کاربرد هوش مصنوعی ، یادگیری ماشین و یادگیری عمیق(بخش دوم )

کاربرد هوش مصنوعی ، یادگیری ماشین و یادگیری عمیق(بخش دوم)

قسمت 2 :

یادگیری عمیق چیست؟

یادگیری ماشین یعنی اینکه کامپیوترها بتوانند وظایف خود را بدون برنامه ریزی صریح انجام دهند … اما رایانه ها هنوز مانند ماشین ها فکر می کنند و عمل می کنند.

توانایی آنها برای انجام برخی از کارهای پیچیده – به عنوان مثال جمع آوری داده ها از یک تصویر یا فیلم – هنوز بسیار کمتر از توانایی انسان است.

مدلهای یادگیری عمیق یک رویکرد فوق العاده پیچیده را برای یادگیری ماشینی معرفی می کنند و قرار است با این چالشها مقابله کنند زیرا به طور خاص از مغز انسان الگو گرفته اند.

“شبکه های عصبی عمیق” پیچیده و چندلایه ساخته شده اند تا بتوانند داده ها را بین گره ها (مانند نورون ها) به روش های بسیار متصل منتقل کنند.

نتیجه یک تغییر غیر خطی از داده ها است که به طور فزاینده ای انتزاعی است.در حالی که برای تغذیه و ساخت چنین سیستمی حجم عظیمی از داده ها لازم است .

می تواند نتایج فوری ایجاد کند ، و به محض ایجاد برنامه ها ، نیاز نسبتاً کمی به مداخله انسان وجود دارد.

شبکه های عصبی تکاملی :

شبکه های عصبی تکاملی الگوریتم های ویژه ای هستند که برای کار با تصاویر طراحی شده اند. “پیچیدن” در عنوان فرایندی است که یک فیلتر مبتنی بر وزن را بر روی هر ,

عنصر یک تصویر اعمال می کند و به رایانه کمک می کند تا عناصر داخل تصویر را بفهمد و واکنش نشان دهد.این می تواند زمانی مفید باشد.

که شما نیاز به اسکن حجم زیادی از تصاویر برای یک مورد یا ویژگی خاص دارید. به عنوان مثال ، تصاویری از کف اقیانوس برای نشانه های غرق شدن کشتی,، یا عکسی از جمعیت برای چهره یک فرد مجرد.

این علم تجزیه و تحلیل و درک تصویر رایانه ای و درک آن “دید رایانه ای” نامیده می شود و نشان دهنده یک منطقه با رشد بالا در صنعت طی 10 سال گذشته است.

شبکه های عصبی بازگشتی :

در همین حال ، شبکه های عصبی بازگشتی یک عنصر کلیدی را در یادگیری ماشین که در الگوریتم های ساده تر وجود ندارد ، وارد می کند:

حافظه. رایانه می تواند نقاط داده و تصمیمات گذشته را “در ذهن” داشته باشد و هنگام بازبینی داده های فعلی – معرفی قدرت زمینه ، آنها را در نظر بگیرد.

این باعث شده است که شبکه های عصبی بازگشتی به تمرکز اصلی برای کار پردازش زبان طبیعی تبدیل شود. مانند یک انسان ، رایانه در صورت دسترسی به لحن و محتوای قبل از آن ،

درک بهتری از بخشی از متن را انجام می دهد. به همین ترتیب ، اگر رایانه به خاطر داشته باشد که هر کس یک شنبه شب از یک مسیر توصیه شده پیروی می کند ،

دو برابر بیشتر طول می کشد تا به مقصد برسد ، مسیرهای رانندگی دقیق تر می شود.

5 تفاوت اصلی بین یادگیری ماشین و یادگیری عمیق :

در حالی که تفاوت های زیادی بین این دو زیر مجموعه هوش مصنوعی وجود دارد ، در اینجا پنج مورد از مهمترین آنها ذکر شده است:

1. مداخله انسانی :

یادگیری ماشین برای دستیابی به نتیجه نیازمند مداخله مداوم انسان است. راه اندازی یادگیری عمیق پیچیده تر است ، اما پس از آن به حداقل مداخله نیاز دارد.

2. سخت افزار :

برنامه های یادگیری ماشین از الگوریتم های یادگیری عمیق پیچیده تر نیستند و اغلب می توانند در رایانه های معمولی اجرا شوند ،

اما سیستم های یادگیری عمیق به سخت افزار و منابع بسیار قوی تری نیاز دارند. این تقاضا برای برق باعث افزایش استفاده از واحدهای پردازش گرافیکی شده است.

پردازنده های گرافیکی برای حافظه پهنای باند بالا و توانایی پنهان کردن تأخیر (تاخیر) در انتقال حافظه به دلیل موازی کاری (توانایی اجرای بسیاری از عملیات به طور همزمان) مفید است.

3. زمان :

سیستم های یادگیری ماشین را می توان به سرعت راه اندازی و کار کرد ، اما ممکن است در قدرت نتایج آنها محدود باشد. راه اندازی سیستم های یادگیری عمیق زمان بیشتری می طلبد

اما می تواند نتایج آنی را ایجاد کند (اگرچه با در دسترس بودن داده های بیشتر کیفیت به مرور زمان بهبود می یابد).

4. رویکرد :

یادگیری ماشین به داده های ساختار یافته نیاز دارد و از الگوریتم های سنتی مانند رگرسیون خطی استفاده می کند. یادگیری عمیق از شبکه های عصبی استفاده می کند

و برای قرار دادن حجم زیادی از داده های بدون ساختار ساخته شده است.

5. برنامه های کاربردی :

یادگیری ماشین در صندوق ورودی ایمیل ، بانک و مطب پزشک شما استفاده می شود. فناوری یادگیری عمیق برنامه های پیچیده تر و مستقل تری

مانند اتومبیل های خودران یا ربات هایی را که جراحی پیشرفته را انجام می دهند ، فعال می کند.

آینده یادگیری ماشین و یادگیری عمیق :

یادگیری ماشین و عمیق زندگی ما را برای نسل های آینده تحت تأثیر قرار خواهد داد و تقریباً هر صنعتی با قابلیت های خود متحول خواهد شد.

مشاغل خطرناک مانند سفر به فضا یا کار در محیط های سخت ممکن است به طور کامل با مشارکت ماشین جایگزین شود.

در همان زمان ، مردم به هوش مصنوعی روی می آورند تا تجربیات سرگرمی غنی جدیدی را ارائه دهند که به نظر می رسد جنبه های علمی تخیلی داشته باشند.

شما می توانید یادگیری ماشین را در پایتون انجام دهید :

در پایان این مبحث نمونه کد پایتون که نشان دهنده روش پیاده سازی یادگیری ماشین با استفاده از زبان برنامه نویسی پایتون می باشد را ارائه میدهیم .

# make predictions
from pandas import read_csv
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
from sklearn.metrics import confusion_matrix
from sklearn.metrics import accuracy_score
from sklearn.svm import SVC
# Load dataset
url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/iris.csv"
names = ['sepal-length', 'sepal-width', 'petal-length', 'petal-width', 'class']
dataset = read_csv(url, names=names)
# Split-out validation dataset
array = dataset.values
X = array[:,0:4]
y = array[:,4]
X_train, X_validation, Y_train, Y_validation = train_test_split(X, y, test_size=0.20, random_state=1)
# Make predictions on validation dataset
model = SVC(gamma='auto')
model.fit(X_train, Y_train)
predictions = model.predict(X_validation)
# Evaluate predictions
print(accuracy_score(Y_validation, predictions))
print(confusion_matrix(Y_validation, predictions))
print(classification_report(Y_validation, predictions))

نیازی نیست همه چیز را درک کنید. (حداقل در حال حاضر) هدف شما این است که آموزش را به صورت نهایی اجرا کرده و نتیجه بگیرید..

هر چه پیش می روید سوالات خود را فهرست کنید. از نحو ه تعریف توابع در  (“FunctionName”) در پایتون استفاده کنید تا همه عملکردهایی را که استفاده می کنید بیاموزید.

                                                                           پایان موفق باشید