حتی اگر درگیر دنیای علم داده نیستید، احتمالاً اصطلاحات هوش مصنوعی (AI)، یادگیری ماشین و یادگیری عمیق را در سال‌های اخیر زیاد شنیده‌اید. گاهی اوقات، آنها حتی به جای هم استفاده می شوند. در حالی که درت است این دو اصطلاح در ارتباط با هم هستند اما در بخش هایی از یکدیگر متمایزند و دقیقا معادل یکدیگر به حساب نمی آیند.

به طور کلی، یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است و یادگیری ماشین زیر مجموعه ای از هوش مصنوعی است. می‌توانید آنها را به‌عنوان مجموعه‌ای از دایره‌های هم‌مرکز در نظر بگیرید که هوش مصنوعی بزرگترین را اشغال می‌کند، پس از آن یادگیری ماشین و سپس یادگیری عمیق قرار دارد. به عبارت دیگر، یادگیری عمیق هوش مصنوعی است، اما هوش مصنوعی را نمی توان یادگیری عمیق نامید.

در این مقاله، در مورد هوش مصنوعی، یادگیری ماشین و یادگیری عمیق، از جمله نحوه ارتباط آنها و تفاوت آنها با یکدیگر بیشتر خواهید آموخت. تا انتها همراه ما باشید.

یادگیری عمیق در مقابل یادگیری ماشین

به لطف تصاویر و فیلمهای موجود از ادیسه فضایی تا ترمیناتور، بسیاری از ما تصوراتی از هوش مصنوعی داریم. دیکشنری آکسفورد هوش مصنوعی را اینگونه تعریف می‌کند: «تئوری و توسعه سیستم‌های رایانه‌ای که قادر به انجام وظایفی هستند که به طور معمول انجام آن وظایف به هوش انسانی نیاز دارند». بریتانیکا تعریف مشابهی را ارائه می دهد: “توانایی یک کامپیوتر دیجیتال یا ربات کنترل شده توسط کامپیوتر برای انجام وظایفی که معمولاً با موجودات هوشمند مرتبط است.”

یادگیری ماشین و یادگیری عمیق هر دو نوعی از هوش مصنوعی هستند. به طور خلاصه، یادگیری ماشین هوش مصنوعی است که می تواند به طور خودکار با حداقل دخالت انسان سازگار شود. یادگیری عمیق زیرمجموعه ای از یادگیری ماشینی است که از شبکه های عصبی مصنوعی برای تقلید از فرآیند یادگیری مغز انسان استفاده می کند.

قبل از اینکه بیشتر به آن بپردازیم، به این تفاوت های کلیدی نگاه کنید.

 

هوش مصنوعی (AI) چیست؟

در ابتدایی ترین سطح خود، حوزه هوش مصنوعی از علم کامپیوتر و داده ها برای حل مسئله در ماشین ها استفاده می کند.

در حالی که ما هنوز ربات‌های انسان‌مانندی نداریم که می‌خواهند جهان را تسخیر کنند، اما نمونه‌های فراوانی از هوش مصنوعی در اطراف خود داریم. اینها می‌توانند به سادگی یک برنامه رایانه‌ای که می‌تواند شطرنج بازی کند، یا به پیچیدگی الگوریتمی باشد که می‌تواند ساختار RNA یک ویروس را برای کمک به توسعه واکسن‌ها پیش‌بینی کند.

برای اینکه یک ماشین یا برنامه به تنهایی و بدون کمک بیشتر از سوی برنامه نویسان انسانی بهبود یابد، به یادگیری ماشین نیاز داریم.

دیپ بلو، کامپیوتر شطرنج باز

قبل از توسعه یادگیری ماشین، ماشین‌ها یا برنامه‌های هوشمند مصنوعی باید برنامه‌ریزی می‌شدند تا به مجموعه محدودی از ورودی‌ها پاسخ دهند. دیپ بلو، یک کامپیوتر شطرنج باز که در سال 1997 یک قهرمان شطرنج جهان را شکست داد، می تواند حرکت بعدی خود را بر اساس کتابخانه ای گسترده از حرکات و نتایج احتمالی “تصمیم گیری” کند. اما سیستم کاملاً واکنشی بود. برای اینکه دیپ بلو در بازی شطرنج پیشرفت کند، برنامه نویسان باید وارد عمل می شدند و ویژگی ها و امکانات بیشتری را اضافه می کردند.

یادگیری ماشین چیست؟

یادگیری ماشین به مطالعه سیستم های کامپیوتری اطلاق می شود که به طور خودکار از تجربه یاد می گیرند و بدون اینکه به طور واضح برنامه ریزی شوند، تطبیق می یابند.

با هوش مصنوعی ساده، یک برنامه نویس می تواند به ماشین بگوید که چگونه به مجموعه های مختلف دستورالعمل ها با کدگذاری دستی هر «تصمیم» پاسخ دهد. با مدل‌های یادگیری ماشین، دانشمندان کامپیوتر می‌توانند یک ماشین را با تغذیه مقادیر زیادی از داده، «آموزش دهند». این ماشین از مجموعه ای از قوانین پیروی می کند – به نام الگوریتم – برای تجزیه و تحلیل و استنتاج از داده ها. هر چه ماشین اطلاعات بیشتری را تجزیه کند، می تواند در انجام یک کار یا تصمیم گیری بهتر عمل کند. در واقع ماشین با یک مجموعه مقادیر صحیح اموزش داده می شود سپس بر اساس آن الگوریتم یا تابعی میسازد و به مجموعه دیتای جدید را پیش بینی می کند.

در اینجا یک مثال است که ممکن است با آن آشنا باشید: سرویس پخش موسیقی Spotify ترجیحات موسیقی شما را یاد می گیرد تا پیشنهادات جدیدی به شما ارائه دهد. هر بار که با گوش دادن تا انتها یا افزودن آهنگی به کتابخانه خود نشان می دهید که دوست دارید، این سرویس الگوریتم های خود را به روز می کند تا توصیه های دقیق تری به شما ارائه دهد. نتفلیکس و آمازون از الگوریتم های یادگیری ماشین مشابهی برای ارائه توصیه های شخصی استفاده می کنند.

IBM Watson، پسر عموی یادگیری ماشین Deep Blue

در سال 2011، IBM Watson دو قهرمان Jeopardy را در یک مسابقه نمایشگاهی با استفاده از یادگیری ماشین شکست داد.

برنامه نویسان واتسون هزاران جفت پرسش و پاسخ و همچنین نمونه هایی از پاسخ های صحیح را به آن داده اند. وقتی فقط یک پاسخ داده شد، دستگاه طوری برنامه‌ریزی شد که سؤال تطبیقی را مطرح کند. اگر اشتباه می کرد، برنامه نویسان آن را اصلاح می کردند. این به واتسون اجازه داد تا الگوریتم های خود را اصلاح کند، یا به تعبیری از اشتباهاتش «یادگیری» کند.

در زمانی که واتسون با قهرمانان Jeopardy روبرو شد، در عرض چند ثانیه، می‌توانست 200 میلیون صفحه اطلاعات را تجزیه کند و فهرستی از پاسخ‌های احتمالی را ایجاد کند، که بر اساس احتمال درست بودن آنها رتبه‌بندی می‌شد.

یادگیری عمیق چیست؟

الگوریتم‌های یادگیری ماشین وقتی اشتباه می‌کنند نیاز به تصحیح انسانی دارند اما الگوریتم‌های یادگیری عمیق می‌توانند نتایج خود را از طریق تکرار، بدون دخالت انسان، بهبود بخشند. یک الگوریتم یادگیری ماشین می‌تواند از مجموعه‌های نسبتاً کوچکی از داده‌ها یاد بگیرد، اما یک الگوریتم یادگیری عمیق به مجموعه‌ داده‌های بزرگ نیاز دارد که ممکن است شامل داده‌های متنوع و بدون ساختار باشد.

به یادگیری عمیق به عنوان تکامل یادگیری ماشین فکر کنید. یادگیری عمیق یک تکنیک یادگیری ماشین است که الگوریتم‌ها و واحدهای محاسباتی یا نورون‌ها را در شبکه‌های عصبی مصنوعی لایه‌بندی می‌کند. این شبکه های عصبی عمیق از ساختار مغز انسان الهام می گیرند. داده ها از طریق این شبکه از الگوریتم های به هم پیوسته به شیوه ای غیر خطی عبور می کنند، این موضوع دقیقاً شبیه نحوه پردازش اطلاعات در مغز ماست .

AlphaGo، یکی دیگر از نوادگان Deep Blue

AlphaGo اولین برنامه ای بود که یک بازیکن انسانی Go را شکست داد و همچنین اولین برنامه ای بود که قهرمان جهان Go را در سال 2015 شکست داد. Go یک بازی رومیزی 3000 ساله است که منشا آن چین است و به دلیل استراتژی پیچیده خود شناخته شده است. این بازی بسیار پیچیده تر از شطرنج است، با 10 به توان 170 پیکربندی ممکن روی تخته.

سازندگان AlphaGo با معرفی این برنامه به چندین بازی Go برای آموزش مکانیک آن شروع کردند. سپس هزاران بار شروع به بازی با نسخه های مختلف خود کرد و بعد از هر بازی از اشتباهات خود درس گرفت. AlphaGo آنقدر خوب شد که بهترین بازیکنان انسان در جهان برای مطالعه حرکات اختراعی آن شناخته می شوند.

آخرین نسخه از الگوریتم AlphaGo که به عنوان MuZero شناخته می شود، می تواند در بازی هایی مانند Go، شطرنج و آتاری تسلط پیدا کند بدون اینکه حتی نیازی به گفتن قوانین باشد.

موارد استفاده از یادگیری عمیق

به دلیل ساختار شبکه عصبی مصنوعی، یادگیری عمیق در شناسایی الگوها در داده های بدون ساختار مانند تصاویر، صدا، ویدئو و متن برتری دارد. به همین دلیل، یادگیری عمیق به سرعت در حال تغییر بسیاری از صنایع، از جمله مراقبت های بهداشتی، انرژی، مالی و حمل و نقل است. این صنایع اکنون در حال بازنگری در فرآیندهای تجاری سنتی هستند.

برخی از رایج ترین کاربردهای یادگیری عمیق در پاراگراف های زیر توضیح داده شده است. در یادگیری ماشین Azure، می‌توانید از مدلی که از یک چارچوب متن باز ساخته‌اید استفاده کنید یا با استفاده از ابزارهای ارائه شده، مدل را بسازید.

Named-entity recognition

شناسایی موجودیت نام یک روش یادگیری عمیق است که یک قطعه متن را به عنوان ورودی می گیرد و آن را به یک کلاس از پیش تعیین شده تبدیل می کند. این اطلاعات جدید می تواند کد پستی، تاریخ، شناسه محصول باشد. سپس اطلاعات را می توان در یک طرحواره ساختاریافته ذخیره کرد تا فهرستی از آدرس ها ایجاد شود یا به عنوان معیاری برای یک موتور اعتبارسنجی هویت عمل کند.

Object detection

یادگیری عمیق در بسیاری از موارد استفاده از تشخیص اشیا استفاده شده است. تشخیص اشیا برای شناسایی اشیاء در یک تصویر (مانند اتومبیل یا افراد) و ارائه مکان خاصی برای هر شی با یک جعبه محدود استفاده می شود. تشخیص اشیا در حال حاضر در صنایعی مانند بازی، خرده فروشی، گردشگری و خودروهای خودران استفاده می شود.

Image caption generation

مانند تشخیص تصویر، در زیرنویس تصویر، برای یک تصویر معین، سیستم باید عنوانی ایجاد کند که محتوای تصویر را توصیف کند. هنگامی که می توانید اشیاء را در عکس ها شناسایی و برچسب گذاری کنید، گام بعدی تبدیل آن برچسب ها به جملات توصیفی است.معمولاً برنامه‌های زیرنویس تصویر از شبکه‌های عصبی کانولوشن برای شناسایی اشیاء در یک تصویر استفاده می‌کنند و سپس از یک شبکه عصبی تکراری برای تبدیل برچسب‌ها به جملات ثابت استفاده می‌کنند.

Machine translation

ترجمه ماشین کلمات یا جملات را از یک زبان می گیرد و به طور خودکار آنها را به زبان دیگر ترجمه می کند. ترجمه ماشین مدت زیادی است که وجود دارد، اما یادگیری عمیق در دو زمینه خاص به نتایج چشمگیری دست می یابد: ترجمه خودکار متن (و ترجمه گفتار به متن) و ترجمه خودکار تصاویر.

با تبدیل داده های مناسب، یک شبکه عصبی می تواند سیگنال های متنی، صوتی و تصویری را درک کند. از ترجمه ماشین می توان برای شناسایی تکه های صدا در فایل های صوتی بزرگتر و رونویسی کلمه یا تصویر به صورت متن استفاده کرد.

Text analytics

تجزیه و تحلیل متن بر اساس روش های یادگیری عمیق شامل تجزیه و تحلیل مقادیر زیادی از داده های متنی (به عنوان مثال، اسناد پزشکی یا رسید هزینه ها)، شناخت الگوها، و ایجاد اطلاعات سازمان یافته و مختصر از آن است.شرکت ها از یادگیری عمیق برای انجام تجزیه و تحلیل متن استفاده می کنند تا تجارت داخلی و مطابقت با مقررات دولتی را شناسایی کنند. مثال رایج دیگر تقلبی بودن اسناد است: تجزیه و تحلیل متن اغلب برای تجزیه و تحلیل مقادیر زیادی از اسناد استفاده می شود تا احتمال تقلبی بودن را تشخیص دهد.

تفاوت های اصلی بین یادگیری ماشین و یادگیری عمیق

این یک سوال رایج است و اگر تا اینجا خوانده باشید، احتمالاً تا به حال می دانید که نباید به این شکل پرسیده شود. الگوریتم های یادگیری عمیق در واقع نوعی از الگوریتم های یادگیری ماشین هستند. بنابراین، شاید بهتر باشد به این فکر کنیم که چه چیزی یادگیری عمیق را در حوزه یادگیری ماشین خاص می کند. پاسخ: ساختار الگوریتم ANN، نیاز کمتر به مداخله انسانی و نیازهای داده بزرگتر.

اول از همه، در حالی که الگوریتم‌های یادگیری ماشین سنتی ساختار نسبتاً ساده‌ای دارند، مانند رگرسیون خطی یا درخت تصمیم، یادگیری عمیق مبتنی بر یک شبکه عصبی مصنوعی است. این ANN چند لایه، مانند مغز انسان، پیچیده و در هم تنیده است.

ثانیاً، الگوریتم‌های یادگیری عمیق به مداخله انسانی بسیار کمتری نیاز دارند. مثال تسلا را به خاطر دارید؟ اگر تشخیص تصویر علامت STOP یک الگوریتم یادگیری ماشینی سنتی‌تر بود، یک مهندس نرم‌افزار به‌صورت دستی ویژگی‌ها و طبقه‌بندی‌کننده‌ای را برای مرتب‌سازی تصاویر انتخاب می‌کرد، بررسی می‌کرد که آیا خروجی مطابق با نیاز است یا خیر، و اگر اینطور نیست، الگوریتم را تنظیم می‌کرد. با این حال، به عنوان یک الگوریتم یادگیری عمیق، ویژگی ها به طور خودکار استخراج می شوند و الگوریتم از خطاهای خود درس می گیرد (تصویر زیر را ببینید).

ثالثاً، یادگیری عمیق به داده‌های بسیار بیشتری نسبت به الگوریتم‌های یادگیری ماشین سنتی برای عملکرد صحیح نیاز دارد. یادگیری ماشین با هزاران نقطه داده کار می کند، یادگیری عمیق اغلب با میلیون ها نقطه کار می کند. با توجه به ساختار چند لایه پیچیده، یک سیستم یادگیری عمیق به مجموعه داده بزرگی برای حذف نوسانات و ایجاد تفسیرهای با کیفیت بالا نیاز دارد.

 

مشکل بزرگ با بیگ دیتا چیست؟

اصطلاح “بیگ دیتا” به مجموعه داده هایی اشاره دارد که برای مدیریت پایگاه داده های سنتی رابطه ای و نرم افزارهای پردازش داده بسیار بزرگ هستند. کسب و کارها روزانه حجم بی سابقه ای از داده ها را تولید می کنند. یادگیری عمیق یکی از راه های بدست آوردن ارزش از آن داده ها است.

 هوش مصنوعی و یادگیری ماشین

اگر این مقدمه برای هوش مصنوعی، یادگیری عمیق، و یادگیری ماشینی علاقه شما را برانگیخته است، AI for Everyone دوره ای است که برای آموزش اصول هوش مصنوعی به دانش آموزان با پیشینه غیر فنی طراحی شده است.برای دانش پیشرفته تر، با تخصص یادگیری ماشین Andrew Ng شروع کنید تا مقدمه ای گسترده با مفاهیم یادگیری ماشین داشته باشید. در مرحله بعد، شبکه های عصبی مصنوعی را در تخصص یادگیری عمیق بسازید.

وقتی آماده شدید، شروع به ایجاد مهارت‌های مورد نیاز برای یک نقش پایه به عنوان دانشمند داده با گواهینامه حرفه‌ای IBM Data Science کنید.