شده در انجام کارهایی استفاده کند که نیاز به توانمندی هوش انسان دارد. در این راستا، می‌توان از روش‌های یادگیری ماشین و یادگیری عمیق استفاده کرد تا سیستم‌های هوشمندی را به منظور انجام فعالیت‌های مختلف آموزش داد. با این حال تفاوت مهمی بین روش‌های یادگیری ماشین با روش‌های یادگیری عمیق وجود دارد که در ادامه به آن پرداخته می‌شود.

تفاوت یادگیری ماشین و یادگیری عمیق چیست ؟

روش‌های یادگیری ماشین سنتی نظیر «درخت تصمیم» (Decision Tree)، «ماشین بردار پشتیبان» (Support Vector Machine | SVM)، «دسته‌بند بیز ساده» (Naïve Bayes Classifier) و «رگرسیون لجستیک» (Logistic Regression) را نمی‌توان به‌طور مستقیم بر روی داده‌های خام نظیر فایل‌های CSV، تصاویر و متون به منظور یادگیری داده‌ها اعمال کرد. به عبارتی، باید با استفاده از مرحله «پیش‌پردازش» (Preprocessing)، از داده‌های خام، ویژگی‌هایی را به عنوان بازنمایی داده‌های خام استخراج کرد تا از این ویژگی‌ها به عنوان ورودی الگوریتم‌های یادگیری ماشین استفاده شود.

«استخراج ویژگی» (Feature Extraction) روال پیچیده‌ای است و به دانشی عمیق پیرامون مسئله احتیاج دارد. به‌علاوه، باید از روال استخراج ویژگی چندین بار استفاده شود تا در نهایت بتوان بهترین ویژگی‌ها را برای مسئله تعریف شده انتخاب کرد. با ارائه روش‌های یادگیری عمیق، مشکل پیچیدگی فرآیند استخراج ویژگی و زمان استخراج آن‌ها حل شده است. به عبارتی، مدل‌های یادگیری عمیق نیازی به گام مجزا برای استخراج ویژگی ندارند و لایه‌های شبکه‌های عصبی قادر هستند بازنمایی‌های ضمنی داده‌های خام را در روال آموزش شبکه یاد بگیرند.

به منظور درک بهتر تفاوت یادگیری ماشین و یادگیری عمیق می‌توان از مثال ملموسی استفاده کرد که در تصویر بالا مشاهده می‌شود. چنانچه برنامه نویس قصد داشته باشد مدلی را با استفاده از روش‌های یادگیری ماشین آموزش دهد تا عکس‌های شامل تصاویر ماشین را از تصاویر غیرماشین جدا کند، باید در ابتدا ویژگی‌هایی را برای تصاویر ماشین تعریف کند تا مدل یادگیری ماشین با استفاده از آن‌ها به شناسایی تصاویر ماشین بپردازد.

چنین روالی برای تشخیص ویژگی‌ها، برگرفته از عملکرد مغز انسان برای شناسایی اجسام است. به بیان دیگر، مغز انسان با توجه به یک سری ویژگی‌های ورودی نظیر شکل جسم، اندازه جسم، وجود یا عدم وجود پنجره، وجود یا عدم وجود چرخ و سایر ویژگی‌ها، در نهایت تصمیم می‌گیرد که آیا جسم مشاهده شده می‌تواند به عنوان ماشین تلقی شود؟ این در حالی است که در یادگیری عمیق، برنامه نویس به منظور شناساندن داده‌ها به مدل، گام اضافه‌ای انجام نمی‌دهد و مدل در حین آموزش به منظور دسته‌بندی تصاویر، ویژگی‌های ماشین را به‌طور خودکار یاد می‌گیرد.

فیلم آموزش مبانی یادگیری عمیق یا Deep Learning در فرادرس

کلیک کنید

شبکه عصبی چیست ؟

الگوریتم‌های یادگیری عمیق از ساختارهای لایه‌ای با نام شبکه‌های عصبی استفاده می‌کنند تا بر اساس تجزیه و تحلیل داده‌ها، برای گرفتن تصمیم خاصی، رفتار انسان را تقلید کنند. طرح این ساختار لایه‌ای، برگرفته از ساختار مغز انسان است. همانطور که مغز انسان به شناسایی الگوهای مختلف داده‌ها و دسته‌بندی انواع اطلاعات می‌پردازد، می‌توان شبکه‌های عصبی را به شیوه‌ای مشابه با رفتار مغز انسان آموزش داد تا به تشخیص الگوها بپردازند و دسته‌بندی داده‌ها را انجام دهند.

به عبارت دیگر، زمانی که مغز انسان با اطلاعات جدیدی روبه‌رو می‌شود، در تلاش است این اطلاعات را با مفاهیم قبلی و شناخته شده خود مقایسه کند تا به درک بهتر اطلاعات جدید برسد. هدف شبکه‌های عصبی نیز تشخیص الگوها و دسته‌بندی اطلاعات جدید بر پایه دانش قبلی خود است. یادگیری آنی الگوها در قالب بردارهای عددی انجام می‌شود. به عبارتی، تمامی داده‌های دنیای واقعی نظیر تصاویر، صوت و متن باید به بردارهای عددی تبدیل شوند و به عنوان ورودی، در اختیار شبکه عصبی قرار می‌گیرد تا مدل هوش مصنوعی بتواند آن‌ها را درک کند.

کاربرد شبکه عصبی چیست ؟

شبکه‌های عصبی می‌توانند مسائل غیرخطی را مدل‌سازی کنند و به خاطر همین ویژگی، می‌توان از آن‌ها در بسیاری از مسائل مختلف نظیر «تشخیص الگو» (Pattern Recognition)، «کاهش بعد» (Dimension Reduction)، ترجمه ماشین، «تشخیص ناهنجاری» (Anomaly Detection)، «بینایی ماشین» (Computer Vision)، «پردازش زبان طبیعی» (Natural Language Processing)، تشخیص بیماری، پیش‌بینی قیمت سهام و سایر موارد استفاده کرد.

در حالت کلی، کاربردهای شبکه عصبی را می‌توان به سه گروه «دسته‌بندی» (Classify) داده‌ها، «خوشه‌بندی» (Clustering) داده‌ها و مسائل «رگرسیون» (Regression) تقسیم‌بندی کرد که در ادامه به توضیح هر یک از آن‌ها پرداخته می‌شود.