علاقه مند به مخابرات و اینترنت اشیا
چگونه مسائل را با یادگیری عمیق حل کنیم ؟
چند وقت پیش مقاله ای با عنوان
Wireless Networks Design in the Era of Deep Learning Model-Based, AI-Based, or Both
با هدف توضیح چرایی و چگونگی استفاده از یادگیری عمیق در شبکه های مخابرات بی سیم منتشر شد و در آن مسائل مختلف این حوزه به 4 دسته ی مختلف تقسیم بندی شده است.
این دسته بندی ها به گونه ای است که میتوان آنها را در زمینه های دیگر مثل مکانیک ، الکترونیک و ... نیز به کار گرفت.
اما به علت آنکه تا به حال ، مدلسازی های ریاضی برای مسائل مخابراتی کافی بودند ( به مقدار مناسبی دقیق و قابل پیاده سازی بودند) ، زمینه های مختلف این حوزه در ترکیب با هوش مصنوعی به مقدار زیادی ناشناخته مانده است. ولی با ظهور نسل 5 و ویژگی های آن ، نیاز به استفاده از الگوریتم های یادگیری عمیق برای ایجاد سیستم های "هوش شناختی" حس شد.
بطور کلی در حل مسائل ، هنگامی رو به این الگوریتم ها میاوریم که مدلسازی مسئله با پیچیدگی زیادی روبرو باشد. برای همین ، بجای تحلیل مستقیم ریاضی(Model-Based) ، با استفاده از جمع آوری داده و الگوریتم های یادگیری (Data-Driven)، مدلسازی سیستم را با استفاده از شبکه ی عصبی انجام میدهیم.
اما در اکثر اوقات میتوان همچنان از مدل های ریاضی بدست آمده استفاده کرد و با استفاده از ترکیب هر دو روش Model-Based , Data-Driven سیستم را مدل سازی کرد.
از مزیت هایی که استفاده از Model-Based در کنار Data-Driven دارد، میتوان به کاهش داده های لازم برای آموزش سیستم و همینطور کاهش پیچیدگی مدل نهایی اشاره کرد. ( در چند مطالعه ی موردی ، این ویژگی ها را نشان میدهیم )
مسائل به 4 دسته به صورت زیر تقسیم بندی شده است :
در دسته ی اول ، استفاده از روش Model-Based و Data-Driven ، هرکدام به تنهایی ، نتیجه ی یکسانی را خواهند داشت . در دسته ی چهارم ، به وضوح فقط روش Data-Driven نتیجه ی مطلوب را خواهد داشت.
در دسته های 2 و 3 استفاده ی ترکیبی از هر دو روش پیشنهاد میشود
دسته ی دوم : بهینه کردن مدل
دسته ی سوم : تصحیح کردن مدل
در دسته ی دوم چون مدل ریاضی دقیق است ولی قابل حل شدن و پیاده سازی نیست ، ابتدا با استفاده از مدل ریاضی ، داده های لازم (Training set) برای فرایند یادگیری را تولید میکنیم و سپس شبکه ی عصبی را آموزش میدهیم و سیستم را به صورت شبکه ی عصبی پیاده سازی میکنیم.
در دسته ی سوم چون یک مدل غیر دقیق ولی قابل پیاده سازی و حل کردنی داریم ، ابتدا یک شبکه ی عصبی را با داده های تقریبی بدست آمده از مدل ریاضی، تشکیل میدهیم و سپس با مقدار کمی داده ی عملی و دقیق ، شبکه ی تقریبی را اصلاح میکنیم.
در این روش نیاز به استفاده از داده های عملی (Empirical-Data) کاهش پیدا میکند که در حوزه ی مخابرات وایرلس این یک امتیاز بسیار مثبت است ( چون جمع آوری داده های عملی در شبکه های بی سیم بسیار مشکل است)
پس به طور کلی ، مسائل در حوزه های مختلف را در یکی از این 4 دسته بندی قرار میدهیم و رویکرد مناسب با آنرا پیش میگیریم.
در قسمت بعد با روش Transfer Learning آشنا میشیم و دو مطالعه ی موردی را بررسی میکنیم و نتایج این رویکرد هارا بررسی میکنیم.
اگر این مطلب برایتان مفید بود ، حتما آنرا با دوستانتان به اشتراک بگذارید.
قسمت دوم
مطلبی دیگر از این انتشارات
۹۰ منبع برای یادگیری و به روز ماندن در داده کاوی
مطلبی دیگر از این انتشارات
مفاهیم بنیادی کوواریانس و همبستگی در یادگیری ماشین
مطلبی دیگر از این انتشارات
امن؛ نه فقط برای خانه های هوشمند