مقدمه
امروزه یادگیری عمیق در بسیاری از امور روزانه مان بدون آنکه خود بدانیم وارد شده است ، برای مثال اگر گوشی شما با تشخیص چهره باز میشود نمونه ای از یادگیری عمیق است . یا اینستاگرام پست هایی که به موضوعات مورد علاقه شما مرتبط است را جلوی دید شما قرار میدهد همه اینها نمونه ای از یادگیری عمیق است. امروزه در دانشگاه ها یادگیری عمیق بحث داغی است و تعداد انجام پروژه یادگیری عمیق و انجام پایان نامه یادگیری عمیق در دانشگاه ها گواه این امر است . اگر نیاز به انجام پروژه و آموزش در این زمینه داشتید با ما تماس بگیرید .
یادگیری عمیق در واقع همان یادگیری ماشین است، با این تفاوت که یادگیری عمیق از عملکرد مغز انسان الهام گرفته و از سوی دیگر به ابزارهای بسیار پیشرفته مانند کارت های گرافیک بسیار قدرتمند برای محاسبات پیچیده داده های کلان نیاز دارد . یادگیری ماشین برای حل مساله ابتدا آن را به بخش های کوچکتر تقسیم می کنند و سپس هر کدام آنها را حل میکند اما انجام پروژه یادگیری عمیق به شکلی است که بطور کامل و کلی انجام میشود.
دلیل نامگذاری یادگیری عمیق در واقع به تعداد شبکه های عصبی مربوط است، برای مثال تقریبا حدود چهار دهه پیش شبکه عصبی تنها دو لایه داشت ، امروزه حدوداً شبکه های عصبی ۱۰ الی ۱۰۰ لایه دارند در واقع به خاطر این لایه‌های مختلف است که کامپیوترها قادر به شنیدن، دیدن و یاد گرفتن هستند.
یادگیری عمیق در سال‌های اخیر تحول بزرگی در یادگیری ماشین و هوش مصنوعی ایجاد کرده است در واقع یکی از شاخه های اصلی مبحث یادگیری امین بستر های نرم افزاری و برنامه نویسی که برای پیاده سازی مدل ها از آن استفاده می شود برای مثال برای انجام پروژه یادگیری عمیق از پایتون و متلب استفاده میشود .
الگوریتم های یادگیری ماشین در واقع در سطحی ساده تر با تعاریفی که ما به آنها داده ایم اشکالی نظیر مثلث مربع و غیره را تشخیص می دهند اما در یادگیری عمیق اطلاعات از پیش تعیین شده به کار نمیرود در واقع برنامه تلاش می کند برای مثال تعداد خط های موجود در اشکال را شناسایی کنند و نوع برخورد خط ها را به یکدیگر بررسی کند و در نهایت تشخیص دهد که شکل مورد نظر مثلث است یا مربع .
در واقع الگوریتم یادگیری عمیق به سخت افزاری بسیار قدرتمند برای پردازش کلان داده ها نیاز دارد از سوی دیگر چون اطلاعات از پیش تعیین شده را به سیستم نمی‌دهیم. میزان زمانی که برای رسیدن به یک نتیجه طی میشود بیشتر خواهد بود. الگوریتمهای یادگیری عمیق از الگوریتم های یادگیری ماشین هستند اخیراً الگوریتم های یادگیری عمیق زیادی در حل مسائل هوش مصنوعی سنتی ارائه شده است.
شبکه های عصبی مصنوعی در واقع شبیه سازی فعالیت یادگیری مغز انسان بر روی کامپیوتر می باشند. یکی از راه های هوشمند سازی کامپیوترها شبکه های عصبی هستند که به آن یادگیری بینایی ماشین می گویند. در شبکه های عصبی مصنوعی که در قدیم استفاده میشده است معمول ورودی شبکه از نوع بردار بوده به این معنی که بر روی داده های آموزش تغییراتی را اعمال می‌کردیم و پس از آن ویژگی یا ویژگی‌هایی خاص را استخراج می کردیم و در نهایت به صورت بردار به شبکه عصبی می دادیم .
البته این ساختار با ساختار مغز متفاوت است چون مغز داده ها را بدون تغییر و تحول می گیرد بنابراین ایده ی الگوریتم یادگیری عمیق که مدتها قبل ارائه شده بود و سخت افزارهایی که بتوان روی آن پیاده سازی کرد وجود نداشت . اما امروزه با پیشرفت تکنولوژی تحقق این الگوریتم به وجود آمده است .
امروزه یادگیری عمیق در تمامی جنبه‌های مختلف به نوعی به ما کمک می کند. هر چقدر به جلوتر می‌رویم میزان کمک یادگیری عمیق به انسان بیشتر و بیشتر می شود. برای مثال خودرو های خودران ، خدمات پیشگیری در امور بهداشتی یا حتی وقتی شما در یک وبسایت دانلود فیلم هستید و فیلم هایی به شما پیشنهاد می شود از یادگیری عمیق نشات میگیرد. چندین مثال دیگر بزنیم
برای مثال برنامه camfind به راحتی می‌تواند تأثیر اجسام را با دوربین موبایل ببینند و تشخیص بدهد آن تصویر چیست و google planet می‌تواند تصویر مکان را دیده و تشخیص دهد آن مکان کجاست و چیست و یا deepstereo برای تکمیل چهره انسان استفاده می شود. میتوانیم دسته های کلی کاربردهای یادگیری عمیق را به صورت زیر بنویسیم
در شبکه های اجتماعی چون فیسبوک که دارای حجمی از داده ها و افراد می باشد . همانطور که می‌دانیم تشخیص چهره یکی از مهمترین ویژگی‌های چنین سایت هایی است که یادگیری عمیق راه رسیدن به پردازش تصویر است که در آن مدل چگونگی انجام وظایف طبقه بندی را مستقیماً از طریق تصاویر ، متون و صداها یاد می گیرد . یادگیری عمیق اغلب به واسطه معماری شبکه عصبی تبلور می‌یابد.
در چند سال گذشته از هوش مصنوعی برای پیش بینی و تشخیص بیماری هایی چون سرطان سینه سرطان پستان بیماری‌های قلبی عروقی دیابت و غیره استفاده های متعددی شده است. در پیش بینی بیماری های قلبی از الگوریتمهای مختلف classification استفاده می شود.
از آنجا که دقت در پژوهش های پزشکی بسیار حیاتی از چندین الگوریتم متفاوت برای دقت صحت آنها استفاده شده است برای مثال الگوریتم های مثل درخت تصمیم ماشین، بردار پشتیبان svm ، شبکه عصبیRBF الگوریتم naive bayes و تعدادی دیگر از الگوریتم های هوش مصنوعی استفاده شده است. در سال ۲۰۱۶ با تحقیقی که انجام شد. پژوهشگران به این نتیجه رسیدند که در واقع استفاده ترکیبی از بهترین الگوریتم های یادگیری ماشین در حوزه پزشکی می تواند بهترین نتیجه ها را در بر داشته باشد .
نمونه ای از انواع پروژه هایی که انجام میشود
آکادمی داده کاوی مجموعه‌ای از متخصصان مجرب است که در زمینه انجام پروژه‌های داده کاوی در تمامی سطوح فعالیت میکنند. این مجموعه علاوه بر انجام پروژه داده کاوی در زمینه آموزش انجام پروژه‌های داده کاوی تجربه‌ی بسیار زیادی دارد. همینطور محصول داده از محصولاتی این گروه است. ما بر آنیم که قدمی هرچند بسیار کوچک در پیشرفت علم مهم داده کاوی در کشورمان ایران برداریم.
آدرس: آستانه اشرفیه پارک ساحلی-پارک علم و فناوری-واحد ۱۴
تمامی حقوق مطالب ، دوره ها و محصولات برای گروه آکادمی داده کاوی محفوظ است و کپی برداری پیگرد قانونی دارد.
