مدیریت نوآوری دانش - یادگیری عمیق

مدیریت نوآوری دانش - یادگیری عمیق

طبیعتا"انجام دادن تمام یادگیری در کلاس با استفاده از فعالیت هایی که برونر حامی و طرفدار آن می باشد امکان پذیر نیست. ویژگی اساسی معلمان این است که با واداشتن دانش آموزان به این که نسبت به بعضی از ابعاد مهم موضوع آموزشی مورد مطالعه، تفکر عمیقی داشته باشند؛ به آنها کمک می کند تا روش های دقیق و هوشمندانه ای را که از طریق آنها موضوع کاربرد پیدا می کند؛ ارتباط بین علت و معلول و روش های عملی و تحقیق و تفحص را درک کنند. به همین ترتیب به آنها کمک می کند تا بطور فعالانه ای ادراک خود را از موضوع آموزشی و ساختاری که زیربنای آن می باشد، افزایش دهند. درنتیجه آنها نه تنها کسب آگاهی می کنند؛ بلکه به روشی که طبق آن این آگاهی و معلومات چه انجام می شود و چگونه می توان آن را برای حل مشکلات جدید تعمیم داد نیز دست می یابند.

📷یادگیری عمیق نیز زیر مجموعه ای از هوش مصنوعی و یادگیری ماشین است که در آن شبکه های عصبی مصنوعی، الگوریتم هایی که از مغز انسان الهام گرفته شده اند؛ از مقادیر زیادی داده، توانایی یادگیری به دست می آورند. الگوریتم یادگیری عمیق، مشابه نحوه یادگیری ما از تجربه ها و نمونه ها، یک کار را به طور مکرر انجام می دهد و هر بار کمی آن را تغییر می دهد، تا نتیجه را بهبود بخشد و با انجام این کار به رایانه ها کمک می کند، تا ویژگی هایی از داده ها پیدا کنند و با تغییرات سازگار شوند. قرار گرفتن مکرر در معرض مجموعه داده ها، به ماشین ها کمک می کند تا تفاوت ها و منطق داده ها را درک کنند و به یک نتیجه گیری قابل اعتماد برساند. در ساده ترین حالت یادگیری عمیق را می توان راهی برای خودکارسازی تجزیه و تحلیل پیشگویانه (predictive analytics) در نظر گرفت.

📷یادگیری عمیق نوع خاصی از یادگیری ماشین است و بنابراین مطالبی که در خصوص یادگیری ماشین گذشت در مورد آن صادق است. وجه تمایز این نوع خاص یادگیری استفاده از تعداد زیادی نمونه آموزشی با تکیه بر فناوری مرتبط دیگری به نام بیگ دیتا می باشد. بستر مورد استفاده در یادگیری عمیق به طور خلاصه شبکه های عصبی عمیق می باشند که با الهام از ساختار اتصالات موجود در مغز جانداران طراحی شده اند.

مثال: شکل (۱) مثالی از ساختار کلی و کاربرد یک شبکه عصبی عمیق را در حل مسئله پیش بینی تومور مغزی از روی تصاویر ام آر آی نشان می دهد. فرایند یادگیری شامل دو مرحله است:

üمرحله اول شکل (الف) با استفاده از تعدادی نمونه آموزشی که برچسب تشخیص وجود یا عدم وجود تومور قبلا توسط متخصص به آنها زده شده است، شبکه اصطلاحا آموزش داده می شود.

üمرحله استقرار شکل (ب) شبکه آماده است که برای هر تصویر جدید تشخیص خود را ارائه نماید.

📷یادگیری عمیق مجموعه ای از الگوریتم های است که «از طریق لایه ها یاد می گیرند» به عبارت دیگر شامل یادگیری از طریق لایه هایی است که الگوریتم را قادر می سازد تا سلسله مراتبی از مفاهیم پیچیده را از مفاهیم ساده تر ایجاد کند.

مثال: برای درک بهتر یادگیری عمیق، کودک نوپا را تصور کنید چیزی که در حال یاد گرفتن آن است «گربه» می باشد. کودک نوپا با اشاره به اشیا و گفتن کلمه گربه یاد می گیرد که چه چیزی گربه است و چه چیزی گربه نیست. والدین می گویند «بله آن گربه است» یا «نه آن گربه نیست» همانطور که کودک نوپا همچنان به اشیا اشاره می کند؛ از ویژگی هایی که همه گربه ها دارند بیشتر و بیشتر آگاه می شود. کاری که کودک نوپا بدون اینکه بداند انجام می دهد. به این طریق که یک انتزاع پیچیده (مفهوم گربه) را با ساختن سلسله مراتبی که در آن هر سطح از انتزاع با دانشی که از لایه قبلی سلسله مراتب به دست آمده ایجاد می کند تا برایش این انتظار پیچیده ساده و روشن شود.

تاریخچه یادگیری عمیق

📷در دهه های ۱۹۵۰ و ۱۹۶۰ اولین شبکه های عصبی از جمله الگوریتم پرسپترون برای طبقه بندی تصاویر پدیدار شدند.

📷 شبکه های عصبی در دهه ۱۹۸۰ زمانی که محققان روش هایی را برای انتشار پارامتر ها به منظور ساخت و آموزش شبکه های عصبی چندسطحیتوسعه دادند دوباره ظهور کردند.

📷 با پیشرفت ها در دهه ۲۰۰۰ تکنیک هایی پدیدار گشتند تا امکان افزایش لایه های شبکه های عصبی را فراهم کنند این شبکه های چند لایه باعث شد که این حوزه از تحقیقات هوش مصنوعی یادگیری عمیق نامگذاری شود.

📷 در سال ۲۰۱۲ شبکه های عصبی عمیق شروع عملکردی بهتر از الگوریتم های طبقه بندی سنتی از جمله الگوریتم های یادگیری ماشین کردند.

📷از آن زمان هر سال یادگیری عمیق همچنان در حال بهتر شدن و تبدیل به بهترین رویکرد برای حل مشکلات در بسیاری از حوزه های مختلف شده است.

مزیت های کلیدی یادگیری عمیق

.1عدم نیاز به مهندسی ویژگی ها: در یادگیری ماشین، مهندسی ویژگی یک کار اساسی و مهم است. چرا که دقت را بهبود می بخشد و گاهی اوقات این فرآیند می تواند به دانش دامنه در مورد یک مسئله خاص نیاز داشته باشد. یکی از بزرگ ترین استفاده از رویکرد یادگیری عمیق، توانایی آن در اجرای مهندسی ویژگی به صورت خودکار است. در این رویکرد یک الگوریتم داده ها را اسکن می کند تا ویژگی های مرتبط را شناسایی کند و سپس آن ها را برای ارتقای سریعتر یادگیری بدون اینکه به طور صریح گفته شود ترکیب می کند. این توانایی به دانشمندان داده کمک می کند تا مقدار قابل توجهی در زمان صرفه جویی کرده و به دنبال آن نتایج بهتری را نیز به دست آورند.

.2حداکثر استفاده از داده های بدون ساختار: تحقیقات نشان می دهد که درصد زیادی از داده های یک سازمان بدون ساختار هستند. زیرا اکثر آنها در قالب های مختلفی همانند تصویر متن و غیره هستند. برای اکثر الگوریتم های یادگیری ماشین، تجزیه و تحلیل داده های بدون ساختار دشوار است. از این رو اینجاست که یادگیری عمیق مفید می شود. چرا که می توانید از قالب های داده ای مختلف برای آموزش الگوریتم های یادگیری عمیق استفاده کنید و همچنان این بینش های مرتبط با هدف آموزش را به دست آورید. برای مثال می توانید از الگوریتم های یادگیری عمیق برای کشف روابط موجود بین تجزیه و تحلیل صنعت، گفتگوی رسانه های اجتماعی و موارد دیگر برای پیش بینی قیمت های سهام آینده ی یک سازمان استفاده کنید.

.3ارائه نتایج با کیفیت بالا: انسان ها گرسنه و خسته می شوند و گاهی اوقات اشتباه می کنند. در مقابل وقتی صحبت از شبکه های عصبی می شود این طور نیست، هنگامی که یک مدل یادگیری عمیق به درستی آموزش داده شود می تواند هزاران کار معمولی و تکراری را در مدت زمان نسبتا کوتاه تری در مقایسه با آنچه که برای یک انسان لازم است انجام دهد. علاوه بر این کیفیت کار هرگز کاهش نمی یابد، مگر اینکه داده های آموزشی حاوی داده های خامی باشد که نشان دهنده مسئله ای نیست که می خواهید آن را حل کنید.

.4یادگیری انتقالی: یادگیری عمیق دارای چندین مدل از پیش آموزش دیده با وزن ها و سوگیری های ثابت است که برخی از این الگوریتم ها در پیش بینی بسیار عالی هستند.

.5دقت بالای نتایج: هنگامی که یادگیری عمیق با حجم عظیمی از داده آموزش داده می شود؛ می تواند دقت خوبی در مقایسه با الگوریتم های یادگیری ماشین سنتی داشته باشد.

با در نظر گرفتن مزایای فوق و استفاده بیشتر از رویکرد یادگیری عمیق می توان گفت که تاثیر قابل توجه یادگیری عمیق در فناوری های مختلف پیشرفته همانند اینترنت اشیا در آینده بدیهی است. یادگیری عمیق راه درازی را طی کرده است و به سرعت در حال تبدیل شدن به یک فناوری حیاتی است که به طور پیوسته توسط مجموعه ای از کسب و کارها در صنایع مختلف مورد استفاده قرار می گیرد.

با این حال باید توجه داشت که یادگیری عمیق همچنین ممکن است بهترین انتخاب بر اساس داده ها نباشد. به عنوان مثال اگر مجموعه داده کوچک باشد گاهی اوقات مدل های یادگیری ماشین خطی ساده تر ممکن است نتایج دقیق تری به همراه داشته باشند.

یادگیری عمیق چگونه کار می کند؟

📷مدل های یادگیری عمیق با تجزیه و تحلیل مداوم داده ها و با کشف ساختارهای پیچیده در داده ها توانایی یادگیری بدست می آورند. فرایند یادگیری با ساخت مدل های محاسباتی به نام شبکه های عصبی که از ساختار مغز الهام گرفته شده، حاصل می شود. هسته اصلی این یادگیری به روشی تکراری در راستای آموزش ماشین ها برای تقلید از هوش انسانی متکی است. یک شبکه عصبی مصنوعی، این روش تکراری را از طریق چندین سطح سلسله مراتبی انجام می دهد و در این ساختار با رفتن به لایه های سطح بعدی قادر به حل مفاهیم پیچیده تری از مسئله می شود. سطوح اولیه ماشین ها کمک می کنند تا اطلاعات ساده را بیاموزند. با رفتن به هر سطح جدید ماشین ها اطلاعات بیشتری را جمع آوری کرده و آنها را با آنچه در آخرین سطح آموخته بودند ترکیب می کنند. در پایان فرایند سیستم یک قطعه اطلاعات نهایی را جمع آوری می کند که یک ورودی ترکیبی است. این اطلاعات از چندین سلسله مراتب عبور می کند و شبیه به تفکر منطقی پیچیده است.

تاثیرات و کاربردهای یادگیری عمیق

📷امروز یادگیری عمیق به ابزاری قدرتمند و محبوب برای حل مشکلات انسانی در هر حوزه در حال استفاده است. یادگیری عمیق برای صدها مشکل از بینایی رایانهتا پردازش زبان طبیعی، به کار گرفته شده است. در بسیاری از موارد کارایی یادگیری عمیق بهتر از کارهای قبلی بوده است. یادگیری عمیق، به شدت در دانشگاه ها برای مطالعه هوش و در صنعت در ساختن سیستم های هوشمند برای کمک به انسان در کارهای مختلف استفاده می شود.

رویکردهای یادگیری عمیق

آینده یادگیری عمیق

چند نکته