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
معرفی ابزار Apache Flink
مطلبی دیگر از این انتشارات
دوره آموزش بلاک چین قسمت سوم (دوبله شده در فینمگ)
مطلبی دیگر از این انتشارات
چرا باید کتاب «همه دروغ میگویند» را بخوانید