آموزش مبانی یادگیری عمیق (Deep Learning)

یادگیری عمیق (Deep Learning) شاخه ای از بحث یادگیری ماشین و هوش مصنوعی و مجموعه ای از الگوریتم‌ هایی است، که تلاش می کنند، مفاهیم انتزاعی سطح بالا را با استفاده از یادگیری در سطوح و لایه های مختلف مدل کنند. مطالعات بالینی نشان می دهند، که ساختار مغز پستانداران از معماری شبکه های عصبی عمیق بهره می برد که در آن، مفاهیم انتزاعی در لایه های مختلف، به ترتیب از مفاهیم و ویژگی های ساده تا مفاهیم سطح بالا، در نواحی مختلف قشر مغز، پردازش می شوند. ایده یادگیری عمیق با الهام از ساختار طبیعی مغز انسان و به کمک امکانات و فن آوری های جدید، توانسته است در بسیاری از حوزه های مربوط به هوش مصنوعی و یادگیری ماشین، موفقیت های چشم گیری را کسب کند.

مهم ترین مزایای یادگیری عمیق عبارت اند از:

• یادگیری خودکار ویژگی ها
• یادگیری چند لایه ویژگی ها
• دقت بالا در نتایج
• قدرت تعمیم بالا و شناسایی داده های جدید
• پشتیبانی گسترده سخت افزاری و نرم افزاری
• پتانسیل ایجاد قابلیت ها و کاربردهای بیشتر در آینده

در سال های اخیر، یادگیری عمیق، تحول بزرگی را در یادگیری ماشین و هوش مصنوعی ایجاد کرده است. از سال ۲۰۱۲ تا کنون، تمامی رتبه های برتر چالش شناسایی بصری ImageNet، که به جام جهانی بینایی ماشین معروف است، از شبکه های عصبی عمیق استفاده کرده اند. همچنین، تمام روش های برتر در رقابت های دسته بندی تصاویر اعداد دست نویس MNIST (با ۲۱ خطا در 10,000 تصویر) و تصاویر طبیعی CIFAR (با خطای کمتر از 5%) نیز به مدل های شبکه عصبی عمیق تعلق دارد. از سال ۲۰۱۲ به بعد، شرکت های بزرگ نرم افزاری و سخت افزاری مانند Google, Microsoft, NVIDIA نیز بخش مهمی از فعالیت های پژوهشی و تجاری خود را به یادگیری عمیق اختصاص داده اند.

با این که یادگیری عمیق در سال های ابتدایی توسعه خود قرار دارد، اما روند تحقیقات، مقالات و سرمایه گذاری های شرکت های بزرگ در این حوزه، نشان دهنده گسترش روز افزون کاربردهای یادگیری عمیق است. یادگیری عمیق تا کنون در کاربردهای گوناگون داده کاوی، پردازش تصویر و صدا، رباتیک و پزشکی مورد استفاده قرار گرفته است. طبق پیش بینی های مراکز علمی، در سال های آینده، بسیاری از تحقیقات، کاربردها و مشاغل موفق، به طور مستقیم یا غیرمستقیم از یادگیری عمیق بهره خواهند برد.

در این آموزش ویدئویی، علاوه بر آشنایی با مبانی تئوری یادگیری عمیق و تکنیک ها و مدل های مختلف آموزش شبکه های عصبی عمیق، قادر خواهید بود تا در عمل نیز به طراحی، پیاده سازی و آموزش این شبکه ها بپردازید. در این آموزش هم به کاربردهای آکادمیک و تحقیقاتی و هم به کاربردهای عملی یادگیری عمیق توجه شده است. در این آموزش، تمرکز بر روی محبوب ترین مدل و کاربرد یادگیری عمیق یعنی مدل شبکه عصبی کانولوشنی با کاربرد در بینایی ماشین و پردازش تصویر خواهد بود، همچنین برای آشنایی بیشتر با نحوه برنامه نویسی یادگیری عمیق می توانید به آموزش برنامه نویسی یادگیری عمیق با پایتون لینک (+) مراجعه نمایید.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:

• درس یکم: مقدمه و معرفی یادگیری عمیق (Deep Learning)
  • معرفی هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
  • تاریخچه یادگیری عمیق
  • کاربردهای یادگیری عمیق
  • مزایا و چالش های یادگیری عمیق
• درس دوم: روش ها و مدل های یادگیری عمیق
  • معرفی مدل های یادگیری عمیق
  • یادگیری بدون نظارت (Unsupervised)
  • مدل های خود رمزنگار (Auto Encoder)
  • مدل های شبکه عصبی عمیق مولد (Generative adversarial network)
  • یادگیری با نظارت (Supervised)
  • مدل های شبکه عصبی کانولوشنی (Convolutional neural network)
  • مدل های شبکه عصبی بازگشتی (Recurrent neural network)
• درس سوم: جزئیات شبکه های عصبی کانولوشنی
  • لایه های کانولوشن
  • لایه های کاهش اندازه
  • مدل های برتر شبکه های عصبی کانولوشنی
• درس چهارم: نحوه آموزش شبکه های عصبی
  • آماده سازی داده های آموزش
  • انتخاب معماری مناسب شبکه
  • الگوریتم های آموزش و بهینه سازی
  • تکنیک های تنظیم و بهبود روند آموزش
  • تکنیک Batch Normalization
  • تکنیک Dropout
  • تکنیک انتقال یادگیری (Transfer Learning)
• درس پنجم: سخت افزارها، نرم افزارها و برنامه نویسی یادگیری عمیق (با پایتون)
  • معرفی سخت‌ افزارهای مناسب برای پیاده سازی ایده های یادگیری عمیق
  • معرفی نرم افزارها و کتابخانه های برنامه نویسی حوزه یادگیری عمیق
  • نحوه راه اندازی بسترهای کدنویسی پایتون، Keras و TensorFlow در ویندوز
  • مثال های برنامه نویسی در کتابخانه Keras به زبان پایتون