دیپ لرنینگ یا یادگیری عمیق چیست؟

دیپ لرنینگ یا یادگیری عمیق را می توان زیر مجموعه ماشین لرنینگ و  یک عملکرد هوش مصنوعی تعریف کرد که از مغز انسان در پردازش داده ها و ایجاد الگوی تصمیم گیری تقلید می کند. دیپ لرنینگ زیر مجموعه ای از ماشین لرنینگ در هوش مصنوعی بوده که دارای شبکه هایی است که قادر به یادگیری هستند. یادگیری عمیق به همراه فناوری های دیجیتال باعث ایجاد انفجار داده ها به هر شکلی در سر تا سر جهان شده است. این داده ها که به عنوان ” داده های بزرگ ” شناخته می شوند؛ از منابع دیگری مانند شبکه های اجتماعی، موتورهای جستجو و … گرفته شده اند. از جمله حوزه های مهیج در این زمینه می توان به پردازش زبان، تشخیص تصویر، تشخیص گفتار و روباتیک اشاره کرد. آموزش دیپ لرنینگ پتانسیل عظیمی را برای برنامه های خلاقانه فراهم می کند.

کاربردهای دیپ لرنینگ

به دنیایی فکر کنید که در آن تصادف جاده ای وجود نداشته باشد. یا درصد تلفات در جراحی ها به دلیل از بین رفتن خطای انسانی کاهش یابد. به جهانی فکر کنید که هیچ کودکی محروم نیست و حتی افرادی که محرومیت جسمی یا ذهنی دارند نیز می توانند کیفیت زندگی را مانند سایرین تجربه کنند. 
کاربردهای یادگیری عمیق ممکن است برای افراد معمولی دور از ذهن به نظر برسد؛ اما آنان که حتی دانش مختصری در این زمینه دارند در میابند که یادگیری عمیق با کشف و حل مشکلات انسانی در هر حوزه ای تفاوت های شگرفی را در جهان حاصل می کند.
اینجا به نمونه هایی از کاربرد دیپ لرنینگ در دنیای امروزی اشاره می کنیم.
  • اتومبیل های خودران
یادگیری عمیق نیرویی است که رانندگی بدون سرنشین را به وجود می آورد. داده های مربوط به دوربین ها، سنسورها و نقشه های جغرافیایی، مدل های مختصر و پیچیده ای ایجاد می کنند که به حرکت خودرو در ترافیک، شناسایی مسیرها، علائم و عناصر کمک می کند. 
  • پردازش زبان طبیعی
آموزش پیچیدگی های مرتبط با زبان، یکی از پیچیده ترین مراحل در دیپ لرنینگ است. پردازش زبان از طریق یادگیری عمیق در تلاش است تا با آموزش تفاوت های زبانی و چهارچوب های پاسخ به ماشین ها، به مدل هایی مشابه انسان دست یابد. پاسخ گویی به سوالات، مدلسازی زبان، تجزیه و تحلیل توییتر و تحلیل احساسات همگی زیر مجموعه پردازش زبان طبیعی در دیپ لرنینگ هستند. 
  • دستیارهای مجازی
دستیاران مجازی محبوب ترین کاربرد دیپ لرنینگ هستند. از الکسا گرفته تا سیری و دستیار گوگل همگی جز این دسته هستند. هر تعامل با این دستیارها فرصتی را برای آن ها ایجاد می کند تا در مورد صدا و لهجه شما بیشتر بدانند و از این طریق یک تجربه انسانی متقابل را برای شما فراهم کنند. 
  • شناخت بصری
در این کاربرد، تصاویر بر اساس مکان ها، چهره ها، وقایع، تاریخ ها و غیره توسط دیپ لرنینگ مرتب می شوند. جستجوی یک عکس خاص از یک کتابخانه ( مجموعه عکس های گوگل را در نظر بگیرید) نیازمند سیستم های پیشرفته تشخیص تصویری متشکل از چندین لایه است. 
  • مراقبت های بهداشتی
از تصویربرداری پزشکی گرفته تاتجزیه و تحلیل ژنوم و کشف داروهای جدید. کل صنعت مراقبت های بهداشتی در حال تغییر است. کمک به تشخیص زودرس بیماری های خاص، ارائه مراقبت های بهداشتی، استانداردسازی دوره درمان، ارائه نتایج آسیب شناسی، از جمله حوزه های کاربرد یادگیری عمیق در بحث سلامت هستند.
  • ترجمه خودکار
شبکه های عصبی کانولوشن در شناسایی تصاویر دارای حروف کاربرد دارند. پس از شناسایی متن، آن ها قادر به ترجمه آن هستند. این فرایند، ترجمه بصری فوری نامیده می شود. دیپ لرنینگ این فرایند را در دو حالت انجام می دهد: ترجمه خودکار متن و ترجمه خودکار تصویر
  • جمع آوری اخبار
یادگیری عمیق راهی برای فیلتر کردن اخبار از منبع خبری فراهم می کند. استفاده گسترده از یادگیری عمیق در جمع آوری اخبار، باعث تقویت تلاش ها برای سفارشی سازی اخبار مطابق با سلیقه خوانندگان می شود. به کمک دیپ لرنینگ می توان اخبار جعلی یا مغرضانه را شناسایی کرده و آن ها را از لیست اخبار حذف کرد. 
  • تشخیص کلاهبرداری
حوزه دیگری که از یادگیری عمیق سود می برد، بخش مالی و بانکداری است. دیپ لرنینگ در این حوزه وظیفه کشف جرائم مالی دیجیتال را داراست. این کاربرد در ماشین لرنینگ نیز وجود دارد. اما دیپ لرنینگ در تلاش است تا نیاز به دخالت انسان در این امر را به حداقل برساند. 
  • تشخیص تاخیر رشد در کودکان
اختلالات گفتاری، اوتیسم و اختلالات رشدی می توانند کیفیت زندگی کودکان را تحت الشعاع قرار دهند. حال آن که تشخیص زودرس و درمان می تواند تاثیرات شگفت انگیزی بر سلامتی جسمی، روحی و عاطفی آنان داشته باشد. از این رو، یکی از اصلی ترین کاربردهای دیپ لرنینگ در تشخیص زود هنگام و اصلاح دوره ای مشکلات مرتبط با نوزادان و کودکان است.  

دوره آموزش یادگیری عمیق دانشگاه تهران نه تنها به شبیه سازی سوال هایی در حوزه یادگیری عمیق در صنعت خواهد پرداخت، بلکه با ریاضیات کانولوشن، در اپ آوت و شبکه عصبی به بیان اصول یادگیری عمیق خواهیم پرداخت.

اگر به دنبال آموزش دیپ لرنینگ در پایتون هستید؛ این دوره شما را با مفاهیم اساسی و اصطلاحات به کار رفته در یادگیری عمیق آشنا می کند. طی دوره آموزش یادگیری عمیق با بررسی چالش های مختلف و انجام پروژه های کلاسی، سعی در کاربردی ساختن آموخته ها خواهیم داشت.

سر فصل های دوره آموزش دیپ لرنینگ

ارائه کتاب هایی مربوط به پایتون- -نگاهی به یادگیری ماشین- مفهوم یادگیری عمیق- مباحث بیولوژیکی بحث- تعریف پروژه اصلی

جبر خطی یادگیری عمیق- محاسبات یادگیری عمیق- انجام کدهای ذکر شده در جلسه

GPU و CUDA- مفهوم دیتا- پیش پردازهای دیتا- لیبل بر روی دیتا - روش های یادگیری ماشین برای آماده سازی دیتا- کار با دیتاهای واقعی و معرفی دیتا ست های معروف دنیا

ریاضیات شبکه عصبی- انواع مختلف شبکه عصبی- پیاده سازی با پایتون- پرسپترون تک لایه و پرسپترون چندلایه- آموزش شبکه عصبی- شبیه سازی کد با پایتون پروژه

Sigmoid, Relu, Tanhj,- Stochastic Gradient -Descent Softmax- Overfitting, Underfitting- Learning Rate- پروژه

Pytorch- Keras- Tensorflow- الگوریتم اولیه Convolutional Neural Networks- پروژه

یادگیری عمیق در بینایی ماشین- Pooling Layers- بهبود نتیجه یادگیری عمیق- شبکه های پیشرفته- پروژه

یادگیری شبکه- معماری شبکه- انواع شبکه های GAN- دلیل استفاده- پروژه

Backpropagation- LSTM- GRU- مدل های پردازش متنی- End to End models- پروژه

استفاده از این شبکه به عنوان شبکه تصمیم گیری مارکو- Dynamic Programming- Montecarlo Methods- پروژه- انتخاب روش مناسب برای پروژه پایانی

یادگیری عمیق در صنعت- Pretrained Model- Graph neural Networks

آخرین مقالات را اینجا بخوانید

آکادمی آمانج
مهارت آموزی جهت ورود به بازار کار

تاییدیه ها

تهران - امیرآباد، دانشکده فنی دانشگاه تهران، ساختمان مکانیک جدید واحد ۱۱۴

کد تخفیف نمیخوای؟

اگه میخوای کد تخفیف شرکت در دوره‌ها، وبینارهای رایگان، بهترین مقالات آکادمی آمانج رو از دست ندی ایمیلت رو این زیر وارد کن!
همین الان عضو شو
close-link
من اینجام