یادگیری عمیق چیست؟

بخشی از روش‌های یادگیری ماشین را (Deep Learning) یا همان یادگیری عمیق می‌گوییم که بر روش‌هایی متمرکز است که مبتنی بر شبکه‌های عصبی مصنوعی (Artificial neural network) است که به رایانه‌ها می‌آموزد آنچه را که به طور طبیعی برای انسان انجام می‌شود، انجام دهند و  زیرمجموعه‌ای از یادگیری ماشین است که در آن از الگوریتم‌هایی استفاده می‌شود که مغز انسان را شبیه سازی می‌کند. این الگوریتم شبکه‌های عصبی مصنوعی نام دارند. شبکه‌های عصبی مصنوعی از پردازش اطلاعات و گره‌های ارتباطی توزیع شده در سیستم‌های بیولوژیکی الهام گرفته‌اند. می‌توان گفت شبکه‌های عصبی تمایل به حالت ایستا و نمادین دارند.

تاریخچه Deep Learning چیست؟

برای بار اول در سال ۱۹۸۰ یادگیری عمیق به صورت یک استدلال نظری ارائه شد. اما این مفهوم به دو دلیل بسیار مهم مورد توجه بسیاری قرار گرفت که هر چه زمان به جلو آمد این موضوعات نیز مهم‌تر شد. این دلایل عبارتند از:

Deep Learning به تعداد زیادی از داده‌ها نیازمند است. به عنوان مثال، برای توسعه خودروهای خودران، میلیون‌ها تصویر و هزاران ساعت ویدئو مورد نیاز است.

Deep Learning به قدرت پردازشی بالایی نیاز دارد، واحدهای پردازنده گرافیکی قدرتمندی که در Deep Learning استفاده می‌شوند، هزینه زیادی دارند. در صورتی که این پردازنده‌ها با سیستم رایانش ابری همگام شوند، تیم‌های توسعه می‌توانند زمان آموزش یک شبکه Deep Learning را از چند هفته‌ به چند ساعت‌ یا حتی کمتر کاهش دهند.

تفاوت شبکه عصبی و یادگیری عمیق چیست؟

وقتی از عبارت Deep Learning استفاده می‌کنیم، منظورمان همان شبکه عصبی عمیق (Deep Neural Network) است. تفاوت Deep Learning  و شبکه عصبی در این است Deep Learning، محدوده‌ای گسترده‌تر از شبکه عصبی دارد و الگوریتم‌های یادگیری تقویتی را نیز شامل می‌شود. با توجه در نظر گرفتن این تفاوت نباید این دو مفهوم را با یکدیگر اشتباه بگیریم.

مهارت های آموزشی در دانشسرای یادگیری عمیق:

هوش مصنوعی و Deep Learning

مبانی تئوری Deep Learning

شبکه های تمام متصل (Multi Layer Perceptron)

شبکه های کانولوشنی (CNN)

شبکه های عصبی بازگشتی (RNN, LSTM, GRU)

شبکه های عصبی رمزگذار خودکار autoencoder

مدت دوره: ۶ ماه

به امید دیدار شما در  دانشسرای یادگیری عمیق