یادگیری عمیق همه جا هست

یادگیری عمیق به مجموعه‌ای از تکنیک‌های یادگیری ماشین مولد نسبتاً توسعه‌یافته اشاره دارد که به‌طور مستقل بازنمایی‌های سطح بالا را از منابع داده خام تولید می‌کنند و با استفاده از این بازنمایی‌ها می‌توان کارهای معمولی یادگیری ماشین مانند دسته‌بندی، رگرسیون و خوشه‌بندی را انجام داد. تکنیک‌های یادگیری عمیق مبتنی بر ایده قدیمی روش‌های شبکه عصبی مصنوعی، اما معمولاً با لایه‌های بسیار بیشتری نسبت به شبکه‌های عصبی 10 سال پیش هستند. با در نظر گرفتن ورودی داده‌های خام در لایه اول، می‌توانیم خروجی لایه بعدی را به عنوان مجموعه‌ای از ویژگی‌های سطح بالاتر در نظر بگیریم که به لایه دیگری منتقل می‌شود که به نوبه خود مجموعه‌ای از ویژگی‌های سطح بالاتر و غیره را ایجاد می‌کند. این برای تعدادی از لایه‌ها ادامه می‌یابد تا در نهایت خروجی (مثلاً یک پیش بینی) تولید شود.

تصویر زیر یک تصویر ساده از یک شبکه عصبی عمیق را نشان می‌دهد که برای دسته‌بندی تصاویر ساخته شده است. در حالی که داده‌های ارائه شده به شبکه مقادیر پیکسل خام هستند، در داخل شبکه را می‌توان به عنوان ایجاد ویژگی‌های سطح بسیار بالاتر در نظر گرفت. برای مثال، ممکن است گره‌ای در شبکه وجود داشته باشد که به وجود خطوط مورب در یک تصویر یا حتی در سطح بالاتر، به حضور چهره‌ها پاسخ می‌دهد.

شواهدی از یادگیری عمیق را می‌توان در برنامه‌های مصرف کننده مانند رونویسی صدا در سیری اپل یا الکسای آمازون مشاهده کرد. در جستجوی تصویر در گوگل یا در برنامه Apple OSX Photos؛ یا در خدمات ترجمه خودکار مانند Google translate. با نگاهی به آینده، یادگیری عمیق انقلابی در تحقیقات هوش‌مصنوعی ایجاد می‌کند و زیربنای کاربردهای آینده مانند اتومبیل‌های بدون راننده، دستیارهای خودکار و تجزیه و تحلیل بالینی خودکار اشعه ایکس و سایر تصاویر پزشکی خواهد بود.

در حالی که نشان داده شده است که رویکرد یادگیری عمیق برای برخی از برنامه‌های کاربردی بسیار خوب کار می‌کند (و بسیار جالب است که بسیاری از این برنامه‌ها مبتنی بر مجموعه داده‌های بدون برچسب هستند)، شایان ذکر است که این هزینه محاسباتی بسیار بالایی دارد، و بزرگترین شبکه‌ها هفته‌ها طول می‌کشند تا روی خوشه‌های سخت‌افزاری پیشرفته آموزش ببینند. به طور مشابه، آموزش شبکه‌های عصبی عمیق به مجموعه داده‌هایی با اندازه‌هایی در حد ده‌ها هزار نمونه، به جای صدها یا هزاران نمونه مورد استفاده برای آموزش مدل‌های یادگیری ماشین بر اساس الگوریتم‌هایی مانند جنگل‌های تصادفی یا تقویت گرادیان، نیاز دارد.

پذیرش روزافزون تکنیک‌های یادگیری عمیق پیشرفت بزرگی در تجزیه و تحلیل داده‌ها است و دیدن وسعت حوزه‌هایی که در آن‌ها کاربردهای تکنیک‌های یادگیری عمیق به کار گرفته می‌شود، جذاب خواهد بود. این یک سوال باز باقی می‌ماند که آیا تکنیک‌های یادگیری عمیق تا حد زیادی جایگزین سایر تکنیک‌های یادگیری ماشین می‌شوند یا خیر و در حال حاضر این اتفاق هنوز رخ نداده است. تا اینجا به نظر می‌رسد هنوز فضای زیادی برای همزیستی طیف وسیعی از الگوریتم‌های یادگیری ماشین وجود دارد، اما دیدن این که چگونه این وضعیت تکامل می یابد جالب خواهد بود.

https://machinelearning.apple.com/2017/08/06/siri-voices.html

https://www.wired.com/story/amazon-artificial-intelligence-flywheel/

https://research.googleblog.com/2013/06/improving-photo-search-step-across.html

https://www.wired.com/2016/08/an-exclusive-look-at-how-ai-and-machine-learning-work-at-apple/

https://www.nature.com/news/deep-learning-boosts-google-translate-tool-1.20696