یادگیری ماشینی

دیپ لرنینگ: نکات مهم درباره یادگیری عمیق که باید بدانید

    نظر

 

دیپ لرنینگ: نکات مهم درباره یادگیری عمیق که باید بدانید

مقدمه    :
این روزها بحث های گوناگونی درباره وظایف انسان که می تواند توسط ماشین ها جایگزین شود وجود دارد. در حالی که فناوری به سرعت و همراه با ترس و هیجان در حال پیشرفت است؛ عباراتی مانند هوش مصنوعی، ماشین لرنینگ و دیپ لرنینگ ممکن است شما را دچار اضطراب کنند .
هوش مصنوعی به طور ساده به معنی انجام وظایف انسانی توسط ماشین های هوشمند می باشد.دیپ لرنینگ ( یادگیری عمیق ) زیر مجموعه ماشین لرنینگ است؛ که توسط هوش مصنوعی و با تقلید از عملکرد مغز انسان، قادر به پیش بینی خروجی ها و ایجاد الگوهای تصمیم گیری است. دیپ لرنینگ به شبکه های عصبی مصنوعی اشاره دارد که از چندین لایه یادگیری تشکیل شده اند. همچنین از بسیاری از DNN ها به منظور یادگیری سطح انتزاع استفاده می کند.

فهرست:

1. یادگیری عمیق چگونه کار می کند؟
2. دیپ لرنینگ یک "یادگیری ویژگی" دارای سلسله مراتب است
3. انواع الگوریتم ماشین لرنینگ
4. یادگیری عمیق در ماشین لرنینگ
5. جمع بندی

1. یادگیری عمیق و شبکه های عصبی چگونه کار می کنند؟

دیپ لرنینگ در دوره دیجیتال تکامل یافته است. که باعث پدید آمدن داده هایی به نام داده های بزرگ ( Big Data ) شده است. این داده ها از وب سایت های رسانه های اجتماعی، موتورهای جستجو و سیستم عامل های تجارت الکترونیکی گردآوری جمع آوری شده اند. این داده های بزرگ قابل دسترس بوده و از طریق ابر رایانه ها به اشتراگ گذاشته می شوند.
ایده دیپ لرنینگ را می توان به این شکل توصیف کرد:

با این حال، این داده های بزرگ معمولا به شکلی بدون ساختار هستند. ممکن است سال ها طول بکشد تا انسان بتواند اطلاعات مربوط را از آن کشف و استخراج کند. شرکت ها با اتکا به برخی از سیستم های مبتنی بر هوش مصنوعی ، پتانسیل مورد نیاز برای آن را درک کرده و از به هدر رفتن سرمایه جلوگیری می کنند. در حال حاضر رایانه هایی با ظرفیت های کافی برای مدل های دیپ لرنینگ و همچنینن داده های بزرگ به منظور آموزش شبکه های عصبی دیپ لرنینگ فراهم است. . از آن جهت به آن یادگیری عمیق می گویند که شبکه های عصبی دارای لایه های مختلف و عمیقی هستند که یادگیری را امکان پذیر می سازند. تقریبا در مورد هر مشکلی که نیاز به فکر کردن باشد؛ دیپ لرنینگ می تواند آموزش ببیند.
عملکرد شبکه های عصبی روز به روز بهتر می شود؛ چرا که به طور مستمر اطلاعات بیشتری به آن ها تغذیه شده و آموزش می بینند. همین امر، یادگیری عمیق را از سایر تکنیک های ماشین لرنینگ متمایز کرده است. علاوه بر افزایش اطلاعات، الگوریتم های یادگیری عمیق از قدرت محاسباتی قوی تری که امروزه در دسترس است بهره می برند. گسترش هوش مصنوعی نیز تاثیر بسزایی در این روند داشته است. هوش مصنوعی به عنوان یک سرویس به سازمان های کوچکتر امکان دسترسی به فناوری هوش مصنوعی، و به طور خاص الگوریتم های هوش مصنوعی مورد نیاز برای یادگیری عمیق را داده است.

2. دیپ لرنینگ یک "یادگیری ویژگی" دارای سلسله مراتب است

یادگیری ویژگی چیست؟
یادگیری ویژگی به مجموعه ای از تکنینک ها اطلاق می شود که امکان یادگیری یک ویژگی را داراست. برای مثال طبقه بندی داده های خام. یادگیری ویژگی در قالب سلسله مراتب هوش مصنوعی کار می کند.
علاوه بر مقیاس پذیری، دیپ لرنینگ به ما امکان یادگیری ویژگی را نیز می دهد. به طور کلی، یادگیری مراحل پیچیده را برای ماشین ها آسان می کند. یادگیری عمیق به استفاده از ساختارهای ناشناخته در داده های ورودی کمک می کند. در لایه های بالاتر، ویژگی های دیپ لرنینگ به چند لایه تقسیم می شوند. ویژگی های یادگیری در چندین سطح به ماشین ها برای درک سیستم های پیچیده یادگیری عمیق کمک می کنند.

3. انواع الگوریتم ماشین لرنینگ

الگوریتم های شبکه عصبی در ماشین لرنینگ به طور گسترده به چهار بخش تقسیم می شوند:
الف: الگوریتم یادگیری نظارت شده
الگوریتم های یادگیری نظارت شده سعی می کنند تا روابط و وابستگی های بین خروجی پیش بینی شده مورد نظر و ویژگی های ورودی را الگوبرداری کنند؛ تا بتوانیم برای داده های جدید، مقادیر خروجی را بر اساس روابطی که از مجموعه داده های قبلی آموخته است، پیش بینی کنیم. در نتیجه در الگوریتم یادگیری نظارت شده به منظور آموزش مدل دیپ لرنینگ، نیازمند داده های دارای برچسب هستیم. داده های دارای برچسب، حاوی ورودی و خروجی هدف هستند.

ب: الگوریتم یادگیری بدون نظارت
در این الگوریتم، کامپیوترها با داده های بدون برچسب آموزش داده می شوند. الگوریتم های یادگیری بدون نظارت تلاش می کنند تا با استفاده از تکنینک هایی بر روی داده های ورودی، الگوها را تشخیص دهند، داده ها را خلاصه و گروه بندی کنند و به ارائه پیشنهادی معنا دار کمک کنند. در این الگوریتم هم نیازمند داده های دارای برچسب هستیم؛ اما خروجی هدف وجود ندارد.

ج: الگوریتم یادگیری نیمه نظارتی
این الگوریتم بین دو حالت قبلی قرا می گیرد. در بسیاری از شرایط، هزینه برچسب دار کردن داده ها زیاد است. زیرا نیازمند متخصصان ماهر است. بنابراین، در مواجهه با این موارد، الگوریتم های یادگیری نیمه نظارتی بهترین انتخاب برای ساخت مدل هستند. این الگوریتم بر این ایده است که اگرچه گروه داده های بدون برچسب نامشخص است؛ اما این داده ها اطلاعات ارزشمندی درباره پارامترهای گروه را دارا هستند.

د: الگوریتم یادگیری تقویتی
این الگوریتم مربوط به چگونگی انجام اقدامات نرم افزاری در یک محیط است. الگوریتم یادگیری تقویتی یرای تصمیم گیری آموزش می بیند. این الگوریتم خود را بر اساس سعی و خطا در تصمیم گیری، آموزش می دهد.

4. یادگیری عمیق در ماشین لرنینگ

یکی از رایج ترین تکنیک های مبتنی بر هوش مصنوعی برای پردازش داده های بزرگ، ماشین لرنینگ است. الگوریتم خود-سازگار به طور مداوم بر اساس الگوها، بهتر شده و خود را آموزش می دهد. یادگیری عمیق به ماشین ها اجازه می دهد حتی در هنگام استفاده از مجموعه داده ای که بسیار متنوع ، بدون ساختار و به هم پیوسته است ، مشکلات پیچیده را حل کنند. هرچه الگوریتم های یادگیری، عمیق تر یاد بگیرند ، عملکرد بهتری خواهند داشت.
بیایید با یک مثال جلو برویم:
اگر یک شرکت پرداخت دیجیتال در صدد تشخیص وقوع کلاهبرداری در سیستم پرداخت خود باشد، می تواند از ابزارهای یادگیری ماشین استفاده کند. الگوریتم محاسباتی که در درون سیستم ساخته شده است، قادر به بررسی تمام معاملات انجام شده است. بنابراین، طبق مجموعه داده های مختلف می توان الگوی ناهنجاری های رخ داده در سیستم را مشاهده کرد. این ابزارها، کار را به صورت خودکار انجام داده و از دسترسی غیر مجاز سیستم ها جلوگیری می کنند. دیپ لرنینگ، زیر مجموعه شبکه ماشین لرنینگ است که از شبکه عصبی مصنوعی (ANN ) در جهت انجام فرایندها استفاده می کند.

عملکرد شبکه های عصبی مصنوعی مانند مغزهای کوچک انسانی است که با گره های عصبی متصل به یک شبکه ساخته شده اند. تجزیه و تحلیل در برنامه های سنتی به صورت خطی است؛ حال آن که ویژگی سلسله مراتبی یادگیری عمیق، داده ها را با استفاده از تکنیک های غیر خطی تحلیل می کند.
یک رویکرد سنتی برای تشخیص دسترسی کلاهبردار به در سیستم دیجیتال، بر مبنای معاملات است. اولین لایه شبکه عصبی عمیق داده هایی مانند میزان معامله انجام شده را پردازش کرده و آن را به لایه بعدی منتقل می کند. در لایه دوم، IP های اختصاص داده شده به کاربران بررسی می شود و سپس به لایه بعدی ارسال می شود. سطح بعدی، اطلاعاتی که در لایه قبلی به دست آمده دریافت و پردازش می کند. در این لایه موقعیت جغرافیایی آنان بررسی شده و سپس به لایه بعدی منتقل می شود. در این روش، دیپ لرنینگ الگوها را بررسی کرده و ناهنجاری ها را شناسایی می کند. هنگامی که داده ها به این سلسله مراتب می رسند بهتر پردازش می شوند. معمولا مجموعه داده های بیشتری را به دست می آورند تا بازده بهتری حاصل شود.

5.جمع بندی:
یادگیری عمیق از انسان تقلید کرده و از طریق الگوریتم شبکه عصبی مصنوعی تصمیم گیری می کند. داده های بدون ساختار و بدون برچسب را می توان با دیپ لرنینگ پردازش کرد. همچنین از یادگیری عمیق می توان برای شناسایی پولشویی در سیستم ها استفاده کرد.
الگوهای دیپ لرنینگ فقط برای تنها برای ثبت الگوهای معاملاتی ایجاد نمی شوند؛ بلکه به منظور هشدار در صورت بروز فعالیت های کلاهبردارانه نیز کاربرد دارند. لایه های آخر، به یک تحلیل گر هشدار می دهد؛ تحلیل گر، حساب کاربر را مسدود کرده و تمام معاملات آن را متوقف می سازد.
یادگیری عمیق در تمام صنایع مورد استفاده قرار می گیرد. مثلا می توان از دیپ لرنینگ در تحقیق پزشکی به عنوان یک ابزار برای تشخیص امکان استفاده مجدد از داروها بهره برد. یا گوگل در نتایج تحقیقات خود یک واقعیت افزوده را منتشر کرده که مبتنی بر ماشین لرنینگ است. همچینین از یادگیری عمیق در اپلیکیشن های مصرف کنندگان و برنامه های تجاری که از تشخیص تصویر استفاده می کنند، کمک گرفته می شود. نکته اصلی این است که لایه های شبکه عصبی یادگیری عمیق توسط مهندسین انسانی طراحی و سخته نمی شوند؛ بلکه توسط مجموعه داده ها و با استفاده از فرایند یادگیری چند منظوره ایجاد می شوند.

 

 

 


6 ایده ی پروژه یادگیری ماشین برای مبتدیان

    نظر

 

از آنجایی که هوش مصنوعی     (AI) در سال 2020 به سرعت پیشرفت می کند و چون یادگیری ماشین و هوش مصنوعی مکمل یکدیگرهستند، تسلط یافتن بر یادگیری ماشین اهمیت ویژه ای دارد    .
اگر چه با وجود کتاب های درسی و مقالات متعدد میتوانید دانش مورد نیاز خود را در این حوزه کسب نمایید ، اما تا زمانی که وقت خود را صرف انجام آزمایش و پروژه های واقعی ماشین لرنینگ   نکنید ، هرگزنمی توانید بر یادگیری ماشین مسلط شوید و تنها با کار با ابزارها و الگوریتم های ماشین لرنینگ می توانید درک کنید که زیر ساخت های آن در واقعیت چگونه کار می کنند.
در این مقاله ما لیستی از پروژه های برتر یادگیری ماشین را برای مبتدیان، با در نظر گرفتن جنبه های اصلی ماشین لرنینگ ( یادگیری نظارت شده ، یادگیری بدون نظارت و یادگیری عمیق و شبکه های عصبی) و با دقت انتخاب کرده ایم.در تمام این پروژه های یادگیری ماشینی شما با مجموعه داده های دنیای واقعی که در دسترس عموم است شروع می کنید.اگر می خواهید در ماشین لرنینگ حرفه ای شوید ، برای شروع باید تجاربتان را با چنین پروژه هایی به دست آورید.
اکنون زمان آن رسیده تا تمام دانشی را که از طریق کتاب ها وآموزش های خود جمع آوری کرده اید آزمایش کرده و پروژه ی یادگیری ماشین شخصی خود را بسازید!

1. پیش بینی قیمت سهام

یکی از بهترین ایده ها برای شروع آزمایش در مورد پروژه های یادگیری ماشینی برای مبتدیان ، کار در پیش بینی قیمت سهام است.

سازمان های تجاری و شرکت ها امروزه در جستجوی نرم افزاری هستند که بتوانند عملکرد شرکت را نظارت و تحلیل کنند و قیمت های آینده سهام های مختلف را پیش بینی کنند.

با داده های بسیار زیادی که در بازار بورس موجود است ، این کانون فرصت مناسبی برای دانشمندان داده که تمایل به امور مالی دارند میباشد .
با این حال ، قبل از شروع کار ، شما باید دانش نسبتاً خوبی را در زمینه های زیر داشته باشید:

تجزیه و تحلیل پیش بینی : با استفاده از تکنیک های مختلف هوش مصنوعی برای فرآیندهای مختلف داده مانند کاوی داده ها ، اکتشاف داده ها و غیره برای پیش بینی رفتار نتایج احتمالی.
تحلیل رگرسیون : تحلیل رگرسیون نوعی تکنیک پیش بینی است که براساس تعامل بین متغیر / متغیر وابسته (هدف) و مستقل (پیش بینی کننده) میباشد .
آنالیز عمل : در این روش کلیه اقدامات انجام شده توسط دو روش ذکر شده در بالا مورد تجزیه و تحلیل قرار می گیرد که پس از آن نتیجه در حافظه یادگیری ماشین تغذیه می شود.

مدل سازی آماری : فرایندی شامل ساخت توضیحات ریاضی یک فرآیند در دنیای واقعی و توضیح عدم قطعیت ها در صورت وجود.

2. پیش بینی مسابقات ورزشی توسط یادگیری ماشین

2. درکتاب Moneyball از مایکل لوئیس ، تیم دو و میدانی اوکلند با ترکیب تکنیک پیشاهنگی بازیکنان خود و تحلیل آن در برنامه بازی خود ، چهره بیس بال را دگرگون کردند. و درست مثل آنها ، شما نیز می توانید در دنیای واقعی ورزش را متحول کنید!
از آنجا که هیچ کمبود اطلاعات و داده ای در دنیای ورزش وجود ندارد ، می توانید از این داده ها برای ساخت پروژه های یادگیری ماشین سرگرم کننده و خلاق مانند استفاده از آمار ورزشی دانشگاه خودتان استفاده کنید تا پیش بینی کنید کدام بازیکن بهترین حرفه را در کدام رشته ورزشی (استعدادیابی استعدادی).
همچنین می توانید با تجزیه و تحلیل نقاط قوت و ضعف بازیکنان در یک تیم و طبقه بندی بازیکنان بر اساس آن ، مدیریت تیم را ارتقا دهید.با وجود آمار و اطلاعات ورزشی موجود ، این یک عرصه عالی برای تسریع مهارتهای اکتشاف و تجسم اطلاعات شما میباشد. و میتواند به شما کمک کند که رزومه کاریتان بسیار جالب تر از سایرین به نظر برسد. برای هر کسی که دارای مهارت خاصی در پایتون باشد ، Scikit-Learn گزینه ایده آلی خواهد بودزیرا شامل مجموعه ای از ابزارهای مفید برای تحلیل رگرسیون ، طبقه بندی ، ورود داده ها و غیره است.

نتیجه گیری :
یادگیری ماشین هنوز در مراحل اولیه در سراسر جهان است و پروژه های زیادی وجود دارد که باید انجام شود و و کارهای بسیاری نیز برای بهبود وجود دارد .
زمانی که شروع به کار بر روی ایده های خود در پروژه های یادگیری ماشینی می کنید ، نه تنها می توانید نقاط قوت و ضعف خود را آزمایش کنید ، بلکه در معرض دید قرار می گیرید و میتواند فرصت مناسبی جهت تقویت شغل شما باشد.
داشتن ذهن هوشمند و ایده های خلاق در ماشین لرنینگ، باعث میشود تا مشاغلی با سیستم های پشتیبانی پیشرفت کرده و سریعتر و سودآوتر می شوند.

3. ایجاد یک شبکه عصبی توسط ماشین لرنینگ که بتواند دست خط را بخواند.

یادگیری عمیق و شبکه های عصبی دو رکن اصلی هستند که در هوش مصنوعی اتفاق می افتد. این دو ما را به شگفتی های تکنولوژیکی مانند اتومبیل بدون راننده ، تشخیص تصویر و غیره نزدیک تر میکنند .بنابراین ، اکنون زمان اکتشاف در عرصه شبکه های عصبی است.
پروژه یادگیری دستگاه شبکه عصبی خود را با چالش طبقه بندی رقمی دست نویس MNIST آغاز کنید. این رابط کاربری برای مبتدیان بسیار کاربر پسند و ایده آل میباشد .

4. یک آنالیزور احساسات تهیه کنید!

اگرچه بیشتر ما از رسانه های اجتماعی برای انتقال احساسات و نظرات شخصی خود در جهان استفاده میکنیم، یکی از بزرگترین چالش ها درک "احساسات" در پشت پست های رسانه های اجتماعی است...به نظر ایده جالبی برای پروژه یادگیری ماشین بعدی شماست! رسانه های اجتماعی تعداد زیادی محتوای تولید شده توسط کاربران رو به رشد دارندد. با ایجاد یک سیستم ماشین لرنینگ که می تواند احساسات موجود در متن ها یا یک مقاله را مورد تجزیه و تحلیل قرار دهد ، درک سازمان ها از رفتار مشتریانشان را بسیار ساده تر می کند. این موضوع به نوبه خود به آنها امکان می دهد خدمات مشتری خود را بهبود بخشند و از این طریق زمینه ای برای رضایت بیشتر مصرف کننده فراهم کنند. برای شروع کار با پروژه تجزیه و تحلیل احساسات ، می توانید داده های مربوط به توییتر یا Reddit را استخراج کنید.

5.سیستم قیمت گذاری بلیط فیلم

با گسترش سیستم عامل های OTT مانند Netflix ، Amazon Prime ، مردم ترجیح می دهند به راحتی فیلم های مورد علاقه شان را تماشا کنند. عواملی مانند قیمت گذاری ، کیفیت محتوا و بازاریابی بر موفقیت این سیستم عامل ها تأثیر گذاشته است.
هزینه ساخت یک فیلم حرفه ای اخیرا بسیار افزایش یافته است. وتنها 10? فیلم هایی که ساخته می شوند سود قابل توجهی کسب می کنند. رقابت شدید سیستم عامل های تلویزیونی و OTT به همراه هزینه بالای بلیط باعث شده است تا فروش بلیط فیلم ها سخت تر شوند.
یک سیستم قیمت گذاری پیشرفته بلیط قطعاً می تواند به سازندگان و بینندگان فیلم کمک کند. با افزایش تقاضای بلیط و برعکس ، قیمت بلیط ها می تواند بالاتر و یا کمترشود. هرچه زودتر بیننده بلیط تهیه کند ، هزینه کمتری برای فیلمی با تقاضای زیاد دارد. سیستم شما بسته به علاقه بینندگان ، سیگنالهای اجتماعی و عوامل تقاضای عرضه ،باید به طور هوشمندانه قیمت گذاری را محاسبه کند.

6- سیستم بهداشت  را با یادگیری ماشینی تقویت کنید !

برنامه های کاربردی هوش مصنوعی و ماشین لرنینگ از چندی قبل شروع به نفوذ در صنعت مراقبت های بهداشتی کرده اند و به سرعت در حال تغییر کیفیت مراقبت های بهداشت جهانی میباشند. تولید لباس های بهداشتی ، نظارت از راه دور ، جراحی روباتیک و غیره ، همه به کمک الگوریتم های یادگیری ماشین با استفاده از هوش مصنوعی در حال پیشرفت میباشند.
ماشین لرنینگ نه تنها به HCP ها (ارائه دهندگان مراقبت های بهداشتی) برای ارائه مراقبت های بهداشتی سریع و بهتر کمک می کنند ، بلکه میزان وابستگی و بار کار پزشکان را نیز به میزان قابل توجهی کاهش می دهند. بنابراین ، چرا از مهارت های خود برای ایجاد یک پروژه مفید و چشمگیرماشین لرنینگ بر اساس داده های مراقبت های بهداشتی استفاده نمی کنید؟ صنعت بهداشت داده های بسیاری را در اختیار دارد. با استفاده از این داده ها ، می توانید سیستم های مراقبتی تشخیصی که می توانند به صورت خودکار اسکن تصاویر ، اشعه ایکس و غیره را انجام دهند و تشخیص دقیقی از بیماری های احتمالی آینده در هر شخص ارائه دهند ایجاد کنید و یا برنامه هایی برای مراقبت های پیشگیرانه ایجاد کنید که می توانند امکان همه گیرشدن بیماری هایی مانند آنفولانزا ،کرونا ، مالاریا و غیره را در جامعه و در سطح ملی پیش بینی کرده و کاهش دهد .

نتیجه گیری :

یادگیری ماشینی هنوز در مراحل اولیه در سراسر جهان میباشد و پروژه های زیادی وجود دارد که باید انجام شود  و کارهای بسیاری نیز برای بهبود وجود دارد .

زمانی که شروع به کار بر روی ایده های خود در پروژه های یادگیری ماشینی می کنید ، نه تنها می توانید نقاط قوت و ضعف خود را آزمایش کنید ، بلکه در معرض دید قرار می گیرید وهمینطور  میتواند فرصت مناسبی جهت تقویت شغل شما باشد.

داشتن ذهن هوشمند و ایده های خلاق در ماشین لرنینگ، باعث میشود تا مشاغلی با سیستم های پشتیبانی، پیشرفت کرده و  سریعتر و سودآوتر شوند.