یادگیری عمیق از گذشته تا امروز

یادگیری عمیق حوزه ای از یادگیری ماشین است که به کامپیوترها این آموزش را می دهد تا فرایند یادگیری را همانند انسان ها تجربه کنند: یعنی یادگیری با مثال. یادگیری ماشین یک حوزه بسیار گسترده است که تاریخچه شکل گیری آن به مدت‌‌ها قبل بازمی‌گردد. در اصل، این علم با نام تشخیص الگو شناخته می‌‌شد، اما به‌‌ مرور زمان الگوریتم‌‌ها، از نظر ریاضی، بسیار وسیع‌تر و البته پیچیده‌ تر شدند. در یادگیری ماشین، از دو مفهوم شبکه‌های عصبی (با الهام‌ از ساختار مغز) و یادگیری عمیق استفاده می‌‌شود. الگوریتم‌های یادگیری عمیق، دارای معماری ویژه‌ای با تعداد لایه‌‌های فراوان است که در یک شبکه جریان می‌‌یابند. بنابراین، یادگیری عمیق بخشی از یادگیری ماشین و یادگیری ماشین خود بخشی از هوش مصنوعی به حساب می‌‌آید.

در پس فعالیت هایی چون ماشین های بدون راننده، تکنولوژی کلیدی به نام یادگیری عمیق است که به ماشین این قدرت را می دهد تا عابر پیاده را از چراغ عقب خودرو تشخیص دهد. همچنان که این فناوری در تبلت ها و گوشی های تلفن همراه و تلویزیون ها دستیار صوتی را قادر می سازد تا عملکرد بهینه داشته باشد. یادگیری عمیق در سال های اخیر توجه های بسیاری را به خود معطوف کرده است؛ چرا که نایل به موفقیت هایی شده که پیش از این دستیابی به آنها امکان پذیر نبوده است.
در یادگیری عمیق، یک مدل کامپیوتری یاد می گیرد که وظایف مشخص شده ای را از طریق صدا، عکس و متن اجرا کند.

در حالیکه یادگیری عمیق در دهه 1980 برای اولین بار تئوریزه شد، اما به 2 دلیل به تازگی کاربرد و سودمندی آن مشخص شده:
۱) یادگیری عمیق نیازمند تعداد عظیمی از اطلاعات برچسب گذاری شده (Labeled Data) است. همین ماشین های بدون راننده مثال ما، نیازمند میلیون ها عکس و هزاران ساعت ویدئو بوده است.
۲)  یادگیری عمیق، نیازمند قابلیت محاسبه گری قابل توجهی است. پردازنده های گرافیکی با عملکرد بالا، ساختاری متوازنی را دارا هستند که یادگیری عمیق را ممکن می سازند. این ویژگی باعث می شود که هنگام محاسبه اطلاعات به صورت خوشه ای و انبوه، تیم توسعه دهنده، زمان آموزش برای شبکه یادگیری عمیق را از هفته ها به ساعت ها کاهش دهند.

برای مطالعه ادامه مقاله لطفا کلیک کنید...