دانلود پاورپوینت یادگیری عمیق: تاریخچه، کاربردها و مدل ها

یادگیری عمیق (که همچنین به یادگیری با ساختار عمیق نیز معروف است)، قسمتی از خانواده گسترده تر روش های یادگیری ماشینی براساس شبکه های عصبی مصنوعی با یادگیری بازنمایی (representation learning) است. یادگیری می تواند نظارت شده، نیمه نظارت شده یا بدون نظارت باشد.

معماری های یادگیری عمیق، مانند شبکه های عصبی عمیق، شبکه های عقیده عمیق، یادگیری تقویتی عمیق، شبکه های عصبی بازگشتی و شبکه های عصبی کانوال، برای موضوعاتی شامل بینایی یا دید کامپیوتری، تشخیص کلام، پردازش زبان طبیعی، ترجمه ماشینی، بیوانفورماتیک، طراحی دارو، تحلیل تصویر پزشکی، علوم اقلیم شناسی، بازرسی مواد و در برخی از بازی های ویدئویی، بکار گرفته شده اند و نتایج مشابه با عملکرد متخصص انسانی تولید کرده اند و حتی در بعضی موارد، فراتر از عملکرد آن متخصص بوده اند.

یادگیری عمیق، زیرمجموعه ای از یادگیری ماشینی است که اساساً یک شبکه عصبی با سه یا چند لایه می باشد. این شبکه های عصبی تلاش می کنند تا رفتار مغز انسان را شبیه سازی کنند (البته هنوز از مشابهت دقیق با توانایی آن بسیار دور است) و در نتیجه به آن اجازه می دهد تا از مقدار زیادی از داده ها «یادگیری داشته باشد». درحالی که یک شبکه عصبی یک لایه ای، می تواند هنوز پیش بینی های تقریبی انجام دهد، لایه های پنهان اضافه می توانند به بهینه سازی جهت رسیدن به دقت بالاتر، کمک کنند.

یادگیری عمیق، بسیاری از کاربردها و سرویس های هوش مصنوعی (AI) را که باعث بهبود اتوماسیون، انجام امور تحلیلی و فیزیکی بدون مداخله انسان می شوند، هدایت می کند. این فناوری در محصولات و خدمات روزمره (مانند دستیارهای دیجیتال، کنترل تلویزیون مبتنی بر صدای انسان، و آشکار سازی کارت اعتباری تقلبی) و همچنین فنآوری های نوظهور (مانند ماشین های خودران)، بکار گرفته شده اند.

این پاورپوینت در 24 اسلاید آماده شده و در ادامه نیز، اسلاید شماره 21 آن قرار داده شده است:

شبکه های عصبی یادگیری عمیق، یا شبکه های عصبی مصنوعی، تلاش می کنند تا از طریق ترکیبی از ورودی های داده ای، وزن ها و سوگیری ها (bias)، مغز انسان را تقلید کنند. این عناصر با هم کار می کنند تا بطور دقیق، اشیای درون داده ها را تشخیص، دسته بندی و توصیف کنند.

شبکه های عصبی عمیق، از چندین لایه گره متصل به هم تشکیل شده اند که هر کدام براساس لایه قبلی ساخته شده تا پیش بینی یا طبقه بندی را اصلاح و بهینه سازی کنند. این پیشروی و مسیر محاسبات در شبکه را انتشار مستقیم (forward propagation) می گویند. لایه های ورودی و خروجی یک شبکه عصبی عمیق، لایه های «مرئی یا قابل مشاهده» نامیده می شوند. لایه ورودی، جایی است که مدل یادگیری عمیق، داده ها را جهت پردازش، تجزیه می کند و لایه خروجی، جایی است که پیش بینی یا دسته بندی نهایی انجام می شوند.

فرآیندی دیگر به نام انتشار معکوس (backpropagtion) از الگوریتم هایی مانند گرادیان کاهشی برای محاسبه خطاهای پیش بینی ها استفاده می کند و سپس وزن ها و سوگیری های تابع را با حرکت به سمت عقب در لایه ها تنظیم می کند تا آن مدل را تعلیم دهد. انتشار مستقیم و انتشار معکوس، با همدیگر، به یک شبکه عصبی اجازه می دهند تا پیش بینی هایی انجام دهند و براساس آن، هرگونه خطا را تصحیح کنند. با گذشت زمان، آن الگوریتم به تدریج دقیق تر می شود.

موارد بالا، ساده ترین نوع شبکه عصبی عمیق را به ساده ترین نحو، توصیف کردند. با این حال، الگوریتم های یادگیری عمیق، فوق العاده پیچیده هستند و انواع مختلفی از شبکه های عصبی برای پرداختن به مسائل یا پایگاه داده های خاص وجود دارند، که برای مثال می توان این موارد را نام برد:

• «شبکه های عصبی کانوال (CNN ها)، عمدتاً در کاربردهای بینایی کامپیوتری و دسته بندی تصویر استفاده می شوند و می توانند ویژگی ها و الگوهای درون یک تصویر را شناسایی کنند و در نتیجه، کارهایی مانند آشکار سازی یا تشخیص شی را ممکن سازند. در سال 2015، در یک چالش تشخیص شیء، برای اولین بار یک CNN عملکرد بهتری نسبت به انسان داشت.
• شبکه عصبی بازگشتی (RNN ها) معمولاً در کاربردهای تشخیص زبان و گفتار طبیعی مورد استفاده قرار می گیرد، زیرا از داده های سری زمانی یا ترتیبی بهره می گیرد.

کاربردهای یادگیری عمیق

کاربردهای یادگیری عمیق واقعی، قسمتی از زندگی روزمره ما را تشکیل می دهند، اما در اکثر موارد، آنقدر بخوبی در محصولات و خدمات گنجانده شده اند که کاربران از پردازش داده پیچیده رخ داده در زمینه، آگاه نیستند. تعدادی از نمونه های آن عبارتند از:

• اجرای قانون:

الگوریتم های یادگیری عمیق می توانند داده های معاملات و تراکنش ها را تحلیل کنند و از آنها یادگیری داشته باشند تا الگوهای خطرناکی که نشان دهنده فعالیت متقلبانه یا مجرمانه احتمالی هستند را شناسایی کنند. تشخیص گفتار، بینایی کامپیوتری و دیگر کاربردهای این حوزه، می توانند بازده و اثربخشی تحلیل و بازجویی را با استخراج الگوها و شواهد از صوت و تصویر ضبط شده، تصاویر و اسناد بهبود دهند و این امر می تواند به اجرای قانون کمک کند تا مقادیر زیادی از داده ها را سریعتر و دقیق تر تحلیل کند.

• خدمات مالی:

موسسات مالی بطور منظم از تحلیل های پیش بینی کننده استفاده می کنند تا معاملات الگوریتمی سهام را اجرا کنند، ریسک های تجاری برای تایید وام را ارزیابی کنند، تقلب را شناسایی کنند و به مدیریت اعتبار و پورتفوهای سرمایه گذاری برای مشتریان کمک کنند.

• خدمات مشتری:

بسیاری از سازمان ها، فنآوری یادگیری عمیق را در فرآیندهای خدمات مشتری، تعبیه کرده اند. چت بات ها (که در یک سری از کاربردها، خدمات و پورتال های خدمات مشتری استفاده می شوند)، یک نوع سرراست از AI می باشند. چت بات های سنتی از زبان طبیعی و حتی تشخیص بصری استفاده می کنند که معمولاً در منوهایی شبیه به مرکز تماس دیده می شوند. با این وجود، راهکارهای چت بات پیشرفته تر تلاش می کنند تا از طریق یادگیری تعیین کنند که آیا چندین پاسخ به پرسش های مبهم وجود دارد یا خیر. سپس، چت بات، براساس پاسخ هایی که دریافت می کند، تلاش می کند بطور مستقیم به این پرسش ها جواب دهد یا گفتگو را به سمت یک کاربر انسانی هدایت و مسیریابی کند. دستیاران مجازی مانند Apple’s Siri، Amazon Alexa یا Google Assitant، ایده چت بات را با ممکن سازی کارایی تشخیص گفتار، گسترش می دهند. این امر، روش جدیدی برای جذب و درگیر کردن کاربران به نحوی شخصی سازی شده، فراهم می کند.

• مراقبت سلامت:

صنعت مراقبت سلامت، بهره زیادی از قابلیت های یادگیری عمیق برده است، حتی از زمان دیجیتالی شدن سوابق و تصاویر بیمارستانی. کاربردهای تشخیص تصویر می توانند از متخصصان تصویر برداری پزشکی و رادیولوژیست ها حمایت کنند و در نتیجه به آنها در تحلیل و ارزیابی تصاویر بیشتر در زمان کمتر کمک کنند.