یادگیری ماشین یا machine learning و یادگیری عمیق یا deep learning دو زیرمجموعه مهم و اساسی از هوش مصنوعی محسوب میشوند، که پیشتر به آن پرداختیم و در این مقاله قصد نداریم دیگر به مقوله هوش مصنوعی و اهمیت آن در کسبوکار شما بپردازیم بلکه به تعریف این دو مقوله یعنی یادگیری ماشین و deep learning پرداخته و تفاوت این دو را به زبان ساده برایتان بازگو میکنیم. پیش از مطالعه ادامه مطلب به شما توصیه میکنیم مقاله هوش مصنوعی و کاربردهای آن را مطالعه و سپس این مطلب را ادامه دهید
یادگیری ماشین
یادگیری ماشین مجموعهای است از الگوریتمها در سیستم هوش مصنوعی که به خودی خود بدون دخالت انسان میتواند الگوریتمهایش را در راستای رسیدن به بهترین راه حل بهینه کند و هر بار با توجه به دادههای بدست آمده الگوریتمها را به روز کند. بیایید برای درک سادهتر این موضوع مثالی بزنیم:
مجموعهای از تصاویر سگها و گربهها را در نظر بگیرید که قرار است با استفاده از سیستم هوش مصنوعی این تصاویر را در دو دسته سگ و گربه تقسیم کنیم. برای استفاده از یادگیری ماشین نیاز است در گام اول دو دسته سگ و گربه را با چند ویژگی مهم و متفاوت برای سیستم مشخص کنیم. حال در گام دوم سیستم میتواند تصاویر را با در نظر گرفتن ویژگیهای مشخص شده دستهبندی کند (تا به اینجای کار اتفاق خاصی نیافتاده است و مهمترین اتفاق در گام سوم میافتد). در گام سوم سیستم به بررسی سایر شباهتهای موجود در هر دسته و تفاوتهای تصاویر دو دسته میپردازد و آنها را در دیتابیس خود ذخیره میکند و به اصطلاح مواردی را که شما برایش مشخص نکردهاید یاد میگیرد. حال اگر تصاویر بیشتری را برای مقایسه قرار دهید سیستم شما میتواند بر اساس دادههای وارد شده توسط شما و مواردی که خودش یاد گرفته است دستهبندی را با دقت بیشتری انجام دهد. ولی اگر ما نخواهیم دسته بندی را مشخص کنیم چه؟
یادگیری عمیق یا deep learning چیست؟
Deep learning سطح دیگری از هوش مصنوعی محسوب میشود که در آن دستهبندیها توسط کاربر برای سیستم مشخص نمیشود و سیستم میبایست با استفاده از الگوریتمهای مبتنی بر شبکههای عصبی که شبیه به سیستم عصبی انسان عمل میکند، به طور خودکار دستهبندیها را بر اساس شباهت ها و تفاوتها مشخص کند و سپس دادهها را در این دستهها قرار دهد همانطور که مشخص است deep learning نسبت به یادگیری ماشین کمی عمیقتر بوده و دخالت انسان در ساختاردهی آن کمتر خواهد بود.
اگر بخواهیم deep learning را در مثال فوق تبیین کنیم در نظر بگیرید که سیستم یادگیری عمیق در گام اول از گوشهی تصویر شروع به پردازش میکند و ابتدا دم حیوانات را در تمامی تصاویر با یکدیگر بررسی کرده و آنها را از حیث دم در یک، دو یا چند دسته شبیه به هم قرار میدهد. سپس پای حیوانات باهم مقایسه شده و مجددا آنها از حیث پا و پنجه در چند دسته احتمالی که شبیه به یکدیگر هستند قرار داده میشوند، سپس دستها به همین صورت، صورتها، فرم بدن و… . حال شما چند دسته متفاوت دارید که در آنها حیوانات مشابه از حیث دست و پا و… در آن قرار داده شدهاند ولی احتمال دارد در برخی موارد سگ و گربه هم در یک دسته قرار بگیرند. حال سیستم شما میتواند این دستهها را دو به دو با یکدیگر مقایسه کرده و شباهتهای بیشتری را از دل آن بیرون بکشد و با ادامه این مسیر و در صورت وجود تعداد زیادی دیتا شما دیگر به جای دو دسته سگ و گربه دستههای متعدد و بسیار دقیقی خواهید داشت نظیر:
سگها با نژاد مشابه
گربهها با نژاد مشابه
سگها
گربهها
سگها با دم مشابه
گربهها با گوش مشابه
نژادهای مشابه میان سگها و گربهها
و شاید صدها دسته دیگر به این نحو
تفاوتهای جزئی ولی مهم
به دلیل اینکه یادگیری ماشین نیاز به طبقهبندی و دستهبندی دیتابیسها دارد، برای حل معادلات پیچیده و چندوجهی که تعداد متغیرها و پیامدهای آنان زیاد و بعضاً نامشخص است، نمیتواند اثربخش باشد لذا در چنین مواردی بهتر است از مدل deep learning استفاده شود.
در متد یادگیری عمیق بدلیل اتکا به حجم داده برای رسیدن به سطحبندی و دستهبندی متغیرها و… زمانی که حجم دادهها پایین باشد دقت این متد نیز به شدت پایین خواهد آمد و بهتر است در مواردی که حجم داده بسیار زیاد است از این روش به جای یادگیری ماشین استفاده کرد.
2 دیدگاه
And those differences should be known—examples of machine learning and deep learning are everywhere. It s how Netflix knows which show you’ll want to watch next, how Facebook knows whose face is in a photo, what makes self-driving cars a reality, and how a customer service representative will know if you ll be satisfied with their support before you even take a customer satisfaction survey. “Algorithms that parse data, learn from that data, and then apply what they’ve learned to make informed decisions”
Awesome post! Keep up the great work! 🙂