یادگیری عمیق چیست؟

یادگیری ماشین یا یادگیری عمیق؟

یادگیری ماشین تکنیک‌ها و مدل‌های متنوعی دارد. هر دو روش در جای خودشان خوب کار می‌کنند. مسئله‌ی شما و حجم داده‌تان تعیین می‌کند کدام یک بهتر است. یادگیری عمیق داده‌ی فراوان می‌خواهد. برای پردازش سریع هم GPU لازم دارد.

ابتدا حجم داده‌هایتان را بسنجید و سپس بررسی کنید که آیا GPU دارید یا خیر. برای داده‌های کم یا سیستم‌های فاقد GPU، یادگیری ماشین انتخاب مناسب‌تری است. در مقابل، اگر داده کافی، GPU قدرتمند و مسئله‌ای در حوزه تصویر، صدا یا زبان طبیعی دارید، یادگیری عمیق عملکرد بهتری ارائه می‌دهد.

چگونه مدل‌های یادگیری عمیق بسازیم؟

برای دسته‌بندی (Classification) با یادگیری عمیق سه روش دارید:

1. یادگیری عمیق از صفر: در این روش، ابتدا مجموعه داده‌ای بسیار بزرگ و برچسب‌خورده جمع‌آوری می‌کنید و سپس معماری شبکه را طراحی می‌کنید. برای برنامه‌های جدید یا مسائلی با تعداد دسته خروجی زیاد مناسب است، اما چون آموزش زمان زیادی می‌برد، رایج نیست.
2. یادگیری انتقالی: این روش رایج‌ترین راه است واز مدل‌هایی بهره می‌گیرد که قبلاً روی داده‌های بزرگ یاد گرفته‌اند. ابتدا یک شبکه‌ی پیش‌آموزش‌دیده مثل ResNet یا VGG برمی‌دارید. سپس داده‌های برچسب‌دار خودتان را به آن می‌دهید و چند لایه‌ی آخرش را دوباره آموزش می‌دهید.
3. استخراج ویژگی‌ها: این روش رواج کمتری دارد. شبکه فقط ویژگی‌ها را استخراج می‌کند و شما این ویژگی‌ها را به الگوریتم‌های یادگیری ماشین مانند SVM می‌دهید.

کاربردهای یادگیری عمیق

ردپای یادگیری عمیق را از خودروهای خودران تا پزشکی می‌توانید ببینید. در ادامه مهم‌ترین کاربردهای آن را مرور می‌کنیم.

• رانندگی خودکار

  پژوهشگران خودروهای خودران از یادگیری عمیق برای شناسایی خودکار چراغ راهنمایی، علائم توقف و عابران پیاده بهره می‌گیرند.

• صنایع دفاعی و هوافضا

  یادگیری عمیق در تصاویر ماهواره‌ای و فضایی اشیا را شناسایی می‌کند و مناطق امن و ناامن را از هم جدا می‌کند.

• تحقیقات پزشکی

  پژوهشگران سرطان با یادگیری عمیق سلول‌های سرطانی را خودکار تشخیص می‌دهند. برای نمونه، تیمی در دانشگاه UCLA میکروسکوپ پیشرفته‌ای ساخت که با یک مجموعه‌داده بزرگ، مدل یادگیری عمیق را برای شناسایی دقیق سلول‌های سرطانی آموزش می‌دهد. این فناوری در تحلیل تصاویر پزشکی مثل رادیولوژی هم کاربرد فراوان دارد.

• اتوماسیون صنایع

  یادگیری عمیق نزدیک‌شدن افراد یا اشیا به فاصله ناامن از ماشین‌آلات سنگین را خودکار تشخیص می‌دهد و به ایمنی کارگران کمک می‌کند.

• الکترونیک و دستیارهای صوتی

  دستگاه‌هایی که به صدای انسان پاسخ می‌دهند، با یادگیری عمیق صدا را تشخیص می‌دهند، منظور و ترجیحات کاربر را می‌فهمند و جواب می‌دهند.

• تشخیص و شناسایی گفتار

  تشخیص گفتار از نخستین و مهم‌ترین کاربردهای موفق یادگیری عمیق است. دستیارهای صوتی و ابزارهای تبدیل گفتار به متن از آن استفاده می‌کنند.

• پردازش هنرهای تجسمی

  پردازش تصویر در هنرهای تجسمی روزبه‌روز رشد می‌کند. مدل‌های یادگیری عمیق دوره تاریخی یک نقاشی را تشخیص می‌دهند، سبک یک اثر هنری را شناسایی می‌کنند و همان سبک را روی تصویر یا ویدئوی دیگر اجرا می‌کنند.

• سیستم‌های توصیه‌گر

  Netflix، Amazon، Spotify و بسیاری از برنامه‌های دیگر برای بهتر کردن تجربه کاربران به سیستم‌های توصیه‌گر تکیه می‌کنند. این سیستم‌ها با تحلیل داده‌های رفتاری کاربران و کمک یادگیری عمیق، پیشنهادهای دقیق‌تری می‌دهند.

• نظرکاوی (تحلیل احساسات)

  با تکنیک‌های پردازش زبان طبیعی می‌توانید اطلاعات را از نظرات کاربران بیرون بکشید و مثبت یا منفی بودن آن‌ها را تشخیص بدهید.

• فیلتر محتوای نامناسب

  فیلتر دستی محتوای نامناسب در سایت‌ها کار دشواری است.یادگیری عمیق محتوای نامناسب را تشخیص می‌دهد.

• ترجمه ماشینی

  در ترجمه ماشینی، سیستم کلمات و جملات یک زبان را خودکار به زبان دیگر برمی‌گرداند. ترجمه ماشینی پیش از یادگیری عمیق هم وجود داشت، اما این فناوری دقت و روانی آن را به‌طور چشمگیری بالا برد.

• بیوانفورماتیک

  در دوره داده‌های حجیم (Big Data)، الگوریتم‌های یادگیری عمیق می‌توانند داده‌های عظیم بیوانفورماتیک را تحلیل کنند و در ژنتیک و کشف دارو دانش تازه‌ای به دست بیاورند.

• هوش مصنوعی مولد و مدل‌های زبانی بزرگ

  مدل‌هایی که متن، تصویر، صدا و کد تولید می‌کنند، بر پایه یادگیری عمیق کار می‌کنند.

کاربردهای یادگیری عمیق به موارد بالا محدود نیست. تبلیغات، بازسازی تصاویر، کشف تقلب، کشف دارو و سم‌شناسی، مدیریت ارتباط با مشتری، تشخیص پلاک خودرو، تشخیص چهره و تبدیل تصویر به متن (OCR) هم از کاربردهای دیگر آن هستند.

جمع‌بندی

تفاوت اصلی یادگیری عمیق با یادگیری ماشین سنتی در استخراج خودکار ویژگی‌ها و بهبود عملکرد مدل با افزایش داده‌هاست.اگر داده کافی یا GPU قدرتمندی ندارید، یادگیری ماشین را انتخاب کنید. در غیر این صورت، یادگیری انتقالی سریع‌ترین و کم‌هزینه‌ترین راه ساخت مدل یادگیری عمیق است.