در فراگیری عمیق مفاهیم انتزاعی در سطوح بالا، داده هایی برای مدل می باشند که این اطلاعات به ماشین داده می شود و دارای یک خروجی خواهد بود. اطلاعات در این سطح فراگیری در چند لایه مورد پردازش قرار می گیرند. deep learning به دنبال دست یافتن به شیوه های نوین، شبکه عصبی مصنوعی می باشد. در این مقاله بیشتر با فراگیری ماشینی آشنا خواهید شد.
مفهوم اصلی یادگیری عمیق:
در یادگیری ماشینی اطلاعات و داده هایی برای مدل سازی به ماشین که همان کامپیوتر است داده می شود و طوری این آموزش صورت می گیرد که سیستم به صورت خودکار و به نوعی با هوش مصنوعی همانند یک کودک این کار را آموزش دیده و انجام می دهد. به عنوان مثال: برای انجام دادن یک طراحی انتزاعی و پیاده کردن آن در عمل، ما تصاویر خاصی از یک اسب و تصاویر دیگری غیر از اسب را در کامپیوتر وارد کرده و با تکرار کردن به کامپیوتر آموزش می دهیم که کدام تصویر اسب است؟ با تکرار این کار کامپیوتر می تواند این تصاویر را شناسایی و جداسازی کند.
در یادگیری عمیق می توان این یادگیری را به شکل فرایندی انجام داد که در واقع همان یادگیری سلسله مراتبی و گام به گام می باشد که در آن ابتدا اطلاعات و داده ها وارد می شوند و مورد پردازش و تحلیل واقع می گردند سپس به عنوان یک خروجی و بازخورد مورد دریافت قرار می گیرند.
با وجود تحلیل و پردازش سیستمی که صورت می گیرد اطلاعات درست از اطلاعات نادرست تشخیص داده می شوند و این تنظیمات طوری روی سیستم طراحی و آموزش داده می شود که این اطلاعات را شناسایی کند و این پردازش ها توسط یک سری از متغیر ها که بر روی سیستم وجود دارند اعمال می شود.
در فراگیری عمیق اطلاعات به صورت غیر خطی به سیستم داده می شوند و بعد از طبقه بندی و دسته بندی مورد تحلیل قرار می گیرند. اگر حجم داده های غیر خطی زیاد باشد، اطلاعات خروجی غیر خطی بیشتری خواهیم داشت به همین خاطر از داده های چند لایه استفاده می شود.
یادگیری عمیق و ماشینی ایده ای است با توجه به نوع پردازش ذهن انسان پایه گذاری شده است و متخصصان در این زمینه براین باورند که نحوه کار ذهن را بر روی سیستم پیاده کنند به همین خاطر نام دیگر این یادگیری هوش مصنوعی می باشد.
همانطور که می دانید در شبکه عصبی انسان وابستگی های زمانی وجود دارد. به این منظور که اطلاعات جدید و اطلاعات قدیم با یکدیگر ارتباط و پیوستگی دارند در یادگیری عمیق، این پیوستگی زمانی مورد توجه قرار می گیرد.
مهندس ویژگی:
همانطور که در قسمت های قبل بیان شد در یادگیری ماشینی داده ها مورد تجزیه و تحلیل قرار می گیرند تا بازخوردهایی صحیح در اختیار داشته باشیم اما اینکار چگونه صورت می گیرد؟
با مهارت مهندسی ویژگی شما اطلاعات مفید و مناسب را با دسته بند های منظم تر و راحت تر دریافت خواهید کرد. در واقع مهندسی ویژگی یک مهارت و هنر است و نیازمند تخصص در این زمینه می باشد. طراحی مهندسی ویژگی فقط برای یک طراحی قابل اجرا می باشد. به عنوان مثال: شما می خواهید حیوانات آبزی را از حیوانات غیر آبزی متمایز کنید برای این کار مهندسی ویژگی حیوانات آبزی را طراحی می کنید که فقط مختص این طراحی خواهد بود. و در طراحی و مدل سازی دیگر نمی توانید از آن استفاده کنید.
منبع : آرگا
