یادگیری عمیق


ساختارهای یادگیری عمیق توانستهاند نتایج قابل توجهی را در کاربردهای مختلف هوش مصنوعی ارائه دهند و دریچه جدیدی در هوش مصنوعی بر روی پژوهشگران این علم بگشایند. در این طرح ما سعی داریم این ساختارها را به طور خلاصه معرفی نماییم و گزارش مختصری از وضعیت استفاده از این ساختارها در کاربردهای تجاری ارائه نماییم. تا پیش از سال 2006 میلادی، تفکر غالب عمومی بر این بود که در شبکههای عصبی، افزودن تعداد لایههای مخفی نمیتواند کمکی در جهت بهبود توانایی یک ساختار جهت طبقهبندی نماید. اگرچه افزودن تعداد لایههای مخفی اصولا موجب افزایش توانایی بالقوه شبکه جهت مدلسازی میگردد، اما عدم وجود الگوریتمهایی جهت یادگیری درست پارامترهای ساختار هنگامی که تعداد لایههای مخفی زیاد میگردد باعث میشود این توانایی بالقوه، بالفعل نگردد. در سال 2006 میلادی، جفری هینتون ساختاری جهت آموزش در شبکههای عصبی چندلایه ارائه نمود که میتوانست به شکل قابل قبولی پارامترهای شبکه را آموزش دهد. این کار را میتوان در واقع شروع یک انقلاب در زمینه آموزش شبکههای عصبی چندلایه (عمیق) دانست و پس از آن نیز الگوریتمهای بسیار متنوع دیگری جهت آموزش این شبکهها مطرح گردید. از دیدگاه مفهمومی شبکههای عصبی عمیق سعی در مدلسازی پترنهای ورودی در سلسله مراتبی از ویژگیها را دارند و با پیش رفتن در طول این سلسله مراتب، ویژگیهای سطح بالاتر، مورد نظر قرار میگیرند. به عنوان مثال در یک مساله طبقهبندی تصاویر، سطح پایینترین ویژگیهایی که در دسترس است پیکسلهای تصویر هستند. یک ساختار عمیق این ویژگیها را دریافت کرده و سعی میکند در یک سلسله مراتب از پردازش، به ویژگیهای سطح بالاتر دست یابد.به عنوان مثال در طول این سلسله مراتب و پس از پیکسلها، لبههای موجود در تصویر میتوانند ویژگیهای سطح پایین باشند و این روند ادامه پیدا میکند تا در انتها بر اساس یک سطح از ویژگیها، طبقهبندی تصویر انجام میشود.
