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 می کنیم تا دانش لازم برای کار در زمینه یادگیری عمیق را کسب کنید و بتوانید مدلهای خود را در زبان های برنامه نویسی مختلف پیاده سازی کنید.

هوش مصنوعی شبیه سازی هوش بشر می باشد. 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 می باشد حاوی میلیون ها نرون عصبی می باشد که وظیفه اصلی هوش را برعهده دارد. هر شخصی در طول زندگی خود حجم عظیمی از دانش و داده را از محیط اطراف خود بدست می آورد. این داده ها توسط مغز پردازش می شود و دانش از بین آنها استخراج می شود. بیان ریاضی عملکرد یادگیری مغز از محیط پیرامون بسیار مشکل می باشد لذا یکی از سختی های مدلسازی هوش در مغز ، عدم درک بشر از عملکرد یادگیری مغز و تبدیل آن به هوش می باشد. ما نیاز داریم که سیستم های کامپیوترهای طراحی کنیم که همان داده های ورودی مغز را بگیرند و آنرا تبدیل به هوش کنند. سوال اصلی اینجا این است که چگونه داده های 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 الگوریتم های معرفی کردند که الگوهایی را از داده های ورودی استخراج می کنند. این مفهوم به نام یادگیری ماشین شناخته می شود. با معرفی یادگیری ماشین ، سیستم های هوشمند توانستند از محیط بیرون اطلاعات استخراج کنند و مدل هایی معرفی شد که مشکل قبلی موجود در هوش مصنوعی را تا حدودی رفع کنند. یک الگوریتم یادگیری ماشین ساده naïve bayes می باشد که ایمیل های spam را می تواند از ایمیل های واقعی جدا کند.

راندمان الگوریتم های یادگیری ماشین به نحوه بیان داده های ورودی به آن بستگی دارد. این مفهوم به نام representation شناخته می شود. 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 می دهد. این سیستم خودش نمی تواند به بیمار ارتباط مستقیم ایجاد کند و تنها بر اساس داده هایی که دکتر به سیستم می دهد می تواند کار تشخیصی را انجام دهد. یعنی اگر دکتر مقدار چربی خون را وارد نکند ، سیستم نمی تواند جواب دهد چون یکی از ورودی های نامشخص است. این سیستم نمی تواند بر اساس تصویر MRI کار کند چون نمی تواند درک درستی از تصویر داشته باشد و فقط بر اساس داده های آزمایش بیمار تصمیم گیری می کند.

بسیاری زیادی از کارهای هوش مصنوعی را می توان با طراحی ویژگی استخراجی از داده های ورودی با کمک الگوریتم های یادگیری ماشین حل کرد. به عنوان مثال یکی از ویژگی های که در شناسایی گوینده در پردازش سیگنال صحبت کاربرد دارد ، تخمین اندازه vocal tract گوینده می باشد الگوریتم با این ویژگی می تواند تشخیص دهد که گوینده مرد، زن ، یا بچه می باشد.

نکته مهمی که در اینجا وجود دارد که ما در هر کاربری نمی دانیم چه ویژگیهایی را استخراج کنیم تا به بهترین راندمان برسیم لذا استخراج ویژگی یکی از نقاط ضعف مدل های یادگیری ماشین می باشد. گاهی یافتن ویژگی های مناسب یک کاربرد خاص بعد از تحققین صدها محقق پیدا می شود که نشان دهنده ضعف مدلهای یادگیری ماشین می باشد.

یادگیری عمیق برای حل مشکل مدلهای یادگیری ماشین مطرح شد. مدلهای یادگیری عمیق دیگر دنبال الگوریتم های استخراج ویژگی نبودند و با کمک های لایه های خود می توانستند عملکردی شبیه مغز انسان داشته باشند. یک شکل مفهومی از یادگیری عمیق را می توانید در شکل زیر ببینید که در فیلم آموزشی مبانی مقدمات یادگیری عمیق ایران متلب به خوبی توضیح داده شده است:

 

 

 

سرفصل های 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 کتابخانه های 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؟
پیشرفت های 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 قسمت های 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 می دهد؟
مفهوم representation در یادگیری عمیق
افزایش بعد
ارتباط راندمان و حجم داده های آموزش در یادگیری عمیق و یادگیری ماشین
نقش داده ها 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 داده های خیلی زیاد مورد نیاز است؟
با وجود نقطه ضعف در یادگیری عمیق چرا هنوز بسیار زیاد مورد استفاده می باشد؟
سختی های 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 اتومبیل های بدون راننده
برش در داده
انعکاس در داده
تغییر اندازه در داده
چرخش در داده
جابجایی در داده
نویز در داده
چالش ها 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 می توانیم انجام دهیم؟
مفهوم عمق (Deep)
لایه مخفی
شبکه های عصبی و یادگیری عمیق
مفهوم overfitting
تاثیر تعداد داده بر overfitting
چگونه بفهمیم over fitting در حال اتفاق افتادن است؟
مفهوم Regularization
داده های validation و داده های 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 شبکه های معروف یادگیری عمیق
معرفی شبکه AlexNet
معرفی شبکه VGG-16
معرفی شبکه GoogleNet
تغییر شبکه های از پیش تعریف شده
نکته مهم در استفاده از شبکه های یادگیری عمیق از پیش آموزش یافته
سیر تحول در شبکه های یادگیری عمیق
آیا یک مدل یادگیری عمیق می تواند بهتر از انسان کار تشخیص را انجام دهد؟
مقایسه راندمان شبکه های 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
شبکه های 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 *