دیپ لرنینگ چیست؟

دیپ لرنینگ بخشی از ماشین لرنینگ می‌باشد، و خود ماشین لرنینگ نیز بخشی از هوش مصنوعی است. در اصل ما در مورد بخشی از علم هوش مصنوعی می‌خواهیم صحبت کنیم.

هنگامی که در مورد دیپ لرنینگ صحبت می‌کنیم، در واقع به موضوع شبکه‌های عصبی عمیق (Deep Neural Network) می‌پردازیم. حال ببینیم شبکه‌های عصبی به چه معنا می‌باشد.

شبکه‌های عصبی مصنوعی

ما در هوش مصنوعی همیشه نگاهمان به سمت بیولوژی موجودات هوشمند می‌باشد. در این صورت می‌تونیم با الگوبرداری از آن‌ها مدل سازی کنیم و سیستم‌هایی را ایجاد کنیم که طبق هوش انسان و موجودات هوشمند دیگر عمل کنند. در شبکه‌های عصبی مصنوعی (Artificial Neural Network) یک سری لایه‌هایی در نظر گرفته می‌شود که داخل آن نورون‌هایی قرار می‌گیرد.  تعداد نورون‌ها و چیدمان لایه‌ها معیاری، جهت ایجاد الگوریتم مد نظر در دیپ لرنینگ می‌باشند. در ابتدا این لایه‌ها یک سری ورودی دارند که بر اساس این ورودی‌ها و عملیاتی که بر روی آن‌ها اعمال می‌شود. تصمیم گرفته می‌شود خروجی به عنوان مثال مثبت یا منفی باشد.

شبکه عصبی عمیق در دیپ لرنینگ

در دیپ لرنینگ هنگامی که تعداد لایه‌های شبکه عصبی از سه لایه بیشتر باشد، شبکه عصبی عمیق ایجاد می‌شود. زیرا مدل با تعداد نورون‌های بسیار زیادی ساخته می‌شود. اگر فرض کنیم هر لایه‌ایی که ایجاد شده است شامل بیست یا سی عدد نورون باشد، خواهیم دید که شبکه عصبی در مجموع تعداد نورون‌های بسیار زیادی خواهد داشت. کاربرد شبکه عصبی عمیق در مواقعی می‌باشد که تعداد داده‌ها زیاد است و این داده‌ها پیچیدگی زیادی دارند.

مزایا و معایب شبکه عصبی عمیق

از جمله مزایای شبکه‌های عصبی عمیق این می‌باشد که داده از یک شبکه باهوش‌تر عبور می‌کند. در واقع تعداد لایه‌ها و نورون‌های تصمیم گیرنده بیشتر شده است. و هنگامی که تعداد لایه‌ها بیشتر می‌شود، لایه به لایه عمق درکی که از اطلاعات موجود به دست می‌آید بیشتر خواهد شد. از دیگر مزایای آن می‌توان به این نکته اشاره کرد که شبکه‌های عصبی عمیق نسبت به یک سیستم ساده ماشین لرنینگ، داده قوی‌تر و پیچیده‌تری را استخراج می‌کند.

در بحث دیپ لرنینگ دو چالش مهم وجود دارد. یک اینکه به دلیل تعداد زیاد نورون‌ها و لایه‌ها در شبکه‌های عصبی عمیق، آموزش شبکه نیازمند  سخت افزار قوی می‌باشد. به این صورت که اگر سخت افزار پیچیده و قدرتمندی نداشته باشیم، زمان زیادی برای حل مساله و آموزش شبکه صرف می‌شود.  اگر سخت افزار خیلی ضعیف‌تر باشد، اصلا امکان آموزش شبکه وجود نخواهد داشت. و با چند پردازش سیستم خطا out of memory خواهد داد. پس در بحث دیپ لرنینگ داشتن سخت افزار مناسب بسیار مهم می‌باشد. البته از google colab برای رفع این مشکل می‌توان استفاده کرد.

چالش دوم در مورد شبکه‌های عصبی عمیق این می‌باشد که اگر داده به اندازه کافی موجود نباشد، شبکه ما با این تعداد از نورون و لایه‌ها به خوبی آموزش نمی‌بیند و همگرا نمی‌شود. که اصطلاحا under fitting یا under training اتفاق می‌افتد. این اصطلاح به این معنی می‌باشد که به اندازه کافی داده در اختیار شبکه قرار نگرفته است که بتواند به خوبی آموزش ببیند. بنابراین در این صورت خروجی حتما بدتر از موقعی خواهد بود که از یک الگوریتم ساده ماشین لرنینگ استفاده کرده باشیم.

چه زمانی باید از دیپ لرنینگ استفاده کرد؟

زمانی باید از دیپ لرنینگ استفاده کرد که داده و پیچیدگی آن بسیار زیاد باشد. در این صورت استفاده از این شبکه‌ها به صرفه خواهد بود. در صورت استفاده از شبکه عصبی عمیق با داده‌های مناسب تحلیل‌ها و پیش بینی‌های بهتری صورت می‌گیرد. اما اگر تعداد داده‌ها مناسب نباشد همان الگوریتم‌های ماشین لرنینگ می‌توانند مناسب باشند.

حوزه‌های مورد استفاده از دیپ لرنینگ

امروزه در تمامی حوزه‌ها از دیپ لرنینگ استفاده می‌شود. در بحث پردازش متن (NLP)، مبحث پردازش گفتار (Speach Recognition Technology)، بینایی کامپیوتر (Computer Vision)، Image Precessing، تحلیل‌های مالی و غیره از دیپ لرنینگ استفاده‌های بسیار زیادی می‌شود.

آموزش یادگیری عمیق در پایتون

برای آشنایی بیشتر با مبحث شبکه عصبی عمیق و دیپ لرنینگ و نحوه کار با آن‌ می‌توانید به دوره جامع آموزش یادگیری عمیق در پایتون  آکادمی رسا مراجعه کنید.