معرفی چند پروژه مهم یادگیری ماشین در سال 2018

سال گذشته سالی پربار در زمینه هوش مصنوعی و یادگیری ماشین بود. در این سال بسیاری از برنامه های کاربردی در زمینه های مالی، سلامت، تشخیص گفتار، واقعیت افزوده و برنامه های سه بعدی با درجه پیچیدگی بالا که همگی از یادگیری ماشین استفاده می کردند، رونمایی و مورد استفاده قرار گرفتند.

در سال گذشته شاهد تاکید فراوان بر کاربردی بودن تحقیقات بیشتر از بخش تئوریک آن بودیم. با اینکه این موضوع اشکالات مربوط به خود را دارد ولی بازخوردهای فراوانی برای خلق زمینه های تحقیقاتی جدید داشته است. این زمینه ها توانسته اند سریعا منجر به تولید ارزش برای مشتری و کسب و کارها شوند. این روند به شدت در بسیاری از کارهای منبع باز ML منعکس شده است.

در این مقاله با نگاهی گذرا به 6 پروژه مفید یادگیری ماشینی یا ML در سال گذشته پرداخته ام. پروژه ها به همراه کد و دیتاست برای استفاده اشخاص و برنامه نویسان به صورت رایگان انتشار یافته است. این پروژه ها از نظر آکادمیک شاید چیز جدیدی را بازگو نکرده باشند ولی در عمل بسیار کاربردی و کارا هستند.

Fast.ai

کتابخانه Fast.ai برای تسهیل آموزش شبکه های عصبی با استفاده از بهترین الگوها نوشته شده است. بسیاری از جزییات دردسرساز در ارتباط با پارامترهای اولیه شبکه های عصبی حذف شده و شما به راحتی می‌توانید به پیاده سازی شبکه خود بپردازید. در کنار استفاده آسان، تعداد زیادی تمرین های کاربردی به همراه دارد. جالب است که این کتابخانه چون در ابتدا برای دانشجویان توسعه داده شده، از یک ساختار قدرتمند در کدنویس استفاده کرده و جزو بهترین کتابخانه های پایتون در امر آموزش کد نویسی محسوب می شود.

Detectron

Detection یک پلاتفرم در زمینه تشخصی اشیا توسط بخش تحیقیات هوش مصنوعی فیسبوک با زبان Caffe2 توسعه داده شده است. این پکیج طیف گسترده ای از الگوریتم های تشخیص اشیا را در بر دارد.در کنار تمامی الگوریتم های ارائه شده مدلهای از قبل آموزش داده شده نیز برای استفاده و آموزش تعبیه شده اند.

FastText

یکی دیگر از پروژه های فیسبوک، کتابخانه fastText است که برای دسته بندی متون طراحی شده است. این پروژه هم ،حاوی مدلهای از پیش آموزش داده شده از کلمات برای بیش از 150 زبان می باشد. این مدلها برای کارهایی نظیر خلاصه سازی متون، ترجمه و دسته بندی کاربرد دارند.

AutoKeras

Auto-Keras کتابخانه متن باز دیگری است در زمینه یادگیری ماشینی خودکار(AutoML).

این کتابخانه توسط DataLAb و مشارکت دانشگاه A&T در تگزاس توسعه یافته است. هدف از توسعه این کتابخانه دسترسی آسان به ابزار یادگیری عمیق برای کارشناسان حوزه ای( domain expert) با دانش و پیش زمینه کم در علم داده و یادگیری ماشینی است.Auto-Keras یک سری تابع برای پیدا کردن خودکار بهترین معماری به همراه پارامترهای مناسب آن دارد.

Dopamine

Dopamine یک فریمورک برای نمونه سازی سریع الگوریتم های یادگیری تقویتی(reinforcement learning algorithms) که توسط گوگل توسعه داده شده است. هدف Dopamine انعطاف بالا در کنار راحتی استفاده، پیاده سازی الگوریتم های استاندارد RLبه همراه پارامترهاست.

vid2vid

این کتابخانه پیاده سازی سورس باز کتابخانه فوق العاده پیشرفته ترکیب و سنتز ویدیو به ویدیو متعلق به Nvidia است. منظور از سنتز ویدیو به ویدیو، پیدا کردن تابعی است که قادر به انجام عمل نگاشت ویدیوی ورودی به یک سری مجموعه از عکسهای شبه واقعی که دقیقا بیانگر محتوی ویدیوی ورودی است.

از امکانات این کتابخانه می توان به کاربردهای متنوع در زمینه تبدیل video-2-video نظیر رانندگی اتوموبیل‌های خودران، موقعیت های مربوط به حالتهای انسانی، مناظق شهری و چهره نام برد. یک سری دستوالعمل و قابلیت هم مانند بارگزاری دیتاست و ارزیابی کارایی، توابع آموزش و multi-gpu در این کتابخانه گنجانده شده است.