مبانی و مقدمات یادگیری عمیق

این فیلم آموزشی قسمت اول از بسته آموزشی یادگیری عمیق می‌باشد. ما در این فیلم آموزشی شما را با مبانی و مقدمات یادگیری عمیق آشنا می‌کنیم تا دانش لازم برای کار در زمینه یادگیری عمیق را کسب کنید و بتوانید مدلهای خود را در زبان‌های برنامه نویسی مختلف پیاده سازی کنید.

هوش مصنوعی شبیه سازی هوش بشر می‌باشد. آرزوی دیرینه بشر که بتواند یک سیستم طراحی کند که بتواند از عملکردی شبیه هوش انسان برخوردار باشد. مغز بشر که هسته اصلی تصمیم گیری می‌باشد حاوی میلیون‌ها نرون عصبی می‌باشد که وظیفه اصلی هوش را برعهده دارد. هر شخصی در طول زندگی خود حجم عظیمی‌از دانش و داده را از محیط اطراف خود بدست می‌آورد. این داده‌ها توسط مغز پردازش می‌شود و دانش از بین آنها استخراج می‌شود. بیان ریاضی عملکرد یادگیری مغز از محیط پیرامون بسیار مشکل می‌باشد لذا یکی از سختی‌های مدلسازی هوش در مغز ، عدم درک بشر از عملکرد یادگیری مغز و تبدیل آن به هوش می‌باشد. ما نیاز داریم که سیستم‌های کامپیوترهای طراحی کنیم که همان داده‌های ورودی مغز را بگیرند و آنرا تبدیل به هوش کنند. سوال اصلی اینجا این است که چگونه داده‌های خارجی را به هوش تبدیل کنیم تا یک سیستم کامپیوتری هم بتواند شبیه مغز ما آموزش پیدا کند و عملکردی شبیه مغز ما داشته باشد.

محققین برای رفع این مشکل الگوریتم‌های معرفی کردند که الگوهایی را از داده‌های ورودی استخراج می‌کنند. این مفهوم به نام یادگیری ماشین شناخته می‌شود. با معرفی یادگیری ماشین ، سیستم‌های هوشمند توانستند از محیط بیرون اطلاعات استخراج کنند و مدل‌هایی معرفی شد که مشکل قبلی موجود در هوش مصنوعی را تا حدودی رفع کنند. یک الگوریتم یادگیری ماشین ساده naïve bayes می‌باشد که ایمیل‌های spam را می‌تواند از ایمیل‌های واقعی جدا کند.

راندمان الگوریتم‌های یادگیری ماشین به نحوه بیان داده‌های ورودی به آن بستگی دارد. این مفهوم به نام representation شناخته می‌شود. به عنوان یک سیستم تشخیص بیماری را بر اساس یادگیری ماشین را در نظر بگیرید که بر اساس نتایج آزمایشات بیمار مثل مقدار قند و اوره و چربی و … کار تشخیصی خود را انجام می‌دهد. این سیستم خودش نمی‌تواند به بیمار ارتباط مستقیم ایجاد کند و تنها بر اساس داده‌هایی که دکتر به سیستم می‌دهد می‌تواند کار تشخیصی را انجام دهد. یعنی اگر دکتر مقدار چربی خون را وارد نکند ، سیستم نمی‌تواند جواب دهد چون یکی از ورودی‌های نامشخص است. این سیستم نمی‌تواند بر اساس تصویر MRI کار کند چون نمی‌تواند درک درستی از تصویر داشته باشد و فقط بر اساس داده‌های آزمایش بیمار تصمیم گیری می‌کند.

بسیاری زیادی از کارهای هوش مصنوعی را می‌توان با طراحی ویژگی استخراجی از داده‌های ورودی با کمک الگوریتم‌های یادگیری ماشین حل کرد. به عنوان مثال یکی از ویژگی‌های که در شناسایی گوینده در پردازش سیگنال صحبت کاربرد دارد ، تخمین اندازه vocal tract گوینده می‌باشد الگوریتم با این ویژگی می‌تواند تشخیص دهد که گوینده مرد، زن ، یا بچه می‌باشد.

نکته مهمی‌که در اینجا وجود دارد که ما در هر کاربری نمی‌دانیم چه ویژگیهایی را استخراج کنیم تا به بهترین راندمان برسیم لذا استخراج ویژگی یکی از نقاط ضعف مدل‌های یادگیری ماشین می‌باشد. گاهی یافتن ویژگی‌های مناسب یک کاربرد خاص بعد از تحققین صدها محقق پیدا می‌شود که نشان دهنده ضعف مدلهای یادگیری ماشین می‌باشد.

یادگیری عمیق برای حل مشکل مدلهای یادگیری ماشین مطرح شد. مدلهای یادگیری عمیق دیگر دنبال الگوریتم‌های استخراج ویژگی نبودند و با کمک‌های لایه‌های خود می‌توانستند عملکردی شبیه مغز انسان داشته باشند. یک شکل مفهومی‌از یادگیری عمیق را می‌توانید در شکل زیر ببینید که در فیلم آموزشی مبانی مقدمات یادگیری عمیق ایران متلب به خوبی توضیح داده شده است:

 

 

 

سرفصل‌های این فیلم آموزشی :

مغز انسان
نرونها در مغز انسان
چرا یادگیری عمیق؟
تاریخچه هوش مصنوعی و یادگیری عمیق
اولین شبکه عصبی مصنوعی
مروری بر مسابقات هوش مصنوعی و انسان
کاربردهای امروزی هوش مصنوعی
مثال ماشین بدون راننده
نقاط عطف در هوش مصنوعی
آماری از تعداد مقالات در زمینه یادگیری عمیق
معرفی کتابخانه‌های TensorFlow و Pytorch و Keras
ارتباط Keras و TensorFlow
معرفی CPU و GPU و TPU
برنامه نویسی یادگیری عمیق برای موبایل
برنامه نویسی یادگیری عمیق برای cloud
خداحافظی با پایتون 2
اهمیت پایتون 3
یادگیری ماشین چیست؟
چگونه یادگیری ماشین را پیاده سازی کنیم؟
اهمیت داده (data) در یادگیری عمیق
چرا الان باید یادگیری عمیق را یاد بگیریم؟
پیشرفت‌های اخیر در یادگیری عمیق
یادگیری عمیق در پزشکی
تشخیص بیماری ژنتیک از روی چهره شخص
کاربردهای مختلف یادگیری عمیق
ارتباط بین هوش مصنوعی و یادگیری ماشین و یادگیری عمیق
تفاوت یادگیری ماشین و یادگیری عمیق
مفهوم یادگیری عمیق
(لبه و گوشه و قسمت‌های شی) در ماشین بینایی با یادگیری عمیق
توضیح مرحله به مرحله یک مدل یادگیری عمیق
تفسیر خروجی یک سیستم یادگیری عمیق
چرا یک سیستم یادگیری عمیق به صورت یک درصد احتمالی خروجی می‌دهد؟
مفهوم representation در یادگیری عمیق
افزایش بعد
ارتباط راندمان و حجم داده‌های آموزش در یادگیری عمیق و یادگیری ماشین
نقش داده‌ها در یادگیری عمیق
نقطه ضعف یادگیری عمیق
چه مقدار داده برای یک سیستم یادگیری عمیق مورد نیاز است؟
مثال عملی از GitHub
چرا در یادگیری عمیق به داده‌های خیلی زیاد مورد نیاز است؟
با وجود نقطه ضعف در یادگیری عمیق چرا هنوز بسیار زیاد مورد استفاده می‌باشد؟
سختی‌های کار در یادگیری عمیق
اختلاف درون کلاسی (Inter class variation)
مفهوم Data argumentation
مفهوم adversarial attack
یک مثال کاربردی از یادگیری عمیق
انواع یادگیری
یادگیری با ناظر
یادگیری شبه با ناظر
یادگیری تقویت شونده
یادگیری بدون ناظر
الگو برداری از یادگیری بشر
مثالی از یادگیری تقویت شونده در اتومبیل‌های بدون راننده
برش در داده
انعکاس در داده
تغییر اندازه در داده
چرخش در داده
جابجایی در داده
نویز در داده
چالش‌ها در یادگیری عمیق
آموزش و تست
مفهوم رگرسیون
مفهوم دسته بندی
مفهوم چند کلاسی Multi-Class
مفهوم چند برچسبی Multi-Label
با یادگیری عمیق چه می‌توانیم انجام دهیم؟
مفهوم عمق (Deep)
لایه مخفی
شبکه‌های عصبی و یادگیری عمیق
مفهوم overfitting
تاثیر تعداد داده بر overfitting
چگونه بفهمیم over fitting در حال اتفاق افتادن است؟
مفهوم Regularization
داده‌های validation و داده‌های آموزش
استفاده از Dropout
لایه Dropout
نرمالسازی
نرمالسازی دسته ای
دوباره نرمالسازی (Renormalization) دسته ای
هدف از نرمالسازی چیست؟
مفهوم batch چیست؟
تاثیر نرمالسازی دسته ای در یادگیری عمیق چیست؟
معرفی شبکه‌های معروف یادگیری عمیق
معرفی شبکه AlexNet
معرفی شبکه VGG-16
معرفی شبکه GoogleNet
تغییر شبکه‌های از پیش تعریف شده
نکته مهم در استفاده از شبکه‌های یادگیری عمیق از پیش آموزش یافته
سیر تحول در شبکه‌های یادگیری عمیق
آیا یک مدل یادگیری عمیق می‌تواند بهتر از انسان کار تشخیص را انجام دهد؟
مقایسه راندمان شبکه‌های Alexnet و GoogleNet و ZFNet و VGGNet و RESNet و GoogleNet v4 و SENet
شناسایی اشیا
موقعیت دهی اشیا
Semantic Segmentation
قلب یادگیری عمیق چیست؟
مفهوم یادگیری انتقالی Transfer Learning
شبکه Generative Adversarial Network (GAN)
مزیت شبکه GAN
ساختار شبکه GAN
عملکرد Generator و Discriminator
معرفی یادگیری ماشین اتوماتیک AutoML
طراحی شبکه یادگیری عمیق به صورت اتوماتیک
شبکه NASNet
جستجوی بهترین ساختار برای یادگیری عمیق
معرفی یادگیری تقویت شونده Reinforcement Learning
مفهوم Agent و Environment
اندازه گیری عمق در مدلهای یادگیری عمیق
شبکه‌های برگشتی RNN
مزایا و معایب شبکه RNN

پیش نیاز (توصیه شده):

مجموعه آموزش جامع شبکه عصبی

مخاطبان :

علاقه مندان به هوش مصنوعی
علاقه مندان به یادگیری ماشین
علاقه مندان به یادگیری عمیق
علاقه مندان به ماشین بینایی
دانشجویان
مهندسین

 

.

 

این فیلم آموزشی قسمت اول از بسته آموزشی یادگیری عمیق می‌باشد. برای تهیه به بسته آموزشی جامع یادگیری عمیق بر روی تصویر زیر کلیک کنید:

 

 

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *