همه چیز در مورد یادگیری عمیق یا Deep learning

با یادگیری عمیق یا Deep learning آشنا شوید

یادگیری عمیق تکنیکی در یادگیری ماشینی به شمار می رود. این تکنیک شیوه تفکر و عملکرد طبیعی انسان ها را به هوش مصنوعی آموزش می دهد. با روی کارآمدن دستیار های ماشینی که در زمینه های مختلف به یاری انسان ها آمده اند، نیاز به بهبود یادگیری عمیق بیش از هر زمان دیگری احساس می شود. یکی از ساده ترین مثال های موجود در زمینه کاربردهای یادگیری عمیق، استفاده از این سیستم در سیستمهای کنترل خودروهای بدون راننده است.

در این خودرو ها، هوش مصنوعی با استفاده از یادگیری عمیق انتخاب ها و انتظارها انسان را درک کرده و رانندگی را مطابق میل او به انجام می رساند. یادگیری عمیق کلید اصلی در دستیابی به خودرویی است که به خودی خود و بدون نیاز به راننده، مسیر را طی کرده و به مقصد می رسد.

هوش مصنوعی با استفاده از یادگیری عمیق نسبت به تابلوی ایست از خود واکنش نشان داده و خودرو را متوقف می سازد. این تکنولوژی جان فردی که در حال عبور از خیابان است را در مقابل خودرویی بدون راننده حفظ می کند. سیستم خودرو متوجه عبور عابر شده و خودرو را متوقف می کند. به این ترتیب عملکرد این خودرو ها بسیار شبیه به راننده ای توانمند و قانون مند است.

از این گذشته، دستیار های صوتی که در گوشی های هوشمند به دستورات کاربران واکنش نشان می دهند نیز نمونه دیگری از هوش های مصنوعی هستند که با استفاده از یادگیری عمیق، تجربه ای متفاوت را برای کاربر به ارمغان آورده اند.

Deep Learning چیست؟

Deep Learning دیپ لرنینگ به دنبال هوش مصنوعی پا به عرصه حضور گذاشته است. این یادگیری به یاری هوش مصنوعی آمده است تا به شکلی طبیعی تر به نیاز ها و خواست های بشر واکنش نشان دهد. هوش مصنوعی در جهت یاری رساندن به بشر امروزی روی کار آمده است. سالیان درازی از روی کار آمدن هوش مصنوعی نمی گذرد. اما در طی همین زمان کوتاه بشر در زمینه های متفاوتی از این تکنولوژی بهره برده است.

با افزایش کاربردهای این تکنولوژی، نیاز به ارتقا و تعلیم آن نیز به وجود آمده است. در این راستا یادگیری عمیق به عنوان مبحثی نوین در زمینه هوش مصنوعی مطرح شده است. یادگیری عمیق به هوش مصنوعی اجازه می دهد، عملکرد مغز انسان را شبیه سازی کرده و روند تحلیل داده ها و تصمیم گیری در ذهن بشر را درک و تقلید کند.

یادگیری ماشینی

این یادگیری زیر شاخه یادگیری ماشینی به شمار می رود. در یادگیری ماشینی،  هوش مصنوعی با استفاده از داده هایی که بدون برچسب و بدون طبقه بندی در اختیار آن گذاشته می شود، بیشتر و بیشتر در خصوص انسان ها، علوم، تاریخ و… می آموزد. این آموزش بدون یک استاد راهنما صورت می گیرد.

 به این ترتیب، با گذشت زمان و افزایش دامنه اطلاعات موجود در سطح اینترنت، هوش مصنوعی به شناخت کامل تری از بشر دست پیدا می کند. این بدان معناست که در طی سال های آتی می توان انتظار حضور هوش مصنوعی را در تمامی زمینه ها داشت. چرا که این تکنولوژی با استفاده از یادگیری عمیق با الگو های ذهنی بشر سازگار شده و نیاز ها، ترس ها و آرزوهای او را خواهد شناخت.

به این ترتیب، این تکنولوژی در آینده ای نه چندان دور، بشر را از خطرات بزرگی نجات خواهد داد. حتی می توان اینطور نتیجه گیری کرد: همانطور که هوش مصنوعی با مشاهده عابری در وسط خیابان دستور توقف خودرو را صادر می کند، می تواند در موارد دیگری نیز انتخاب های درستی که منجر به بقای بشر می شود را اتخاذ کند.

ضرورت استفاده از  یادگیری عمیق

یادگیری عمیق در دنیای امروزی و شانه به شانه با عصر دیجیتال پیش می رود. عصر دیجیتال، دوره شکوفایی و انفجار اطلاعات قلمداد می شود. امروزه بشر در سراسر جهان به اطلاعات بسیار متنوعی دسترسی دارد. گنجینه اطلاعاتی که امروزه در اختیار بشر قرار دارد، از منابع متفاوتی گردآوری می شود.

منابعی مانند شبکه های اجتماعی، جستجوهایی که در موتور های جستجو انجام می شود، پلتفرم های تجارت الکترونیک، سینما های آنلاین و بسیاری دیگر همواره در حال جمع آوری اطلاعات بشر امروزی هستند. این اطلاعت برای آموزش هوش مصنوعی بسیار مفید خواهد بود.

این حجم وسیع اطلاعات به سادگی قابل انتشار است. بشر امروزی قادر است اطلاعاتی به حجم یک کتابخانه ملی را در طول چند دقیقه برای شخص دیگری در آن سوی دنیا ارسال کند.

اما در حقیقت، این حجم از اطلاعات که بدون هیچ طبقه بندی خاصی در فضای اینترنت وجود دارد، آنچنان وسیع است که بشر قادر به هضم، تحلیل و یادگیری آن نخواهد بود. در واقع بشر برای یادگیری این حجم از اطلاعات به ده ها سال زمان نیاز خواهد داشت. طول عمر یک انسان معمولی برای یادگیری این حجم از اطلاعات کافی نخواهد بود.

از این رو تجارت ها و شرکت های قدرتمند به لزوم یافتن راهی برای پردازش این حجم از اطلاعات و استخراج اطلاعات مورد نیاز خود پی بردند. در این راستا، هوش مصنوعی پا به عرصه حضور گذاشت.

امروزه تجارت ها و شرکت های بزرگ در سراسر جهان به دنبال یافتن راهی برای استفاده از این تکنولوژی در تجارت خود هستند. در همین راستا، خودروسازان به فکر ساختن خودرویی بدون راننده افتادند. و در ادامه دستیار های صوتی در گوشی های هوشمند تجربه متفاوتی را برای کاربران به وجود آورده اند.

چطور تکنولوژی یادگیری عمیق موفق به کسب چنین نتایج شگفت انگیزی شده است؟

برای پاسخ به این سوال می توان در یک کلام گفت: از طریق صراحت در پردازش اطلاعات. یادگیری عمیق موفق شده است، میزان درستی تشخیص ها و شناخت ها را به اندازه ای بالا ببرد که پیش از این مشاهده نشده است. به این ترتیب، هوش مصنوعی می تواند نیاز های بشر را به درستی شناسایی کند.

زمانی که پای استفاده از هوش مصنوعی در خودروهای بدون راننده به میان می آید، امنیت سرنشینان از اهمیت بالایی برخوردار است. با پیشرفته هایی که اخیرا در یادگیری عمیق رخ داده است، می توان گفت ایمنی انسان هایی که از این سیستم ها بهره می برند به خوبی تامین شده است.

کاربردهای یادگیری عمیق

تئوری یادگیری عمیق از سال ۱۹۸۰ مطرح شد، اما تا کنون کاربرد مفیدی برای بشر به ارمغان نیاورده بود.

چرا که:

1. یادگیری عمیق برای کسب اطلاعت مورد نیاز خود به حجم وسیعی از اطلاعات برچسب گذاری شده نیاز دارد. برای مثال برای آن که در خودروهای بدون راننده به کار گرفته شود، به میلیون ها تصویر و ساعت ها ویدیو نیاز خواهد بود. چرا که هوش مصنوعی به کار رفته در این خودروها باید با استفاده از یادگیری عمیق به تمام حالاتی که ممکن است، قدرت تصمیم گیری بشر را به تصویر بکشد دسترسی داشته باشد.
2.  یادگیری عمیق باید در زمینه بررسی و محاسبات از توانایی خوبی برخوردار باشد. از این رو، واحد پردازش گرافیک به یاری تکنولوژی یادگیری عمیق آمده  است. استفاده از این واحد پردازش در کنار دسترسی به حجم وسیع اطلاعات موجود،زمان مورد نیاز برای آموزش سیستم یادگیری عمیق در هوش مصنوعی از هفته ها به ساعت ها و حتی دقیقه ها کاهش داده است.

از این رو به وضوح می توان دید، یادگیری عمیق در سال ۱۹۸۰، ابزار های لازم برای تحلیل اطلاعات و حتی اطلاعات لازم برای تحلیل را در اختیار نداشته است. به این ترتیب هوش مصنوعی با استفاده از تکنیک یادگیری عمیق در حال یادگیری از تجربیات بشر است و روز به روز بر وسعت اطلاعات موجود افزوده می شود. به این ترتیب، در آینده ای نه چندان دور هوش مصنوعی ارتباط بسیار نزدیکی با بشر برقرار خواهد کرد و به جز جدا نشدنی در زندگی او تبدیل می شود.

مفاهیم اولیه یادگیری عمیق یا Deep Learning

در اکثر روش هایی که به جهت برنامه ریزی سیستم های یادگیری برای هوش مصنوعی به کار برده می شود، از یک شبکه عصبی استفاده می شود. از این رو سیستم های به کار رفته در یادگیری عمیق را شبکه عصبی عمیق می نامیم.

به دلیل وجود لایه های متفاوت و سطح های متفاوتی از اطلاعات از واژه عمیق استفاده می شود. شبکه عصبی از دو یا نهایتا سه لایه تشکیل شده است. در حالی که شبکه عصبی عمیق از بیش از ۱۵۰ لایه تشکیل شده است. یادگیری عمیق به گونه ای طراحی شده است که قادر باشد بدون دستور العمل هایی که توسط اپراتور صادر می شود، اطلاعات مورد نیاز خود را از میان حجم وسیعی از اطلاعات استخراج کرده و مورد استفاده قرار دهد.

شبکه عصبی عمیق که در تکنولوژی یادگیری عمیق به کار گرفته می شود در راستای شبیه سازی ساختار ذهن بشر روی کار آمده است. در ذهن انسان مفاهیم پس از شکل گیری، بر اساس ارتباطات موجود در میان مفاهیم زنجیره ای از اطلاعات را تشکیل می دهند. این زنجیره را با نام سیستم عصبی می شناسیم.

مفهوم دیگر یادگیری عمیق

در واقع زمانی که بشر با مفهوم جدیدی روبرو می شود، با استفاده از اطلاعاتی که از قبل در اختیار داشته و ارتباطات این اطلاعات با اطلاعاتی جدید، در خصوص داده های جدید تصمیم گیری می کند. بر اساس تصمیم گیری انجام شده مفهوم تازه ای در ذهن ایجاد می شود. در واقع ذهن انسان از لایه های اطلاعاتی بیشماری تشکیل شده است. دسترسی خود انسان به تمام این لایه های اطلاعاتی ممکن نخواهد بود.

لایه های اطلاعات با استفاده از مفاهیم متفاوتی با یکدیگر در ارتباط قرار دارند و به همین دلیل مشاهده یک تصویر یا شنیدن اصوات ما را به دنیای دیگری می برد. در این زمان ذهن مفاهیمی که در ارتباط مستقیم با اطلاعات جدید قرار دارند را به سطح بالاتری آورده و در اختیار ما قرار می دهد. به این ترتیب می توان گفت روند تصمیم گیری و تفکر در ذهن انسان بسیار پیچیده است.

بشر با کسب دانش در خصوص ساز و کار ذهن برای یادگیری عمیق شبکه عصبی عمیقی با بیش از ۱۵۰ لایه طراحی کرده است. این شبکه عصبی روند تصمیم گیری و پردازش مغز انسان را شبیه سازی می کند. به این ترتیب، نتایج حاصل از پردازش های سیستم یادگیری عمیق به مراتب صادق تر و صحیح تر از دیگر تکنولوژی های به کار رفته در هوش مصنوعی است.

یادگیری ماشینی در بستر هوش مصنوعی

یادگیری ماشینی یکی از جدیدترین تکنولوژی ها در حوزه هوش مصنوعی است. این تکنولوژی قادر است حجم وسیعی از اطلاعات را مورد پردازش داد و ترتیب اطلاعات تاریخ اضافه شدن اطلاعات را برای تحلیل های بعدی مشخص کند.

برای مثال اگر در یک تجارت بزرگ کلاه برداری صورت گیرد. نیاز به یادگیری ماشینی احساس خواهد شد.

این تکنولوژی تمام اطلاعات موجود در خصوص نقل و انتقالات مالی را از سیستم استخراج کرده تا فعالیت هایی مشکوک را شناسایی کند. ابن تکنولوژی در رایانه های تجارت مورد نظر راه اندازی می شود و به این ترتیب به تمام نقل و انتقالات صورت گرفته در تجارت اشراف خواهد داشت.

سپس با یافتن الگوهای حاضر در تراکنش های صورت گرفته، تراکنش های نامتعارف را شناسایی و کلاهبرداری را ریشه یابی می کند.

یادگیری عمیق از سوی دیگر، زیر مجموعه یادگیری ماشینی تلقی می شود. شبکه های اطلاعاتی در تکنولوژی یادگیری عمیق درست مانند شبکه های عصبی در مغز انسان عمل می کنند.

تفاوت مغز انسان با هوش مصنوعی

یکی از تفاوت های عمده مغز انسان با هوش مصنوعی در این است که، یادگیری ماشینی در روندی خطی اطلاعات را دریافت و پردازش می کند. در حالی که مغز انسان در روند غیر خطی اطلاعات را مورد پردازش قرار می دهد. به این ترتیب نیاز به تفکری غیر خطی یادگیری عمیق را روی کار آورده است.

یادگیری عمیق می تواند با تقلید الگوهای ذهنی بشر و در روندی غیر خطی، اطلاعات را جمع آوری و مورد پردازش قرار دهد. از این رو می توان گفت، این یادگیری در یافتن کلاهبردار مثال بالا، موفق تر عمل خواهد کرد.

چرا که این سیستم برای یافتن کلاه برداری های صورت گرفته و پول شویی های احتمالی در یک تجارت علاوه بر مبلغ تراکنش ها اطلاعات وسیع تری را جمع آوری خواهد کرد. برای مثال اطلاعات مربوط به موقعیت مکانی، آی پی آدرس و سایر اطلاعات موجود در سیستم نیز توسط یادگیری عمیق مورد پردازش قرار می گیرد.

آموزش مقدماتی یادگیری عمیق

در آموزش مقدماتی یادگیری عمیق قصد داریم شما را با مدل های متفاوت به کارگیری این تکنولوژی آشنا کنیم.

یادگیری عمیق به سه شیوه متفاوت به اجرا در می آید. این سه شیوه عبارتند از:

1. با نظارت کامل Supervised
2. نظارت تقریبی Semi-Supervised
3. بدون نظارت Unsupervised

در ادامه به توصیف این مدل ها خواهیم پرداخت.

مدل نظارت کامل Supervised

در این مدل تمرکز روی آموختن مفاهیم به هوش مصنوعی است. مفاهیم همان دسته بندی هایی هستند که انسان ها برای یادگیری مورد استفاده قرار می دهند. برای مثال اشیا، ایده ها، حوادث و…. همگی مفاهیمی هستند که در ذهن بشر شکل گرفته و تکامل می یابند. مفاهیم متفاوت بر اساس ویژگی های مشترک خود در یک گروه قرار می گیرند. برای مثال میز، کمد، جاکفشی به واسطه ویژگی های مشترکی در گروه اشیا جای می گیرند.

در این مدل از همان ایده یا که برای یادگیری انسان ها بهره گرفته شده استفاده می شود. اگر تصاویر متفاوتی به شما نشان داده شود که دارای برچسب های متفاوتی هستند، شما قادر خواهید بود تصاویر جدید را با تصاویری که از قبل در ذهن خود دارید مقایسه کرده و گروه مربوط به آنها را مشخص کنید.

در یک کلام در مدل نظارت کامل Supervised، یادگیری هوش مصنوعی از طریق مثال صورت می گیرد. به این ترتیب که، مثالی در اختیار سیستم قرار گرفته و نوع ورودی و خروجی مورد نظر در مثال ارائه شده به سیستم آموخته می شود. به این ترتیب هوش مصنوعی با استفاده از این مدل، نگاهی به برچسب های پیش رو انداخته و بر اساس برچسب ها خروجی مورد نظر را انتخاب می کند.

از این مدل در پروژه هایی که نیاز به طبقه بندی وجود دارد، استفاده می شود. برای مثال:

• تشخیص چهره، هویت و حالت صورت در تصاویر
• شناسایی علائم موجود در تصویر مانند، تابلوی ایست، عابران پیاده و خط کشی های خیابان
• شناسایی متن های جعلی
• تشخیص حرکات بدن در تصاویر ویدیویی
• تشخیص صدا و شناسایی احساس از فایل های صوتی
• شناسایی سخنگو
• پیاده سازی متن از روی فایل صوتی یا تصویری

مدل نظارت تقریبی Semi-Supervised

این روش درست مانند یادگیری کودکان است. کودک اطلاعات طبقه بندی شده و برچسب خورده را از والدین دریافت کرده و سپس این اطلاعات را در کنار آموخته های خود از جهان اطراف که بدون برچسب هستند، به خاطر می سپارد. مانند طبیعتی که در پیرامون کودک قرار دارد و او بدون اینکه نام تک تک درختان و گیاهان اطراف خود را بداند به تماشای آنها می پردازد.

در آموزش مقدماتی یادگیری عمیق می آموزیم که، تنها تفاوت این مدل با مدل نظارت کامل Supervised در استفاده از اطلاعات برچسب خورده در کنار اطلاعات بدون برچسب است. در این مدل حجم اطلاعات برچسب دار بسیار اندک است. این اطلاعات نقش راهنما را برای هوش مصنوعی ایفا می کنند.

مدل بدون نظارت Unsupervised

در این مدل از هوش مصنوعی انتظار می رود روابط میان اجزای موجود در داده ها را بدون حضور برچسب های راهنما تشخیص دهد. برای این منظور از الگوریتم های فراوانی استفاده می شود. در واقع در این مدل، هوش مصنوعی با تقلید از منطق انسان ها، ساختار ها و الگوهای پنهان در داده ها را شناسایی می کنند.

انتخاب میان یادگیری ماشینی و یادگیری عمیق

همانطور که پیش از این نیز اشاره کردیم می توان گفت، یادگیری ماشینی با بررسی خطی اطلاعات موجود به بررسی اطلاعات و پردازش آنها می پردازد. در واقع ترتیب قرارگیری اطلاعات در نتایج بدست آمده در یادگیری ماشینی تاثیر گذار خواهد بود. اما در یادگیری عمیق، از روش پردازش غیرخطی اطلاعات بهره برده می شود. به این ترتیب خصوصیات دیگری علاوه بر توالی قرارگیری اطلاعات نیز در پروسه پردازش و تصمیم گیری این تکنولوژی تاثیر گذار خواهند بود.

یادگیری ماشینی مجموعه ای از تکنیک ها و مدل های پردازش را در اختیار کاربران قرار می دهد. کاربران می توانند بر اساس نیاز و حجم اطلاعات و البته نوع مشکل پیش آمده از یکی از مدل های این تکنولوژی استفاده کنند.

در صورتی که به دنبال استفاده از یادگیری عمیق هستید باید این نکته را به خاطر بسپارید که این تکنولوژی به حجم زیادی از اطلاعات نیاز خواهد داشت. چرا که شما برای استفاده از این تکنولوژی باید آموزش های مورد نیاز را در اختیار آن قرار دهید.

به این منظور باید دامنه وسیعی از تصاویر را در اختیار این تکنولوژی قرار دهید. علاوه بر این تکنولوژی یادگیری عمیق برای تحلیل و بررسی اطلاعاتی که در اختیار دارد به واحد پردازش گرافیکی قدرتمندی نیاز خواهد داشت. به این ترتیب این تکنولوژی می توانند اطلاعات موجود را به خوبی و با سرعتی حیرت آور مورد پردازش قرار دهد.

سوالات متداول

زمانی که میان انتخاب یادگیری ماشینی و یادگیری عمیق مردد مانده اید. بهتر است دو نکته را در نظر بگیرید:

1. آیا شما از واحد پردازش گرافیکی قدرتمندی برخوردار هستید؟
2. آیا حجم زیادی از اطلاعات برچسب دار را در اختیار دارید؟

در صورتی که از هیچ یک از این موارد برخوردار نیستید، استفاده از یادگیری عمیق انتخاب عاقلانه ای نخواهد بود؛ چرا که این تکنولوژی برای آنکه بتواند به بهترین شکل ممکن پردازش های لازم را به انجام برساند به یک واحد پردازش گرافیکی و حجم وسیعی از اطلاعات نیاز خواهد داشت.

یادگیری عمیق در مقایسه با یادگیری ماشینی به مراتب پیچیده تر است. از این رو برای آنکه نتایج موثقی را از یادگیری عمیق بدست آورید، به حجم اطلاعات زیادی نیاز خواهید داشت. برخورداری از واحد پردازش گرافیکی قدرتمند، به یادگیری عمیق اجازه می دهد که در کمترین زمان ممکن، جزئیات مورد نظر خود را از تصاویر استخراج کند.

نمونه هایی از به کارگیری یادگیری عمیق

یادگیری عمیق در بخش های متفاوتی از صنایع از رانندگی خودکار گرفته تا تجهیزات پزشکی کاربرد دارد.

سیستم رانندگی خودکار

محققانی خودروسازی با استفاده از یادگیری عمیق موفق به شناسایی اشیا و تابلو های توقف و سایر تابلو های رانندگی شده اند. علاوه بر این، یادگیری عمیق، قادر به تشخیص عابران پیاده است.

این سیستم می تواند میزان بروز تصادفات شهری را به شدت پایین بیاورد. به این ترتیب با استفاده از یادگیری عمیق در ماشین ها میزان خسارت های جانی و مالی ناشی از استفاده از این خودرو ها را به شدت کاهش داده است.

هوافضا و دفاع

یادگیری عمیق به ماهواره هایی که بر فراز منطقه مورد نظر قرار گرفته اند اجازه می دهد، اشیا مشخصی را شناسایی و میزان امنیت منطقه را برای نیروهای نظامی مشخص کند.

تحقیقات پزشکی

محققانی که در زمینه سرطان به مطالعه می پردازند، موفق شده اند با استفاده از یادگیری عمیق سلول های سرطانی را شناسایی کنند. تیم های تحقیقاتی که به دنبال یافتن راهکاری برای شناسایی سلول های سرطانی در بدن هستند توانسته اند با تصویربرداری های چند بعدی، اطلاعات لازم برای پردازش اطلاعات را در اختیار یادگیری عمیق قرار دهد.

به این ترتیب یادگیری عمیق می تواند محل دقیق سلول های سرطانی را مشخص کند. این امر برای جامعه پزشکی و برای ارتقا سلامت افراد جامعه تاثیر به سزایی دارد. چرا که دقت در تشخیص سلول های سرطانی به شدت افزایش پیدا کرده است.

سیستم های خودکار صنعتی

یادگیری عمیق با افزایش امنیت کارکنان و کارگران در کارخانه های صنعتی، بشر را از خطرات احتمالی در حین کار با ماشین های سنگین صنعتی در امان نگه داشته است. یادگیری عمیق، در این کارخانه ها فاصله ایمنی، کارکنان دستگاه های صنعتی سنگین را سنجیده و با نزدیک شدن بیش از حد افراد به دستگاه ها اعلام خطر کرده و به این ترتیب از بروز حوادث ناگهانی اجتناب خواهد کرد.

الکترونیک

با استفاده از یادگیری عمیق در زمینه های شنوایی خودکار و ترجمه گفتار تحولات زیادی در زمینه الکترونیک به وجود آمده است. برای مثال دستگاه های دستیار که در خانه ها مورد استفاده قرار می گیرند، به صدای افراد واکنش نشان داده و به خوبی از تنظیمات مورد علاقه شما اطلاع دارد.

مفاهیم اولیه یادگیری عمیق Deep Learning در یک نگاه

یادگیری عمیق در عصر حاضر در موارد بسیاری کاربرد های متفاوتی را در اختیار انسان ها قرار داده است. دستیار های مجازی، مترجم های همراه که در گوشی های هوشمند به کار رفته اند و سیستم های به کار رفته در صنایع خودروسازی، همه و همه مثال هایی از جلوه های ملموس یادگیری عمیق هستند.

هوش مصنوعی با استفاده از شبکه عصبی که از مفاهیم متفاوتی تشکیل شده است، به یاری بشر امروزی آمده و به این ترتیب امکانات فوق العاده را به زندگی بشر افزوده است. هوش مصنوعی می تواند در زمینه های متفاوتی کیفیت زندگی بشر را متحول ساخته است. این تکنولوژی تحولات بسیاری را در زمینه های پزشکی و درمان بیماری های لاعلاج مهیا ساخته است.

این تکنولوژی موفق به شناسایی دقیق سلول های سرطانی شده و این امر برای جامعه پزشکی و بیماران مبتلا به سرطان از اهمیت بالایی برخوردار است. به این ترتیب جان انسان های زیادی توسط تکنولوژی هوش مصنوعی نجات داده می شود..

• یادگیری عمیق با استفاده از شبکه عصبی به تقلید از هوش جانداران می پردازد.
• آموزش شبکه عصبی هوش مصنوعی با استفاده از یادگیری عمیق به داده های زیادی نیاز دارد.
• استفاده از یادگیری عمیق مستلزم برخورداری از یک واحد پردازش گرافیکی بسیار قدرتمند است.
• یادگیری عمیق با استفاده از مدل ها و الگوریتم های متفاوتی در تلاش است تا منطق بشر را شبیه سازی کند.

منابع

• https: //www.mathworks.com/discovery/deep-learning.html

• https: //www.investopedia.com/terms/d/deep-learning.asp