روش های مختلف یادگیری عمیق (راهنمای جامع)

در این مقاله مفهوم و ماهیت یادگیری عمیق را مورد بررسی قرار می‌دهیم. در ادامه مطلب با انواع محتلف روش‌های Deep Learning و یا یادگیری عمیق آشنا می‌شویم.Deep Learning کلاسی از تکنیک‌های یادگیری ماشین است که از لایه‌های زیادی از پردازش اطلاعات غیر خطی برای استخراج و تبدیل ویژگی تحت نظارت یا بدون نظارت، برای آنالیز الگو و طبقه‌بندی استفاده می‌کند. آن شامل لایه‌های سلسله مراتبی زیادی برای پردازش اطلاعات به شیوه‌ای غیر خطی است که در آن برخی مفاهیم سطح پایین‌تر به تعریف مفاهیم سطح بالاتر کمک می‌کنند. ​​

شبکه‌های عصبی مصنوعی سطحی قادر به کنترل مقدار قابل‌توجهی از داده‌های پیچیده نیستند، که در بسیاری از کاربردهای معمول مانند گفتار طبیعی، تصاویر، بازیابی اطلاعات و دیگر کاربردهای پردازش اطلاعات انسان مانند، آشکار هستند. یادگیری عمیق برای چنین کاربردهایی مناسب است. با یادگیری عمیق، تشخیص، طبقه‌بندی و طبقه‌بندی الگوها در داده‌ها برای یک ماشین با تلاش‌های نسبتا کم‌تر امکان پذیر است. یادگیری عمیق پردازش چند لایه‌ای شبیه انسان را در مقایسه با معماری کم‌عمق ارائه می‌دهد. ایده اصلی یادگیری عمیق استفاده از پردازش سلسله مراتبی با استفاده از لایه‌های زیادی از معماری است. لایه‌های معماری به صورت سلسله مراتبی مرتب می‌شوند.

بعد از چند مقدمه آموزش، ورودی هر لایه به لایه مجاور آن می‌رود. یادگیری عمیق از یک رویکرد توزیعی برای مدیریت داده‌های بزرگ پیروی می‌کند. این روش فرض می‌کند که داده‌ها با در نظر گرفتن عوامل متعدد، زمان متفاوت و سطوح مختلف تولید می‌شوند. یادگیری عمیق ترتیب و پردازش داده‌ها در لایه‌های مختلف را با توجه به زمان ‏وقوع، مقیاس یا طبیعت آن تسهیل می‌کند. ​یادگیری عمیق اغلب با شبکه‌های عصبی مصنوعی مرتبط است. در قسمت زیر سه دسته از یادگیری عمیق مورد بررسی قرار می‌گیرد.

• Generative
• Discriminative
• Hybrid deep learning architectures

معماران از مقوله‌های کلی بر پیش آموزش یک لایه به روشی بدون نظارت تمرکز دارند. این رویکرد مشکل آموزش معماری‌های سطح پایین‌تر را که بر لایه‌های قبلی تکیه دارند، از بین می‌برد. هر لایه می‌تواند از پیش آموزش‌دیده و بعدا برای تنظیم عمومی و یادگیری بیشتر در مدل گنجانده شود. انجام این کار مشکل آموزش معماری شبکه عصبی با لایه‌های چندگانه را حل می‌کند و یادگیری عمیق را ممکن می‌سازد. ​

معماری شبکه عصبی ممکن است توانایی پردازش متمایز کننده از طریق انباشته کردن خروجی هر لایه با داده‌های اصلی یا با ترکیبات اطلاعاتی مختلف و در نتیجه شکل‌دهی معماری یادگیری عمیق داشته باشد. مدل توصیفی اغلب خروجی‌های شبکه عصبی را به عنوان یک توزیع شرطی روی تمام توالی‌های برچسب ممکن برای توالی ورودی داده‌شده در نظر می‌گیرد، که بیشتر از طریق یک تابع هدف بهینه‌سازی خواهد شد. معماری ترکیبی ویژگی‌های معماری مولد و متمایز کننده را ترکیب می‌کند. به طور معمول، فرد می‌تواند یادگیری عمیق را به صورت زیر انجام دهد. ​

یک شبکه متشکل از یک لایه ورودی و یک لایه پنهان با گره‌های ضروری بسازید. ​لایه مخفی دیگری را به بالای شبکه که قبلا یاد گرفته اضافه کنید تا یک شبکه جدید ایجاد شود. ​شبکه را بازیابی کنید. افزودن لایه‌های بیشتر را تکرار کنید و بعد از هر افزودن، شبکه را مجددا آموزش دهید. افزودن لایه‌های بیشتر را تکرار کنید و بعد از هر افزودن، شبکه را مجددا ارزیابی کنید.