کاربردهای یادگیری عمیق

کاربرد های یادگیری عمیق

در پست قبلی به چیستی یادگیری عمیق و انواع الگوریتم های آن پرداختیم و در این پست با شش مورد از کاربرد های یادگیری عمیق در دنیای امروز آشنا خواهیم.

1. ماشین های خودران

ماشین های خودران (self-driving cars) ازپدیده هایی اند که توسط یادگیری عمیق توسعه می یابند.

میلیون ها مجموعه داده بدست آمده از سنسور ها،نقشه ها،دوربین ها به سیستمی داده میشود تا مدل بسازد،به ماشین یاد دهد و سپس نتیجه اش بررسی شود.چرخه ای منظم از تست و استفاده از یادگیری عمیق کمک میکند که در تعداد بسیار سناریو های پیش بینی نشده نیز، رانندگی امن بماند.

2. جمع آوری اخبار و شناسایی اخبار کذب

هم اکنون استفاده از یادگیری عمیق این امکان را به فرد میدهد که اخباری که به دست او میرسد،با توجه به فرهنگ،موقعیت جغرافیایی،موقعیت اجتماعی و وضعیت اقتصادی و همین طور ویژگی ها و علایق شخصی فرد،شخصی سازی و فیلتر شده باشند.علاوه بر این مورد،شناسایی اخبار کذب و دروغین که در دنیای امروز بسیار زیاد هستند و همین طور و فیلتر کرد آن ها،از کاربرد ها دیگر یادگیری عمیق است.البته باید توجه داشت که آماده سازی یک شبکه عصبی یادگیری عمیق، با توجه به اینکه اخبار همیشه شامل نظر های شخصی نیز هستند،چالش های فراوانی دارد وجدا سازی اخبار درست از نادرست همیشه ممکن نیست.

3. دستیار های مجازی

از محبوب ترین و پر استفاده ترین کاربرد های یادگیری عمیق،میتوان به دستیار های مجازی(Virtual Assistants) اشاره کرد.نمونه های زیادی از این دستیار ها مانند alexa،siri،google assistant،cortana وجود دارند.

با کمک یادگیری عمیق،هر ارتباط با این دستیار ها و درخواست از آن ها، فرصت یادگیری بیشتر درباره صدا و نحوه حرف زدن شما،علایق شما مانند موسیقی های مورد علاقه شما،مکان هایی که دوست دارید و ... را در اختیارشان میگذارد.آن ها همینطور از کاربرد های دیگر یادگیری عمیق مانند ترجمه کردن و یا تولید متن برای کمک به شما استفاده میکنند.

4. تولید متن

تولید متن (text generation) به این شکل است که تولید کننده ها،با استفاده از شبکه های عصبی مختلف مانند RNN و الگوریتم های یادگیری عمیق،علامت های نگارشی،دستور زبان،ارتباط کلمات با هم،سبک ها و ... را می آموزند و سپس می توانند با استفاده از مدلی که ایجاد کرده اند،متن جدیدی با ویژگی های مناسب تولید کنند.

5. رنگی کردن تصاویر سیاه سفید

رنگی کردن تصاویر سیاه سفید از جمله کارهای بسیار وقت گیر بوده که به صورت دستی و توسط انسان، انجام میشده است.اما امروز اینکار با استفاده مدل های یادگیری عمیق و و شبکه های عصبی مانند شبکه‌های عصبی پیچشی (CNN) انجام میشود که سرعت این کار را بسیار افزایش داده است.

6. بازیابی پیکسل

در سال 2017، محققین google brain، شبکه ای عصبی را آموزش دادند تا تصاویر با رزولوشن بسیار کم از چهره افراد را دریافت کند و چهره را پیش بینی کند.این روش به اسم Pixel Recursive Super Resolution شناخته میشود و کیفیت تصاویر با رزولوشن پایین را بسیار بهبود میدهد.