یادگیری عمیق چه قابلیت‌‌هایی نسبت به سایر برنامه‌‌ها دارد؟

نوشتن یک برنامه، کاری بسیار دشوار است. در گذشته، رایانه‌ها چنان کند بودند و حافظه نیز به حدی گران‌‌قیمت بود که ناچار به علم منطق روی آورده شد؛ این همان علمی است که رایانه‌‌های فعلی بر اساس آن کار می‌‌کنند. منطق، زبان پایه‌‌ی ماشین‌‌هاست که توسط آن، اطلاعات به‌‌صورت بیت به بیت پردازش می‌‌شوند. اما رایانه‌ها همچنان بسیار کند و محاسبات بسیار پرهزینه بود.

اما اکنون هزینه‌‌ی محاسبات روز به روز کمتر می‌شود و از سوی دیگر هزینه‌‌ی نیروی کار مدام در حال افزایش است. هزینه‌‌ی محاسبات به حدی ارزان شده است که تهیه‌‌ی یک رایانه برای یادگیری یک برنامه، به صرفه‌تر از استخدام یک فرد برای نوشتن همان برنامه است. در این برهه از زمان، یادگیری عمیق شروع به حل مسائلی کرد که هیچ انسانی تا آن زمان برای آن برنامه‌‌ای ننوشته بود؛ حوزه‌‌هایی مانند بینایی رایانه‌‌‌ای و ترجمه، نمونه‌‌هایی از این پیشرفت بودند.

یادگیری فرایندی به‌‌شدت محاسباتی است، اما شما فقط نیاز دارید یک‌ بار برنامه بنویسید و سپس با دادن اطلاعات مختلف به آن، می‌توانید مسائل مختلف را حل کنید. دیگر نیازی نیست که شما حتماً در یک موضوع متخصص باشید؛ چرا که هزاران برنامه‌‌ی کاربردی درمورد هر موضوعی می‌توان یافت که در آن با حجم زیادی از اطلاعات سروکار داریم.
@Data_Experts

به نظر می‌رسد که امروزه «یادگیری عمیق» در همه جا مطرح است؛ این مفهوم چگونه تا این حد فراگیر شد؟

من در حقیقت می‌توانم به یک لحظه‌‌ی خاص از تاریخ اشاره کنم: دسامبر ۲۰۱۲ در نشست NIPS (که بزرگ‌ترین کنفرانس هوش مصنوعی است)، متخصص رایانه‌ای به‌نام جف هینتون به همراه دو تن از دانشجویان کارشناسی ارشد خود نشان داد که با در اختیار داشتن یک مجموعه‌‌‌ی داده‌ی بسیار بزرگ به‌‌نام ایمیج‌‌نت شامل ۱۰ هزار دسته‌‌بندی و ۱۰ میلیون تصویر، می‌‌توان خطای طبقه‌بندی را با کمک یادگیری عمیق، تا ۲۰ درصد کاهش داد.

معمولاً در این مجموعه‌‌داده‌ها، میزان خطا در هر سال کمتر از یک درصد کاهش می‌یافت. حالا نتیجه‌‌ی ۲۰ سال پژوهش، تنها در عرض یک سال حاصل شده بود. این دستاورد، واقعاً به معنای باز شدن دریچه‌‌ی یک سد بود.

@Data_Experts

در حقیقت، ایده‌‌ی یادگیری عمیق از علم اعصاب سرچشمه می‌گیرد. نگاهی به موفق‌ترین شبکه‌های یادگیری عمیق بیندازید؛ نام این شبکه، شبکه‌ی عصبی پیچشی یا سی.ان.ان (CNN) است که توسط یان لیکون توسعه یافته است.

اگر به معماری CNN توجه کنید، می‌‌بینید که آن مجموعه‌‌ای از تعداد زیادی واحدهای مجزا نیست؛ بلکه آن‌ها به یک روش بنیادی با یکدیگر در ارتباط هستند که به نوعی یادآور سیستم مغز است. یکی از بخش‌های مغز (که به نحو احسن در سیستم بینایی و قشر بینایی مورد مطالعه قرار گرفته است) نشان می‌دهد که در مغز دو دسته سلول‌ شامل انواع ساده و پیچیده وجود دارند. اگر به معماری CNN هم توجه کنید، خواهید دید آن‌‌جا هم دو دسته سلول متناظر با سلول‌های ساده و سلول‌های پیچیده وجود دارند. این تشابه به‌‌طور مستقیم از درک سیستم بینایی در مغز ناشی شده است.

یان، کورکورانه به کپی‌‌سازی قشر مغز نپرداخته است. او پیش‌‌تر انواع مختلفی از تغییرات را امتحان کرده بود، اما در نهایت او به همان ساختاری رسید که پیش‌‌تر طبیعت به آن رسیده بود. این یک نتیجه‌‌ی مهم است. موضوعات فراوانی در هم‌گرایی طبیعت و هوش مصنوعی وجود دارد که باید یاد بگیریم و مسلما هنوز مسیری طولانی در پیش روی ما قرار دارد.

@Data_Experts

درک ما از علوم رایانه تا چه میزان به درک ما از مغز وابسته است؟

بیشتر دستاوردهای ما در زمینه‌‌ی هوش مصنوعی، براساس دانشی است که ما در دهه ۶۰ درباره مغز فراگرفتیم. ما در حال حاضر مقدار زیادی از این دانش را کسب کرده‌‌ایم و بخش اعظم این دانش در معماری رایانه گنجانیده شده ‌است.

آلفاگو (AlphaGo) برنامه‌ای که قهرمان بازی Go را شکست داد، تنها یک مدل‌‌سازی از قشر مغز محسوب نمی‌شود؛ بلکه همچنین مدلی از بخشی از مغز به‌‌نام هسته‌های قاعده‌‌ای است که برای ایجاد یک توالی از تصمیمات برای رسیدن به یک هدف، نقشی مهم دارد. الگوریتمی به‌‌نام تفاوت‌های زمانی نیز وجود دارد که در دهه‌ی ۸۰ توسط ریچارد ساتون توسعه یافت؛ چنانچه این الگوریتم به‌همراه یادگیری عمیق مورد استفاده قرار گیرد، می‌توان شاهد عملکرد‌‌های پیچیده‌‌ای بود که پیش‌ از این دیده نشده است.

به‌مرور که درمورد معماری مغز یاد می‌گیریم و در کنار آن می‌‌آموزیم که چطور می‌توان این معماری را با سیستم مصنوعی ادغام کرد، قابلیت‌های بیشتری به‌دست خواهیم آورد تا از نقطه‌‌ای که هم‌‌ اکنون در آن هستیم، فراتر برویم.

@Data_Experts

آیا هوش مصنوعی نیز می‌‌تواند بر علم اعصاب تأثیرگذار باشد؟

این دو به‌موازات یکدیگر پیش می‌‌روند. پیشرفت‌های عظیمی در فناوری عصبی به‌وجود آمده است که از ثبت یک نورون در یک بازه‌‌ی زمانی به ثبت هزاران نورون درهمان زمان رسیده است و این اتفاق برای بسیاری از قسمت‌های مغز به‌طور همزمان رخ می‌‌دهد؛ اتفاقی که دنیای کاملاً جدیدی را به روی ما خواهد گشود.

پیش‌ از این نیز اشاره شد که بین هوش مصنوعی و هوش انسانی هم‌گرایی وجود دارد. همانطور که ما بیشتر و بیشتر درمورد نحوه‌‌ی کار مغز یاد می‌گیریم، این دانش ما دوباره در عرصه‌ی هوش مصنوعی بازتاب می‌یابد. اما در عین‌ حال، آن‌ها در حال ایجاد یک نظریه‌‌ی کامل از یادگیری هستند که می‌تواند برای درک مغز به‌کار گرفته شود و به ما این امکان را می‌دهد که هزاران نورون و چگونه کارکرد آن‌ها را تجزیه‌‌و‌‌تحلیل کنیم. پس می‌‌توان گفت که یک حلقه‌ی بازخورد بین علوم اعصاب و هوش مصنوعی وجود دارد؛ بازخوردی که شاید حتی از اهمیت و جذابیت به‌مراتب بالاتری نسبت به دستاوردهای دیگر برخوردار باشد.

@Data_Experts

✔️ مزایا و معایب الگوریتم های یادگیری ماشین

#یادگیری_ماشین #آموزش

❇️ @Data_Experts

✔️ پادکست های آموزشی علم داده و یادگیری ماشین

#یادگیری_ماشین #علم_داده #آموزش

🔔 لینک

❇️ @Data_Experts

هالووین را به همه شما تبریک میگم. به زبان برنامه نویسی R

❇️ @Data_Experts

لیست اموزش های منتشر شده گروه ropensc برای یادگیری نرم افزار R این گروه بسیاری از پکیج های نرم افزاری r را تهیه کرده است که میتوانید ضمن مطالعه این آموزش ها به پکیج های منتشر شده این گروه دسترسی داشته باشید.

🔔 Link Review

❇️ @Data_Experts

آماردانان در شرکت گوگل به چه کارهایی مشغولند ؟

#آمار

🔔 Link Review

❇️ @Data_Experts

در اینستاگرام ببینید:👇👇👇👇👇

https://www.instagram.com/p/BpuvGp9hioW/?utm_source=ig_share_sheet&igshid=114vnjte8nxhz

در اینستاگرام ببینید: 👇👇👇👇👇 @Data_Experts

https://www.instagram.com/p/Bputv5Xh5RK/?utm_source=ig_share_sheet&igshid=1daxdobhtxltu

در اینستاگرام ببینید👇👇👇👇👇
@Data_experts


https://www.instagram.com/p/Bpw7AvYhZyJ/?utm_source=ig_share_sheet&igshid=icl7ni7nvznc

Mathematics and it's branches

ریاضیات و شاخه های آن را مشاهده کنید.
البته امار رو زیرشاخه ریاضی نوشته که من میگم زیرشاخه نیست (نظر شخصی) و امار علم کاملی هست که مثل سایر علم ها برای اثبات گفته هاش از ریاضی کمک میگیره و میشه گفت صمیمی ترین دوست هم هستن ولی دستشون تو جیب خودشونه، آمار اومد تا بگه که اگه شک داری اگه قطعیت نداری اگه نمیتونی تصمیم بگیری پس بیا بهت راهکار رو نشون میدم اگه هنوزم نمیدونی تو آینده چی رخ میده بیا تا بهت بگم اگه هنوزم نمیدونی کدوم عملکرد رو انتخاب کنی بیا سمت من ، امار با کلی روش ها و متدهایی که از گذشته تا به امروز پیشنهاد داده تو همه زمینه ها کمک حالمون بوده و هست و شکر خدا با اومدن مهندسان کامپیوتر به این سمت و استفاده و توسعه مفاهیم اماری با عنوان هایی نظیر هوش مصنوعی یادگیری ماشین و ... بسیار زیبا این علم رو به جهانیان نشون دادند و همچنان با قدرت هرچه تمام تر داره به راه خودش ادامه میده.
@Data_Experts

فان
❇️ @Data_Experts

❇️ یک وبسایت خوب که منابع بسیار مفیدی در زمینه یادگیری ماشین و علم داده گردآوری کرده است،
🌏 Link Review
و شامل این بخش هاست:

♦️ علم داده
♦️ یادگیری ماشین
♦️ کتاب رایگان
♦️ وبینار داده
♦️ ریاضیات / آمار

❇️ @Data_Experts

✅ کتاب های آنلاین آموزش پایتون و جنگو با مثال های زیاد و کاربردی

👇

https://books.agiliq.com/en/latest/

👆
#کتاب #جنگو
❇️ @Data_Experts
❇️ @AI_Python