فهرست مطالب نمایش

مقدمه‌ای بر کاربرد یادگیری عمیق

مقاله زیر یک طرح کلی برای کاربرد یادگیری عمیق ارائه می‌دهد. یادگیری عمیق زیرشاخه‌ای از یادگیری ماشین است و در پردازش داده‌های بدون ساختار مانند تصاویر، سخنرانی‌ها، متن و غیره، درست مانند ذهن انسان با استفاده از شبکه عصبی مصنوعی استفاده می‌شود. یادگیری عمیق با انجام پیش‌بینی‌های خارق‌العاده در زمینه‌ها و برنامه‌هایی مانند ماشین‌های بدون راننده (برای تشخیص عابران پیاده، چراغ‌های خیابان، ماشین‌های دیگر و غیره)، تشخیص سمیت ساختارهای شیمیایی مختلف و غیره، دنیای اطراف ما را به‌سرعت تغییر می‌دهد.

به‌عنوان‌مثال، نگاه کردن به یک عکس و تشخیص سگ یا گربه بودن آن یا تعیین اشیاء مختلف در تصویر، تشخیص صدای ساز/هنرمند و گفتن در مورد آن، متن‌کاوی و پردازش زبان طبیعی از جمله کاربردهای یادگیری عمیق است.

کاربردهای مختلف یادگیری عمیق

کاربردهای یادگیری عمیق بسیار گسترده است، اما ما سعی می‌کنیم بیشترین کاربرد تکنیک‌های یادگیری عمیق را پوشش دهیم.

در اینجا برخی از برنامه‌های کاربردی یادگیری عمیق وجود دارد که اکنون دنیای اطراف ما را به‌سرعت تغییر می‌دهند.

1

. تشخیص سمیت برای ساختارهای شیمیایی مختلف

در اینجا روش یادگیری عمیق بسیار کارآمد است، جایی که کارشناسان برای تعیین سمیت یک ساختار خاص چندین دهه زمان می‌گذاشتند، اما با یک مدل یادگیری عمیق می‌توان سمیت را در زمان بسیار کمتری تعیین کرد (بسته به میزان پیچیدگی می‌تواند چند ساعت یا روز باشد). مدل‌های یادگیری عمیق می‌توانند مفاهیم انتزاعی ورودی را در سلسله‌مراتب توزیع‌شده چند سطحی نشان دهند.

این مدل تمام ساختارهای شیمیایی ترکیبات را نرمال می کند و آنها را برای پیش‌بینی سمیت ترکیبات جدید احتمالی از ساختارهای نرمال شده ترکیب می‌کند.

تشخیص میتوز / رادیولوژی

تعیین مدل یادگیری عمیق تشخیص سرطان دارای 6000 عامل است که می‌تواند به پیش‌بینی بقای بیمار کمک کند. برای تشخیص سرطان سینه، مدل یادگیری عمیق کارآمد و مؤثر ثابت شده است. مدل CNN از یادگیری عمیق اکنون قادر به تشخیص و همچنین طبقه‌بندی میتوز بستری است. شبکه‌های عصبی عمیق به بررسی چرخه حیات سلولی کمک می‌کنند.

تجسم یا تولید توالی

ایجاد فیلم جدید با مشاهده بازی‌های ویدئویی مختلف، یادگیری نحوه کار آنها و تکرار آنها با استفاده از تکنیک‌های یادگیری عمیق مانند شبکه‌های عصبی مکرر. توهمات یادگیری عمیق با استفاده از تصاویر با وضوح پایین می‌توانند تصاویری با وضوح بالا ایجاد کنند. این مدل بیشتر برای بازیابی داده‌های تاریخی از تصاویر با کیفیت کم با تبدیل آنها به تصاویر با وضوح بالا استفاده می‌شود.

طبقه‌بندی تصویر / بینایی ماشینی

این که فیس‌بوک برای تگ‌گذاری خودکار افراد مختلف در یک عکس پیشنهادات خود را ارائه می‌کند، نمونه‌ای عالی از بینایی ماشینی است. به این منظور از شبکه‌های عمیق استفاده می‌کند و از زوایای مختلف عکس می‌گیرد و سپس نام آن عکس را تگ‌گذاری می‌کند. این مدل‌های یادگیری عمیق اکنون آن‌قدر پیشرفته هستند که می‌توانیم اشیاء مختلف را در یک تصویر تشخیص دهیم و می‌توانیم پیش‌بینی کنیم که چه موقعیتی در آن تصویر وجود دارد. به‌عنوان‌مثال، عکسی که در رستوران گرفته شده است،

ویژگی‌های مختلفی دارد، مانند میز، صندلی، مواد غذایی مختلف، چاقو، چنگال، لیوان، آبجو (مارک آبجو)، حال و هوای افراد داخل عکس و غیره. با مشاهده تصاویر ارسال شده توسط یک شخص می‌توان علاقه‌مندی‌های آن شخص را تشخیص داد و موارد مشابهی را برای خرید یا مکان‌هایی برای بازدید و غیره توصیه کرد.

تشخیص گفتار

گفتار رایج‌ترین روش ارتباطی در جامعه بشری است. همان‌طور که یک انسان گفتار را تشخیص می‌دهد آن را درک می‌کند و بر این اساس پاسخ می‌دهد،

همان روشی که مدل یادگیری عمیق توانایی‌های رایانه‌ها را افزایش می‌دهد تا آنها بتوانند بفهمند که انسان‌ها چگونه به سخنرانی‌های مختلف واکنش نشان می‌دهند. در زندگی روزمره، نمونه‌های زنده‌ای مانند سیری از اپل، الکسا از آمازون، google home mini و غیره داریم. در گفتار، فاکتورهای زیادی مانند زبان/لهجه/سن/جنس/کیفیت صدا و غیره وجود دارد که باید در نظر گرفته شود. هدف، شناسایی و پاسخگویی به یک بلندگوی ناشناس با ورودی سیگنال‌های صوتی اوست.

استخراج متن و تشخیص متن

استخراج متن خود کاربردهای زیادی در دنیای واقعی دارد. به‌عنوان‌مثال، ترجمه خودکار از یک زبان به زبان دیگر و تجزیه‌وتحلیل احساساتی بررسی‌های مختلف. این امر به عنوان پردازش زبان طبیعی شناخته می‌شود. پیشنهاد خودکار برای تکمیل جمله هنگام نوشتن یک ایمیل نیز از کاربرد یادگیری عمیق است.

7. پیش‌بینی بازار

مدل‌های یادگیری عمیق می‌توانند تماس‌های خرید و فروش را بسته به چگونگی آموزشی که دیده‌اند برای معامله‌گران پیش‌بینی کنند. این امر هم برای معاملات کوتاه‌مدت و هم برای سرمایه‌گذاری‌های بلندمدت بر اساس ویژگی‌های موجود مفید است.

تبلیغات دیجیتال

مدل‌های یادگیری عمیق، کاربران را بر اساس سابقه خرید و مرور قبلی‌شان دسته‌بندی می‌کنند و تبلیغات مرتبط و شخصی شده را در زمان واقعی توصیه می‌کنند. وقتی تبلیغ محصولی را که به‌تازگی در اپلیکیشن آمازون خود جستجو کرده‌اید، در اپلیکیشن‌های دیگری مانند IRCTC می‌بینید در حال تجربه این مدل هستید.

کشف تقلب

یک مدل یادگیری عمیق از چندین منبع داده استفاده می‌کند تا یک تصمیم را به عنوان یک تقلب در زمان واقعی نشان دهد. با مدل‌های یادگیری عمیق، می‌توان پی برد که کدام محصول و کدام بازار بیشتر مستعد تقلب هستند و در چنین مواردی مراقبت‌های اضافی ارائه می‌دهند.

پیش‌بینی زلزله

زلزله‌شناس سعی می‌کند زلزله را پیش‌بینی کند، اما پیش‌بینی آن بسیار پیچیده است. یک پیش‌بینی اشتباه هزینه زیادی برای مردم و همچنین دولت دارد. در زلزله دو نوع موج p (با حرکت سریع اما آسیب کمتر) و موج s (با حرکت آهسته اما آسیب زیاد) وجود دارد. تصمیم‌گیری وقوع زلزله از روزها قبل دشوار است، اما با تکنیک‌های یادگیری عمیق می‌توانیم نتیجه هر موج را از تجربه قبلی پیش‌بینی کنیم و امکان وقوع زلزله را ساعت‌ها قبل از وقوع پیش‌بینی کرده و بر این اساس سریعاً اقدامات لازم را انجام دهیم.

نتیجه

یادگیری عمیق بسیاری از کارهای سخت را برای ما آسان می‌کند. کاربردهای یادگیری عمیق در بخش‌های مختلف صنعتی گسترده است و در برخی زمینه‌ها مانند مراقبت‌های بهداشتی (کشف مواد مخدر/تشخیص سرطان و غیره)، صنایع خودروسازی (سیستم رانندگی خودکار)، بخش تبلیغات (تبلیغات شخصی‌سازی شده در حال تغییر روند بازار) همچون انقلابی بزرگ است.

ما کاربردهای اصلی یادگیری عمیق را دیده‌ایم، اما با این‌ وجود، برنامه‌های بسیار دیگری وجود دارد که روی آنها کار شده و برخی نیز در آینده اضافه خواهند شد.

منبع

مترجم:

مریم محجوب

همچنین اخبار را مطالعه فرمایید.

از این مطلب چقدر راضی بودید؟

روی ستاره کلیک کنید تا نظرتون ثبت بشه