یادگیری عمیق (Deep Learning) زیرشاخه یادگیری ماشین (Machine Learning) است. این زیرشاخه در اصل یک شبکه‌ی عصبی (Neural Network) با سه یا چند لایه است. این شبکه‌های عصبی سعی در شبیه‌سازی رفتار مغز انسان دارند که به آن‌ها این امکان را می‌دهد تا با تحلیل حجم زیادی از داده برای انجام‌دادن وظیفه‌ای مشخص آموزش ببینند.

هوش مصنوعی (Artificial Intelligence) و یادگیری ماشین (Machine Learning) سنگ‌بنای انقلاب بعدی در محاسبات محسوب می‌شوند. این فناوری‌ها با تشخیص الگوهای موجود در داده کار می‌کنند و براساس داده‌هایی که از قبل دیده‌اند، خروجی را پیش‌بینی می‌کنند. وقتی در وب‌سایت آمازون (Amazon) خرید می‌کنید یا در نتفلیکس (Netflix) فیلمی می‌بینید، آن‌ها پیشنهادهایی را به شما می‌دهند. این پیشنهادها براساس علاقه‌های شما و مواردی است که قبلاً آن را خریده یا تماشا کرده‌اید.

خوب است بدانید که همه‌ی این‌ها با یادگیری عمیق (Deep Learning) ممکن شده است. حال که متوجه شدیم یادگیری عمیق کاملاً با زندگی روزمره ما در ارتباط است و همه‌ی آن‌ها حداقل یک بار از آن به‌طور غیر مستقیم یا حتی مستقیم استفاده کرده‌ایم، خوب است بیشتر با این تکنولوژی آشنا شویم.

یادگیری ماشین چیست؟

همان‌طور که از نام آن پیداست، یادگیری ماشین علم ایجاد الگوریتم هایی است که می توانند بدون هدایت انسان، یاد بگیرند

چندین نوع ماشین لرنینگ وجود دارد:

یادگیری با ناظر یا یادگیری نظارت شده: رایج ترین شکل یادگیری، یادگیری ماشین نظارت شده (Supervised Learning) است که در آن داده‌های برچسب‌دار در اختیار الگوریتم قرار می‌گیرد. این داده‌ها که «داده‌های آموزشی» نامیده می‌شوند، هم ورودی‌ها و هم خروجی‌های مورد نظر را به الگوریتم می‌دهند تا یاد بگیرد که چگونه از ورودی برای رسیدن به خروجی استفاده کند. در نهایت با دریافت داده‌های جدیدی که خروجی آن‌ها برای ماشین مشخص نیست، عملکردش تست می‌شود.

یادگیری بدون نظارت: برخلاف الگوریتم‌های تحت نظارت، مجموعه داده‌های یادگیری بدون نظارت (Unsupervised Learning)  فقط شامل ورودی‌ها هستند و الگوریتم باید به سادگی از این ورودی‌ها یاد بگیرد. الگوریتم‌های یادگیری ماشین به خروجی یا همان برچسب‌های ورودی‌ها دسترسی ندارند و باید الگوها و اشتراکاتی را بین نقاط داده پیدا کنند تا تسک مورد نظر خود را انجام دهند.

یادگیری تقویتی: یادگیری تقویتی (Reinforcement Learning) بر عوامل (Agents) یادگیر یا برنامه‌هایی که در محیط‌های خاص عمل می‌کنند تأکید دارد – یک مثال خوب برای یادگیری تقویتی یک بازیکن کنترل‌شده با رایانه در یک بازی ویدیویی است. در این نوع یادگیری عامل سعی می‌کند با به حداکثر رساندن پاداش، تسک خود را یاد بگیرد.

این سه نوع از اصلی‌ترین نوع یادگیری ماشین محسوب می‌شوند.

یادگیری ماشین پدیده جدیدی نیست. از اواسط قرن بیستم، بخش عمده ای از تحقیقات در زمینه هوش مصنوعی به همین حوزه مختص بوده است. در روزهای اولیه یادگیری ماشین، الگوریتم‌ها بر رویکردهای خطی برنامه‌نویسی متمرکز بودند. به این معنا که برنامه نویسان با استفاده از برنامه‌های پیچیده‌ که بر اساس منطق If-Then-Else ساخته می‌شدند، الگوریتم‌های یادگیری ماشین را می‌ساختند. این ساختار در زمینه‌هایی مانند توسعه سیستم‌های خبره موفقیت‌های زیادی پیدا کرد، اما وقتی نوبت به ماشین‌های متفکر پویا و پاسخگو ‌رسید، به سد بزرگی برخورد کرد. این‌جا بود که مهندسان شروع به ساخت ساختارهای مغز مانند به نام «شبکه‌های عصبی» کردند که الگوریتم‌های یادگیری ماشین را به جلو سوق داد. شبکه‌های عصبی به منظور تقلید از نحوه عملکرد مغز ما هستند. به جای برنامه های خطی با منطق پیچیده، یک شبکه عصبی از طریق مجموعه ای از نودها کار می کند که می توانند از طریق سیستمی از وزن ها و مقادیر مرتبط، ورودی‌ای را بپذیرند و بر اساس آن، خروجی‌ای را ارائه دهند. این اختراع شبکه عصبی بود که افق‌های جدیدی را برای حوزه یادگیری ماشین، از جمله مفهوم یادگیری عمیق (Deep Learning) باز کرد.

آشنایی با یادگیری ماشین به شما کمک می‌کند دیپ لرنینگ را بهتر در کنید:

یادگیری ماشین (Machine Learning) چیست و چگونه کار می‌کند؟

در این مطلب ابتدا یادگیری عمیق را معرفی می‌کنیم، نحوه کار آن را بررسی می‌کنیم و درنهایت با برخی از کاربردهای آن آشنا می‌شویم.

یادگیری عمیق (Deep Learning) چیست؟

دیپ لرنینگ (Deep Learning) را می‌توان زیرمجموعه‌ی یادگیری ماشین دانست که با استفاده از الگوریتم‌های خاصی آموزش می‌بیند و خود را بهتر می‌کند.

یادگیری ماشین از مفاهیم ساده‌تری استفاده می‌کند، اما یادگیری عمیق با شبکه‌های عصبی مصنوعی (ANN) کار می‌کند. این شبکه‌ها به‌منظور تقلید از تفکر و یادگیری انسان طراحی شده‌اند. تا چندین سال پیش شبکه‌های عصبی (ANN)، به‌دلیل کافی‌ نبودن قدرت محاسباتی، محدود بودند، اما با پیشرفت در حوزه تجزیه‌وتحلیل داده‌های عظیم (Big Data Analysis) امکان ایجاد شبکه‌های عصبی بزرگتر و پیچیده‌تری را فراهم کرد. این موضوع به کامپیوترها امکان مشاهده، یادگیری و واکنش به موقعیت‌های پیچیده را حتی سریع‌تر از انسان می‌دهد.

یادگیری عمیق، مانند یادگیری ماشین، مربوط به آموزش الگوریتم‌ها برای انجام تسک‌های خاص است. اما یادگیری عمیق به طور خاص بر استفاده از شبکه‌های عصبی متمرکز است تا به مغز ماشینی بیاموزد که چگونه کارهای پیچیده را بدون داشتن ناظر مستقیم انسانی که یادگیری آن‌ها را هدایت می‌کند، بیاموزد. درواقع دیپ لرنینگ زیرشاخه یادگیری ماشین و نوع پیشرفته آن محسوب می‌شود. شبکه‌های عصبی که در یادگیری عمیق به کار گرفته می‌شوند، به نوعی نحوه عملکرد مغز انسان را تقلید می‌کنند. برای درک بهتر این موضوع، به این مثال فکر کنید – تشخیص چهره در تصاویر. می دانیم که یک سیستم کامپیوتری می تواند یک تصویر بگیرد و افراد خاصی را در آن تصویر از طریق تشخیص چهره شناسایی کند. این چیزی است که ما همیشه از محصولات شرکت‌هایی مانند Google و Facebook دیده‌ایم. یا حتی گوشی تلفن همراهمان هم ممکن است این امکان را داشته باشد که قفلش با تشخیص چهره ما باز شود. این نوع تسک‌ نسبتاً پیچیده است، یا حداقل بیست یا حتی ده سال پیش، تسکی پیچیده برای ماشین محسوب می‌شد. اما در حال حاضر با کمک یادگیری عمیق این امکان برای ماشین‌ها فراهم شده تا چهره ما را به راحتی تشخیص دهند و قفل تلفن همراه یا لپ‌تاپمان را باز کنند.

دیپ لرنینگ به طبقه‌بندی تصاویر (Image Classification)، ترجمه زبان‌های مختلف (Language Translation)، تشخیص گفتار (Speech Recognition) کمک کرده است.

رابطه بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق چیست؟

ممکن است هر از چند گاهی ببینید عباراتی مانند هوش مصنوعی، یادگیری ماشین و یادگیری عمیق به جای یکدیگر استفاده می‌شوند. اما واقعیت این است که آن‌ها زیرمجموعه های یکدیگر هستند، به طوری که حوزه هوش مصنوعی حوزه وسیعی از تحقیقات و مهندسی را در بر می‌گیرد. پس از آن، یادگیری ماشین زیرمجموعه‌ای از حوزه هوش مصنوعی است که به نحوه یادگیری ماشین‌ها برای انجام تسک‌های خاص برمی‌گردد. در نهایت، یادگیری عمیق یک شکل بسیار تخصصی از یادگیری ماشین است که از رویکردها و فناوری های خاص یادگیری استفاده می‌کند.

به طور خلاصه هر یک از این سه حوزه به شکل زیر قابل تعریف هستند:

هوش مصنوعی: هوش مصنوعی حوزه بزرگی است که بزرگترین چالش‌های ماشین‌های هوشمند را پوشش می‌دهد. این حوزه شامل سؤالات فلسفی در مورد اخلاق و دوام هوش مصنوعی، معیارها و رویکردهای مختلف هوش مصنوعی، کاربردهای مختلف هوش مصنوعی (پردازش زبان طبیعی، بازی، رباتیک و غیره) است.

یادگیری ماشین: همان‌طور که قبلا بیان کردیم، بررسی تکنیک هایی برای چگونگی یادگیری ماشین‌ها در محیط های مختلف برای انجام تسک‌های مختلف است و اینکه این امکان برای ماشین‌ها فراهم شود تا مستقل از مداخله انسان، انتخاب‌های معناداری داشته باشند.

یادگیری عمیق: با استفاده از شبکه‌های عصبی، دیپ لرنینگ تکنیکی برای مدل‌سازی یادگیری ماشین بر روی مغز انسان است.

حال که با یادگیری عمیق آشنا شدیم در بخش بعد نحوه‌ی کار آن را بررسی خواهیم کرد.

یادگیری عمیق

یادگیری عمیق چطور کار می‌کند؟

شبکه‌های عصبی (ANNs) لایه‌هایی متشکل از تعدادی نود هستند، دقیقاً مانند مغز انسان که از نورون‌ها تشکیل شده است. هر قدر که تعداد لایه‌های یک شبکه‌ی عصبی (ANN) بیشتر باشد، آن شبکه عمیق‌تر محسوب می‌شود. نودهای درون هر لایه به لایه‌های مجاور متصل هستند. یک نورون در مغز انسان هزاران سیگنال از نورون‌های دیگر دریافت می‌کند.

در یک شبکه‌ی عصبی مصنوعی (ANN) سیگنال‌ها میان نودها حرکت می‌کنند و وزن‌هایی را به هر نود اختصاص می‌دهند. نودی که وزن بیشتری دارد روی لایه‌ی بعدی تأثیر بیشتری خواهد گذاشت.

ابزار یادگیری عمیق

سیستم‌های یادگیری عمیق (Deep Learning) برای اینکه نتایج دقیقی را ارائه کنند به داده‌های زیادی نیاز دارند؛ بنابراین این سیستم‌ها به سخت‌افزار قدرتمندی احتیاج دارند تا این حجم زیاد از داده را پردازش کنند و محاسبات ریاضی پیچیده‌ای را انجام دهند؛ با این وجود، حتی با داشتن چنین سخت‌افزار پیشرفته‌ای آموزش یادگیری عمیق ممکن است هفته‌ها طول بکشد.

لایه‌های یادگیری عمیق

لایه‌های یادگیری عمیق

همان‌طور که پیش‌تر گفته شد، شبکه‌های عصبی عمیق از چندین لایه‌ی نود به‌ هم‌ پیوسته تشکیل شده‌اند. هر یک از این لایه‌ها براساس لایه‌های قبلی ایجاد شده‌اند. به این ارتباط میان لایه‌ها و پیشرفت محاسبات در طول شبکه انتشار روبه‌جلو (Froward Propagation) گفته می‌شود.

اولین لایه که در آن مدل یادگیری عمیق داده‌ها را برای پردازش دریافت می‌کند لایه‌ی ورودی و لایه‌ای که در آن پیش‌بینی یا طبقه‌بندی نهایی انجام می‌شود لایه‌ی خروجی نامیده می‌شود. لایه‌های میان این دو لایه را لایه‌های میانی یا نهان (Hidden Layers) می‌نامند.

فرایند دیگری به‌نام انتشار روبه‌عقب (Backpropagation) با استفاده از الگوریتم‌هایی مانند گرادیان نزولی (Gradient Descent) نیز وجود دارد که خطای خروجی را محاسبه می‌کند و سپس با حرکت به عقب در طول لایه‌ها، وزن‌های نودها را تنظیم می‌کند تا بتواند مدل را آموزش دهد. به طور کلی انتشار روبه‌جلو و انتشار روبه‌عقب کاری می‌کنند که یک شبکه‌ی عصبی (ANN) ابتدا خروجی را ارائه دهد و سپس خطای خود را براساس خروجی‌‌ داده‌شده اصلاح کند. با گذشت زمان الگوریتم به‌تدریج دقیق‌تر می‌شود و نتایج قابل‌قبولی را ارائه می‌کند.

تا این مرحله نحوه‌ی کار یادگیری عمیق را یاد گرفتیم. حال باید ببینیم که یادگیری عمیق دقیقاً به چه کاری می‌آید و چرا اصلاً به آن نیاز داریم؟ در بخش بعد با برخی از کاربردهای آن آشنا می‌شویم تا بفهمیم چقدر این حوزه بر زندگی ما تأثیر می‌گذارد.

برای آشنایی با یادگیری ماشین این مطلب را مطالعه کنید:

فواید یادگیری ماشین برای جامعه چیست؟

موارد کاربرد یادگیری عمیق چیست؟

کاربردهای یادگیری عمیق (Deep Learning) در دنیای واقعی بخشی از زندگی روزمره ما هستند، اما در بیشتر موارد، آن‌ها به‌اندازه‌ای در محصولات و خدمات ادغام شده‌اند که کاربران از پردازش داده‌های پیچیده‌ای که در پس‌زمینه‌ی آن‌ها انجام می‌شود، بی‌اطلاع هستند. برخی از این نمونه‌ها این موارد را شامل است:

اجرای قانون (Law Enforcement)

الگوریتم‌های یادگیری عمیق می‌توانند با تجزیه‌وتحلیل و یادگیری از داده‌ها الگوهایی را شناسایی کنند که نشان‌دهنده‌ی فعالیت‌های کلاهبرداری یا جنایتکارانه است. تشخیص گفتار (Speech Recognition)، بینایی ماشین (Computer Vision)  و دیگر کاربردهای یادگیری عمیق (Deep Learning) می‌توانند با استخراج الگوها و شواهد از صدا، ویدئو، اسناد و مدارک، کارایی و اثربخشی تجزیه‌وتحلیل تحقیقات را در این زمینه بهبود بخشند.

خدمات مالی (Financial Services)

مؤسسات مالی به‌طور منظم از تجزیه‌وتحلیل‌ها و پیش‌بینی‌های یادگیری عمیق برای معاملات سهام استفاده می‌کنند، ریسک‌های تجاری را برای تأیید وام‌ها ارزیابی می‌کنند، کلاه‌برداری را تشخیص می‌دهند و حساب‌ها و سرمایه‌گذاری مشتریان را مدیریت می‌کنند.

خدمات مشتری (Customer Service)

بسیاری از سازمان‌ها فناوری یادگیری عمیق را در فرایندهای خدمات مشتری خود گنجانده‌اند. چت‌بات‌ها که در انواع وب‌سایت‌ها و درگاه‌های خدمات مشتری استفاده می‌شوند نمونه‌ای از به‌کارگیری یادگیری عمیق در این حوزه هستند. دستیارهای مجازی (Virtual Assisstants)، مانند سیری اپل (Apple Siri) یا الکسای آمازون (Amazon Alexa) ، نیز نمونه‌ی دیگری از همین کاربرد هستند.

برای آشنایی بیشتر با یادگیری عمیق و کاربردهای آن این مطلب را مطالعه کنید:

کاربردهای برتر یادگیری ماشین در ۲۰۲۲ چیست؟

کاربردهای یادگیری عمیق در حوزه‌ی پزشکی

یکی از مفیدترین کاربردهای یادگیری عمیق را می‌توان در حوزه‌ی پزشکی دانست. در این بخش قصد داریم به طور خاص به برخی از کاربردهای یادگیری عمیق در حوزه پزشکی اشاره کنیم.

یادگیری عمیق به متخصصان و محققان پزشکی کمک می کند تا فرصت های پنهان در داده ها را کشف کنند و به صنعت مراقبت های بهداشتی خدمات بهتری ارائه دهند. یادگیری عمیق در حوزه ی پزشکی، تجزیه و تحلیل دقیق هر بیماری را به پزشکان ارائه می دهد و به آن‌ها کمک می کند تا آن‌ها را بهتر درمان کنند و در نتیجه تصمیمات پزشکی بهتری را در پی دارد.

برخی از اصلی‌ترین کاربردهای یادگیری عمیق در حوزه‌ی پزشکی عبارتند از:‌

کشف دارو

یادگیری عمیق به کشف داروها و توسعه آن‌ها کمک می کند. این فناوری تاریخچه پزشکی بیمار را تجزیه و تحلیل می کند و بهترین درمان را برای آن‌ها ارائه می کند. علاوه بر این، این فناوری در حال رسیدن به مرحله‌ای است که می‌تواند بینش لازم از علائم و آزمایشات بیمار را به دست آورد.

تصویربرداری پزشکی

تکنیک های تصویربرداری پزشکی مانند اسکن MRI، سی تی اسکن، نوار قلب، برای تشخیص بیماری های خطرناکی مانند بیماری قلبی، سرطان و تومور مغزی استفاده می شود. در این حوزه، یادگیری عمیق به پزشکان کمک می کند تا بیماری را بهتر تجزیه و تحلیل کنند و بهترین درمان را به بیماران ارائه دهند.

تقلب در بیمه پزشکی

یادگیری عمیق برای تجزیه و تحلیل ادعاهای تقلب بیمه پزشکی استفاده می‌شود. یادگیری عمیق با تجزیه و تحلیل پیش‌بینی‌کننده (Predictive Analysis)، می‌تواند ادعاهای کلاهبرداری را که ممکن است در آینده اتفاق بیفتد، پیش‌بینی کند. علاوه بر این، یادگیری عمیق به صنعت بیمه کمک می‌کند تا تخفیف ها و پیشنهادات خود را برای بیماران هدف خود ارسال کند.

بیماری آلزایمر

آلزایمر یکی از چالش های مهمی است که صنعت پزشکی با آن مواجه است. از تکنیک‌های یادگیری عمیق برای تشخیص بیماری آلزایمر در مراحل اولیه استفاده می‌شود.

ژنوم

یکی دیگر از حوزه‌های پزشکی که یادگیری عمیق می‌تواند در آن مفید باشد، تکنیک‌های خاص یادگیری عمیق برای درک ژنوم و کمک به بیماران در مورد بیماری هایی که ممکن است آن‌ها را تحت تاثیر قرار دهد استفاده می‌شود. یادگیری عمیق آینده امیدوار کننده ای در حوزه‌ی ژنومیک و همچنین صنعت بیمه دارد. از تکنیک یادگیری عمیق برای سریع‌تر و دقیق‌تر کردن کار پزشکان استفاده می‌شود. یادگیری عمیق در حوزه‌س پزشکی می تواند کاربردهای شگفت انگیزی را در اختیار پزشکان و بیماران قرار دهد که به پزشکان کمک می کند تا درمان های پزشکی بهتر و سریع‌تر انجام دهند.

خلاصه‌ی مطالب

در این مقاله یادگیری عمیق (Deep Learning) و نحوه‌ی کار آن را معرفی کردیم. دیدیم که تکنیک‌های یادگیری عمیق به‌نوعی با زندگی روزمره‌ی همه‌ی ما گره خورده است. ما در طول روز بارها از امکاناتی که ازطریق همین تکنیک‌ها ایجاد شده‌اند استفاده می‌کنیم.

برخی معتقدند هنوز یادگیری عمیق از مفهوم اصلی هوش مصنوعی (Artificial Intelligence) که به‌معنای ایجاد ماشین‌هایی است که دقیقاً مانند انسان‌ها فکر و عمل کنند فاصله‌ی زیادی دارد؛ با‌این‌حال این حوزه هم‌چنان در حال رشد و توسعه است و باید ببینیم در آینده تا چه حد می‌توانیم با استفاده از یادگیری عمیق به هوش مصنوعی واقعی برسیم.

برای آشنایی بیشتر با هوش مصنوعی این مطلب را مطالعه کنید:

هوش مصنوعی چیست و چه کاربردهایی دارد؟

آموزش علم داده و یادگیری ماشین در کافه‌تدریس

اگر به حوزه علم داده و یادگیری ماشین علاقه دارید، پیشنهاد ما شرکت در کلاس‌های آنلاین آموزش علم داده کافه‌تدریس است.

کافه‌تدریس دوره‌های آموزشی علم داده مقدماتی و پیشرفته را به‌صورت آنلاین برگزار می‌کند. این کلاس‌ها مبتنی بر پروژه‌های واقعی دیتا ساینس است و به‌صورت کاملاً تعاملی و پروژه‌محور برگزار می‌شود.

برای آشنایی با کلاس‌های آنلاین آموزش علم داده کافه‌تدریس و مشاوره رایگان برای ورود به دنیای دیتا ساینس روی این لینک کلیک کنید:

کلاس‌های آنلاین علم داده کافه‌تدریس