شبکه های عصبی^{(Neural Networks)} و یادگیری عمیق^{(Deep Learning)} در حال حاضر دو واژه مهمی هستند که امروزه با هوش مصنوعی^{(Artificial Intelligence)} مورد استفاده قرار می گیرند . تحولات اخیر در دنیای هوش مصنوعی را می توان به این دو نسبت داد زیرا نقش بسزایی در بهبود هوش مصنوعی داشته اند.

به اطراف نگاه کنید، ماشین‌های هوشمند بیشتری در اطراف پیدا خواهید کرد. به لطف شبکه های عصبی^{(Neural Networks)} و یادگیری عمیق^{(Deep Learning)} ، مشاغل و قابلیت هایی که زمانی نقطه قوت انسان به شمار می رفت، اکنون توسط ماشین ها انجام می شود. امروزه، ماشین‌ها دیگر برای خوردن الگوریتم‌های پیچیده‌تر ساخته نمی‌شوند، بلکه در عوض، به سیستمی مستقل و خودآموز تبدیل می‌شوند که قادر است بسیاری از صنایع را متحول کند.

شبکه‌های عصبی^{(Neural Networks)} و یادگیری عمیق^{(Deep Learning )} در کارهایی مانند تشخیص تصویر، تشخیص گفتار، یافتن روابط عمیق‌تر در مجموعه داده‌ها، موفقیت عظیمی به محققین داده‌اند. به کمک در دسترس بودن مقادیر انبوه داده و قدرت محاسباتی، ماشین‌ها می‌توانند اشیاء را تشخیص دهند، گفتار را ترجمه کنند، خود را برای شناسایی الگوهای پیچیده آموزش دهند، یاد بگیرند که چگونه استراتژی‌ها را طراحی کنند و برنامه‌های احتمالی را در زمان واقعی بسازند.

بنابراین، این دقیقا چگونه کار می کند؟ آیا می دانید که هم شبکه های ^(Networks)خنثی^(Neutral) و هم یادگیری عمیق^{(Deep-Learning)} مرتبط هستند، در واقع، برای درک یادگیری عمیق^(Deep) ، ابتدا باید در مورد شبکه های عصبی^{(Neural Networks)} بدانید ؟ بخوان تا بیشتر بدانی.

شبکه عصبی چیست؟

شبکه عصبی^(Neural) اساساً یک الگوی برنامه‌نویسی یا مجموعه‌ای از الگوریتم‌ها است که رایانه را قادر می‌سازد تا از داده‌های مشاهده‌ای یاد بگیرد. یک شبکه عصبی^(Neural) شبیه به مغز انسان است که با تشخیص الگوها کار می کند. داده‌های حسی با استفاده از ادراک ماشین، برچسب‌گذاری یا خوشه‌بندی ورودی خام تفسیر می‌شوند. الگوهای شناسایی شده عددی هستند و در بردارهایی محصور می شوند که داده هایی مانند تصاویر، صدا، متن و غیره به آنها ترجمه می شوند.

Think Neural Network! Think how a human brain function

همانطور که در بالا ذکر شد، یک شبکه عصبی درست مانند مغز انسان عمل می کند. تمام دانش را از طریق یک فرآیند یادگیری به دست می آورد. پس از آن، وزن های سیناپسی دانش به دست آمده را ذخیره می کنند. در طول فرآیند یادگیری، وزن‌های سیناپسی شبکه برای دستیابی به هدف مورد نظر اصلاح می‌شوند.

درست مانند مغز انسان، شبکه‌های عصبی^{(Neural Networks)} مانند سیستم‌های پردازش اطلاعات موازی غیرخطی کار می‌کنند که محاسباتی مانند تشخیص و درک الگو را به سرعت انجام می‌دهند. در نتیجه، این شبکه‌ها در زمینه‌هایی مانند تشخیص گفتار، صدا و تصویر که ورودی‌ها/سیگنال‌ها ذاتاً غیرخطی هستند، عملکرد بسیار خوبی دارند.

به عبارت ساده، شما می توانید شبکه عصبی را به عنوان چیزی که قادر به ذخیره دانش مانند مغز انسان است به یاد بیاورید و از آن برای پیش بینی استفاده کنید.^{(In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.)}

ساختار شبکه های عصبی

(اعتبار تصویر: ریاضیات)

شبکه های^(Networks) عصبی از سه لایه تشکیل شده است

1. لایه ورودی،
2. لایه پنهان و
3. لایه خروجی

هر لایه از یک یا چند گره تشکیل شده است، همانطور که در نمودار زیر توسط دایره های کوچک نشان داده شده است. خطوط بین گره ها نشان دهنده جریان اطلاعات از یک گره به گره دیگر است. اطلاعات از ورودی به خروجی، یعنی از چپ به راست (در برخی موارد ممکن است از راست به چپ یا هر دو طرف باشد) جریان می یابد.

گره های لایه ورودی غیرفعال هستند، به این معنی که داده ها را تغییر نمی دهند. آنها یک مقدار واحد را در ورودی خود دریافت می کنند و مقدار را به چندین خروجی خود کپی می کنند. در حالی^(Whereas) که گره های لایه مخفی و خروجی فعال هستند. بنابراین آنها می توانند داده ها را تغییر دهند.

در یک ساختار به هم پیوسته، هر مقدار از لایه ورودی کپی شده و به تمام گره های پنهان ارسال می شود. مقادیر وارد شده به یک گره پنهان در وزن ضرب می شوند، مجموعه ای از اعداد از پیش تعیین شده ذخیره شده در برنامه. سپس ورودی های وزن دار اضافه می شوند تا یک عدد واحد تولید شود. شبکه های عصبی می توانند هر تعداد لایه و هر تعداد گره در هر لایه داشته باشند. اکثر برنامه ها از ساختار سه لایه با حداکثر چند صد گره ورودی استفاده می کنند

نمونه ای از شبکه عصبی^{(Example of Neural Network)}

یک شبکه عصبی را در نظر بگیرید که اشیاء را در سیگنال سونار تشخیص می دهد و 5000 نمونه سیگنال در رایانه شخصی ذخیره شده است. رایانه شخصی باید بفهمد که آیا این نمونه ها نشان دهنده یک زیردریایی، نهنگ، کوه یخ، صخره های دریایی، یا اصلاً هیچ چیز نیستند؟ روش‌های DSP مرسوم^{(Conventional DSP)} با ریاضیات و الگوریتم‌هایی مانند تحلیل همبستگی و طیف فرکانس به این مسئله نزدیک می‌شوند.

در حالی که با یک شبکه عصبی، 5000 نمونه به لایه ورودی تغذیه می‌شوند و در نتیجه مقادیر از لایه خروجی بیرون می‌آیند. با انتخاب وزن های مناسب، خروجی را می توان برای گزارش طیف وسیعی از اطلاعات پیکربندی کرد. به عنوان مثال، ممکن است خروجی هایی برای: زیردریایی (بله/خیر)، سنگ دریایی (بله/خیر)، نهنگ (بله/خیر) و غیره وجود داشته باشد.

با وزن های دیگر، خروجی ها می توانند اشیاء را به عنوان فلز یا غیر فلز، بیولوژیکی یا غیر بیولوژیکی، دشمن یا متحد، و غیره طبقه بندی کنند. فقط یک رابطه بین ورودی و خروجی دیکته شده توسط مقادیر وزن انتخاب شده است.

حال بیایید مفهوم یادگیری عمیق را درک کنیم.^{(Now, let’s understand the concept of Deep Learning.)}

یادگیری عمیق چیست

یادگیری عمیق اساسا زیر مجموعه ای از شبکه های عصبی است^{(Neural Networks)} . شاید بتوان گفت یک شبکه عصبی^{(Neural Network)} پیچیده با چندین لایه پنهان در آن.

از نظر فنی، یادگیری عمیق^(Deep) را می توان به عنوان مجموعه ای قدرتمند از تکنیک ها برای یادگیری در شبکه های عصبی نیز تعریف کرد. به شبکه‌های عصبی مصنوعی ( ANN ) اشاره دارد که از لایه‌های زیادی، مجموعه داده‌های عظیم، سخت‌افزار کامپیوتری قدرتمند تشکیل شده‌اند تا مدل آموزشی پیچیده را ممکن کنند. این شامل کلاسی از روش‌ها و تکنیک‌هایی است که از شبکه‌های عصبی مصنوعی با لایه‌های چندگانه با قابلیت‌های فزاینده غنی‌تر استفاده می‌کنند.

ساختار شبکه یادگیری عمیق^{(Structure of Deep learning network)}

شبکه های یادگیری عمیق^(Deep) بیشتر از معماری شبکه های عصبی استفاده می کنند و از این رو اغلب به عنوان شبکه های عصبی عمیق شناخته می شوند. استفاده از کار "عمیق" به تعداد لایه های پنهان در شبکه عصبی اشاره دارد. یک شبکه عصبی معمولی شامل سه لایه پنهان است، در حالی که شبکه های عمیق می توانند بین 120 تا 150 لایه داشته باشند.

^(Deep) یادگیری ^(Learning)عمیق شامل تغذیه یک سیستم رایانه ای از داده های زیادی است که می تواند از آنها برای تصمیم گیری در مورد سایر داده ها استفاده کند. این داده ها مانند یادگیری ماشینی از طریق شبکه های عصبی تغذیه می شوند. شبکه های یادگیری عمیق می توانند ویژگی ها را مستقیماً از داده ها بدون نیاز به استخراج دستی ویژگی یاد بگیرند.^(Deep)

نمونه هایی از یادگیری عمیق^{(Examples of Deep Learning)}

یادگیری عمیق در حال حاضر تقریباً در هر صنعتی از خودرو^(Automobile) ، هوافضا^(Aerospace) و اتوماسیون^(Automation) گرفته تا پزشکی^(Medical) استفاده می شود. در اینجا برخی از نمونه ها آورده شده است.

• گوگل^(Google) ، نتفلیکس^(Netflix) و آمازون^(Amazon) : گوگل^(Google) از آن در الگوریتم های تشخیص صدا و تصویر خود استفاده می کند. نتفلیکس^(Netflix) و آمازون^(Amazon) همچنین از یادگیری عمیق برای تصمیم گیری در مورد آنچه که می خواهید بعدا تماشا کنید یا بخرید استفاده می کنند
• رانندگی بدون راننده: محققان از شبکه های یادگیری عمیق برای تشخیص خودکار اشیایی مانند علائم ایست و چراغ راهنمایی استفاده می کنند. همچنین از یادگیری عمیق^(Deep) برای شناسایی عابران پیاده استفاده می شود که به کاهش تصادفات کمک می کند.
• هوافضا و دفاع: یادگیری عمیق برای شناسایی اشیاء از ماهواره ها که مناطق مورد نظر را تعیین می کنند و شناسایی مناطق امن یا ناامن برای سربازان استفاده می شود.
• به لطف یادگیری عمیق^{(Deep Learning)} ، فیس بوک^(Facebook) به طور خودکار دوستان را در عکس های شما پیدا کرده و برچسب گذاری می کند. اسکایپ می تواند ارتباطات گفتاری را در زمان واقعی و همچنین بسیار دقیق ترجمه کند.
• تحقیقات پزشکی: محققان پزشکی از یادگیری عمیق برای شناسایی خودکار سلول های سرطانی استفاده می کنند
• اتوماسیون صنعتی^{(Industrial Automation)} : یادگیری عمیق با تشخیص خودکار زمانی که افراد یا اشیاء در فاصله ای ناامن از ماشین ها قرار دارند، به بهبود ایمنی کارگران در اطراف ماشین آلات سنگین کمک می کند.
• الکترونیک: یادگیری عمیق^(Deep) در شنوایی خودکار و ترجمه گفتار استفاده می شود.

بخوانید^(Read) : یادگیری ماشینی و یادگیری عمیق^{(Machine Learning and Deep Learning)} چیست؟

نتیجه^(Conclusion)

مفهوم شبکه های عصبی^{(Neural Networks)} جدید نیست و محققان در دهه اخیر با موفقیت متوسطی روبرو شده اند. اما تغییر دهنده واقعی بازی، تکامل شبکه های عصبی عمیق بوده است.^(Deep)

با عملکرد بهتر از رویکردهای یادگیری ماشین سنتی، نشان داده است که شبکه‌های عصبی عمیق را می‌توان نه تنها توسط تعداد کمی از محققان آموزش و آزمایش کرد، بلکه این حوزه را دارد که توسط شرکت‌های فناوری چند ملیتی برای ارائه نوآوری‌های بهتر در آینده نزدیک مورد استفاده قرار گیرد.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

What is Deep Learning and Neural Network

Neural Networks and Deep Learning are currently the two hot buzzwords that are being used nowadays with Artificial Intelligence. The recent developments in the world of Artificial intelligence can be attributed to these two as they have played a significant role in improving the intelligence of AI.

Look around, and you will find more and more intelligent machines around. Thanks to Neural Networks and Deep Learning, jobs and capabilities that were once considered the forte of humans are now being performed by machines. Today, Machines are no longer made to eat more complex algorithms, but instead, they are fed to develop into an autonomous, self-teaching system capable of revolutionizing many industries all around.

Neural Networks and Deep Learning have lent enormous success to the researchers in tasks such as image recognition, speech recognition, finding deeper relations in a data sets. Aided by the availability of massive amounts of data and computational power, machines can recognize objects, translate speech, train themselves to identify complex patterns, learn how to devise strategies and make contingency plans in real-time.

So, how exactly does this work? Do you know that both Neutral Networks and Deep-Learning related, in fact, to understand Deep learning, you must first understand about Neural Networks? Read on to know more.

What is a Neural Network

A Neural network is basically a programming pattern or a set of algorithms that enables a computer to learn from the observational data. A Neural network is similar to a human brain, which works by recognizing the patterns. The sensory data is interpreted using a machine perception, labeling or clustering raw input. The patterns recognized are numerical, enclosed in vectors, into which the data such are images, sound, text, etc. are translated.

Think Neural Network! Think how a human brain function

As mentioned above, a neural network functions just like a human brain; it acquires all the knowledge through a learning process. After that, synaptic weights store the acquired knowledge. During the learning process, the synaptic weights of the network are reformed to achieve the desired objective.

Just like the human brain, Neural Networks work like non-linear parallel information-processing systems which rapidly perform computations such as pattern recognition and perception. As a result, these networks perform very well in areas like speech, audio and image recognition where the inputs/signals are inherently nonlinear.

In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.

Structure of Neural Networks

(Image Credit: Mathworks)

Neural Networks comprises of three layers,

1. Input layer,
2. Hidden layer, and
3. Output layer.

Each layer consists of one or more nodes, as shown in the below diagram by small circles. The lines between the nodes indicate the flow of information from one node to the next. The information flows from the input to the output, i.e. from left to right (in some cases it may be from right to left or both ways).

The nodes of the input layer are passive, meaning they do not modify the data. They receive a single value on their input and duplicate the value to their multiple outputs. Whereas, the nodes of the hidden and output layer are active. Thus that can they modify the data.

In an interconnected structure, each value from the input layer is duplicated and sent to all of the hidden nodes. The values entering a hidden node are multiplied by weights, a set of predetermined numbers stored in the program. The weighted inputs are then added to produce a single number. Neural networks can have any number of layers, and any number of nodes per layer. Most applications use the three-layer structure with a maximum of a few hundred input nodes

Example of Neural Network

Consider a neural network recognizing objects in a sonar signal, and there are 5000 signal samples stored in the PC. The PC has to figure out if these samples represent a submarine, whale, iceberg, sea rocks, or nothing at all? Conventional DSP methods would approach this problem with mathematics and algorithms, such as correlation and frequency spectrum analysis.

While with a neural network, the 5000 samples would be fed to the input layer, resulting in values popping from the output layer. By selecting the proper weights, the output can be configured to report a wide range of information. For instance, there might be outputs for: submarine (yes/no), sea rock (yes/no), whale (yes/no), etc.

With other weights, the outputs can classify the objects as metal or non-metal, biological or non-biological, enemy or ally, etc. No algorithms, no rules, no procedures; only a relationship between the input and output dictated by the values of the weights selected.

Now, let’s understand the concept of Deep Learning.

What is a Deep Learning

Deep learning is basically a subset of Neural Networks; perhaps you can say a complex Neural Network with many hidden layers in it.

Technically speaking, Deep learning can also be defined as a powerful set of techniques for learning in neural networks. It refers to artificial neural networks (ANN) that are composed of many layers, massive data sets, powerful computer hardware to make complicated training model possible. It contains the class of methods and techniques that employ artificial neural networks with multiple layers of increasingly richer functionality.

Structure of Deep learning network

Deep learning networks mostly use neural network architectures and hence are often referred to as deep neural networks. Use of work “deep” refers to the number of hidden layers in the neural network. A conventional neural network contains three hidden layers, while deep networks can have as many as 120- 150.

Deep Learning involves feeding a computer system a lot of data, which it can use to make decisions about other data. This data is fed through neural networks, as is the case in machine learning. Deep learning networks can learn features directly from the data without the need for manual feature extraction.

Examples of Deep Learning

Deep learning is currently being utilized in almost every industry starting from Automobile, Aerospace, and Automation to Medical. Here are some of the examples.

• Google, Netflix, and Amazon: Google uses it in its voice and image recognition algorithms. Netflix and Amazon also use deep learning to decide what you want to watch or buy next
• Driving without a driver: Researchers are utilizing deep learning networks to automatically detect objects such as stop signs and traffic lights. Deep learning is also used to detect pedestrians, which helps decrease accidents.
• Aerospace and Defense: Deep learning is used to identify objects from satellites that locate areas of interest, and identify safe or unsafe zones for troops.
• Thanks to Deep Learning, Facebook automatically finds and tags friends in your photos. Skype can translate spoken communications in real-time and pretty accurately too.
• Medical Research: Medical researchers are using deep learning to automatically detect cancer cells
• Industrial Automation: Deep learning is helping to improve worker safety around heavy machinery by automatically detecting when people or objects are within an unsafe distance of machines.
• Electronics: Deep learning is being used in automated hearing and speech translation.

Read: What is Machine Learning and Deep Learning?

Conclusion

The concept of Neural Networks is not new, and researchers have met with moderate success in the last decade or so. But the real game-changer has been the evolution of Deep neural networks.

By out-performing the traditional machine learning approaches it has showcased that deep neural networks can be trained and trialed not just by few researchers, but it has the scope to be adopted by multinational technology companies to come with better innovations in the near future.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

Related posts

• SMS Organizer: SMS Application طراحی شده توسط Machine Learning

• چه Machine Learning and Deep Learning در Artificial Intelligence

• چگونه به نصب Drupal با استفاده از WAMP در Windows

• Best Software & Hardware Bitcoin Wallets برای Windows، در iOS، Android

• Setup Internet Radio Station رایگان در Windows PC

• چگونه Payoneer Account خود را ببندید؟

• Online Reputation Management Tips، Tools & Services

• نحوه نصب Windows 95 در ویندوز 10

• Eyes NASA کمک می کند تا شما در Universe کشف مانند Astronauts

• Microsoft Identity Manager: ویژگی ها، Download

• Fix Partner به خطای روتر در TeamViewer در Windows 10 متصل نیست

• E-Waste management، بازیافت، دفع، حقایق، مشکلات، راه حل

• هنگام بررسی به روز رسانی در VLC خطایی رخ داد

• برنامه پیام رسانی جلسه امنیت قوی را ارائه می دهد؛ شماره No phone مورد نیاز است!

• چه Data Analytics و چه آن را برای استفاده

• کارت های تراشه و PIN یا EMV Credit چیست؟

• چگونه Invitation Card را در Windows PC بسازیم

• Best Laptop Tables برای خرید آنلاین

• Convert Magnet لینک به مستقیم Download لینک با استفاده از Seedr

• Big Data چیست - ساده شرح با Example