تاریخچه یادگیری عمیق 

یادگیری عمیق زیر مجموعه ای از یادگیری ماشین است که بر اساس ساختار شبکه های مصنوعی عصبی ساخته شده است، این نوع یادگیری در سال 1940 توسط وارن مک کالوک و والتر پتروس ارائه شد که با الهام از شبکه های عصبی مغز انسان پایه گذاری گشت.

اما به دلیل فنی این مبحث به طور کامل بازگو نشد و در سال 1980 با روش پس انتشار خطا، یادگیری عمیق باز هم در میان محققان مطرح شد، این مشکلات و مسائل در رابطه با این نوع یادگیری تا سال 2000 ادامه داشت و سرانجام در سال 2012 الکساندروس در دانشگاه تورنتو کانادا با استفاده از روش یادگیری عمیق در شبکه های عصبی به طور کامل ان را در دسترس عموم قرار داد.

یادگیری عمیق چیست؟

یادگیری عمیق زیر شاخه از عمل یادگیری ماشین است، در واقع یادگیری عمیق یک روش از یادگیری ماشین است که الگوریتمی چند لایه ای دارد. این یادگیری از شبکه عصبی نورون های مغز انسان الهام گرفته شده است.

 لایه های موجود در این یادگیری به صورتی است که داده ها از آن گذر کرده و مورد بررسی قرار می گیرند. یادگیری عمیق از چندین لایه برای استخراج داده های سطح بالا از ورودی خام استفاده میکند، این فرایند طی پردازش اطلاعات غیر خطی انجام میشود.

انواع شبکه های عصبی در یادگیری عمیق

شبکه های پرسپترون (perceptron): این شبکه ها شامل نورون های بی شماری است که از جهت های مختلف به یکدیگر متصل هستند این شبکه ها میتوانند از تابع های گسترده ای پیروی کنند و با اضافه شدن فقط یک نورون پیچیدگی های این فرایند نیز بیشتر میشود.

شبکه های عصبی کانولوشن (CNN): نحوه عملکرد این شبکه عصبی عمیق به این صورت میباشد که تصاویر را طبقه بندی کرده و از قشر بینایی عصبی پیروی میکند. در واقع این شبکه تصویر و ویدیو ها را گرفته و از چند لایه داده ها را استخراج میکند.

شبکه های عصبی بازگشتی (RNN): این شبکه های پیچیده برای تشخیص گفتار و پردازش زبان طبیعی به کار میروند، این شبکه بخشی از شبکه عصبی feedforward میباشد و برای هر داده تابع یکسانی را پیاده سازی میکند به صورتی که خروجی بسته به محاسبه قبلی میباشد.

یادگیری عمیق به طور خودکار، ویژگی های داده را بررسی و شناسایی میکند، که این امر باعث میشود که هر مسئله ای که نیاز به راه حل های گسترده ای دارد به راحتی با این روش حل خواهد شد. از مزایای دیگر این یادگیری میتوان به مدیریت داده های پیچیده، پیش بینی روند ها و عملکرد بهتر تجزیه و تحلیل اشاره کرد.

این یادگیری معایبی نیز داد که شامل موارد زیر میشود:

• پیش نیازهای سخت افزاری 
• محدودیت های یک مسئله 
• تشخیص و درک عوامل موثر در خروجی 
• داده های گسترده و با کیفیت

کاربردهای یادگیری عمیق 

یادگیری عمیق در تشخیص تقلب مانند کلاهبرداری های بانکی، تشخیص کاربران غیر معمول و... کارایی دارد و در صنعت های بسیاری میتوان برای جلوگیری از تقلب از آن استفاده کرد. با یادگیری عمیق پردازش زبان طبیعی قابل اجرا بوده و با این عملکرد سرقت های متون و تحلیل احساس توسط ربات ها ممکن شده است.

از یادگیری عمیق در ماشین های خودران مانند تسلا نیز استفاده شده و با کمک این یادگیری علامت های رانندگی و وجود موجود زنده و… به راحتی قابل تشخیص است. در حوزه پزشکی نیز از این نوع یادگیری برای تشخیص و روند بیماری، مراقبت های بهداشتی و ... استفاده می شود که یکی از بهترین خصوصیت های این یادگیری میباشد.

انواع پیش بینی ها در خصوص آب و هوا، تیم های ورزشی، میزان خرید دوباره مشتری و... را با یادگیری عمیق می توان ارائه داد. دستیارهای مجازی و پشتیبانی مشتریان با ربات ها یکی از ویژگی های یادگیری عمیق است که بیشتر کسب و کار های آنلاین و فروشگاه های اینترنتی از ان بهره گیری میکنند.

با الگوهای یادگیری عمیق میتوان بررسی و شناسایی تصاویر دیجیتال را انجام داد، از دیگر کاربردهای این یادگیری میتوان محصولات جدید را به مشتریان همیشگی معرفی کرد تا سود فروشگاه های اینترنتی و فروش را بالاتر برد. علاوه بر تمامی کاربرد های نام برده از این و نوع یادگیری میتوان برای استخراج ویژگی و نگهداری از خروجی هر لایه شبکه عصبی بهره برداری کرد.

نتیجه گیری 

یادگیری عمیق شاخه ای یادگیری ماشین میباشد، در یادگیری ماشین که بخش از هوش مصنوعی میباشد پیش بینی و تصمیم گیری بدون نیاز به برنامه ریزی انجام می شود، حال در یادگیری عمیق مسائل پیچیده تر با گذر از لایه های شبکه عصبی حل میشوند. از این نوع یادگیری در بخش های مختلفی مثل بانکداری، فروشگاه های اینترنتی، خودرو های خودران و.... استفاده می شود. انواع یادگیری باعث صرفه جویی زمان و هزینه میباشد چراکه داده های بزرگ و پیچیده را حل میکند و این کار را با یادگیری خودکار ویژگی ها انجام میدهد.