به نام خدا
این اولین مطلبی هست که من توی این وبلاگ مینویسم. امیدوارم به دردتون بخوره.
داستان از اونجا شروع شد که زمانی که در حال کار بر روی یکی از پروژههام در زمینهی یادگیری ماشین بودم، به این نتیجه رسیدم که نیاز به ویژگیهایی(Features) دارم که فراتر از ویژگیهایی هستند که روشهای معمولی انتخاب ویژگی در اختیار میگذارند. به عنوان مثال اگر تصمیم داشنه باشیم تعدادی تصویر (Image) رو دستهبندی کنیم، اولین و سادهترین ویژگیای که به ذهن میرسه، استفاده از خود پیکسلهای تصویر هست. اما مثلا اگر هدف دستهبندی در یک کاربرد خاص باشد، شاید نیاز باشد که ویژگی سطح بالاتری، مثلا این که آیا در این تصویر "سر انسان" وجود دارد یا خیر استفاده کرد. در واقع هرچه ویژگیهای استخراجشده با توجه به کاربرد موردنظر کاراتر باشند، بازدهی کل سیستم نیز افزایش مییابد.
در بعضی از کاربردها یافتن ویژگیهای معنادار (از دید انسان) شاید کار سادهای نباشد؛ و یا ویژگیهای معناداری که توسط انسان استخراج میشوند، نتوانند بازنمایی مناسبی از دادهها داشته باشند. اینجاست که این نیاز احساس میشود که باید مکانیزمی برای استخراجی خود ویژگیها از طریق یادگیری وجود داشته باشد.
Deep Learning (یادگیری عمیق)، که زیرمجموعهای از یادگیری ماشین به حساب میآید، بر اساس یادگیری چندین سطحی از بازنماییهای مختلف که از روی یک ساختار سلسهمراتبی از ویژگیها یا مفاهیم که در آن مفاهیم سطح بالا از روی ویژگیهای سطح پایین تعریف میشوند و مفاهیم سطح پایین نیز میتوانند به تعریف مفاهیم سطح بالاتر کمک کنند، میباشد ( Bengio (2009) ).
در واقع به زبان سادهتر، هدف یادگیری عمیق، استخراج خود ویژگیها به صورت هوشمند طی یک مرحله یادگیری است! تلاشها در این زمینه (خصوصا ساخت یک یادگیر با استفاده از شبکههای عصبی) تا قبل از سال 2006 موفقیتآمیز نبود. از این سال به بعد تلاشها امیدوارکنندهتر بود؛ به عنوان مثال یک تیم گوگل با رهبری Andrew Ng و Jeff Dean، در سال 2012 شبکه عصبیای را طراحی کردند که یاد میگیرد که مفاهیم سطح بالاتر را نیز تشخیص دهد! به عنوان مثال، تشخیص گربهها تنها از روی ویدئوهای موجود در سایت یوتیوب ("How Many Computers to Identify a Cat? 16,000.").
به طور کلی اگر در کاربردی به مشکل عدم وجود ویژگیهای مناسب و مفهومی برخوردید و یا به طور کلی سعی در استخراج ساختارمند ویژگیها داشتید، حتما سری به یادگیری عمیق بزنید.
- من خودم تو این زمینه در حال مطالعه هستم و تازهکار. اما دوستان نظراتشون رو بگند تا با هم بحث کنیم؛ شاید به جاهای به درد بخوری رسیدیم :-)