التعليم العميق في تعلم الألة Machine Learning - Deep Learning

التعليم العميق في تعلم الألة

 Machine Learning - Deep Learning

التعليم العميق في تعلم الألة Machine Learning - Deep Learning

التعلم العميق يستخدم ANN.  أولاً ، سوف نلقي نظرة على بعض تطبيقات التعليم العميق التي ستمنحك فكرة عن قوتها.

التطبيقات Applications

لقد حقق التعلم العميق نجاحًا كبيرًا في العديد من مجالات تطبيقات التعلم الآلي.

Self-driving Cars −السيارات ذاتية القيادة

السيارات ذاتية القيادة تستخدم تقنيات التعلم العميق.  إنها تتكيف بشكل عام مع مواقف المرور المتغيرة باستمرار وتتحسن في القيادة على مدار فترة زمنية.

Speech Recognition − تمييز الكلام

تطبيق آخر مثير للاهتمام من التعلم العميق هو التعرف على الكلام.  نستخدم جميعنا اليوم العديد من تطبيقات الأجهزة المحمولة القادرة على التعرف على خطابنا.  سيري Apple ، و Alexa من Amazon ، و Cortena من Microsoft ، ومساعد Google - كلها تستخدم تقنيات التعلم العميق.

Mobile Apps − تطبيقات المحمول

نحن نستخدم العديد من تطبيقات الويب والهواتف المحمولة لتنظيم صورنا.  كشف الوجه ، معرف الوجه ، وضع علامات على الوجه ، تحديد الكائنات في صورة - كل هذه الأشياء تستخدم التعلم العميق.

Untapped Opportunities of Deep Learning

فرص غير مستغلة للتعلم العميق

بعد النظر إلى النجاح الكبير الذي حققته تطبيقات التعلم العميق في العديد من المجالات ، بدأ الناس في استكشاف المجالات الأخرى حيث لم يتم تطبيق التعلم الآلي حتى الآن.  هناك العديد من المجالات التي يتم فيها تطبيق تقنيات التعلم العميق بنجاح وهناك العديد من المجالات الأخرى التي يمكن استغلالها.  وتناقش بعض هذه هنا.

 الزراعة هي واحدة من هذه الصناعات حيث يمكن للناس تطبيق تقنيات التعلم العميق لتحسين غلة المحاصيل.

 يعد تمويل المستهلك مجالًا آخر حيث يمكن للتعلم الآلي أن يساعد بشكل كبير في توفير الاكتشاف المبكر للاحتيال وتحليل قدرة العميل على الدفع.

 يتم تطبيق تقنيات التعلم العميق أيضًا في مجال الطب لإنشاء أدوية جديدة وتقديم وصفة شخصية للمريض.

 الاحتمالات لا حصر لها ويجب على المرء أن يراقب بينما الأفكار والتطورات الجديدة تظهر بشكل متكرر.

What is Required for Achieving More Using Deep Learning

ما هو المطلوب لتحقيق المزيد باستخدام التعلم العميق

لاستخدام التعلم العميق ، تعد قوة الحوسبة الفائقة مطلبًا إلزاميًا.  تحتاج كل من الذاكرة وكذلك وحدة المعالجة المركزية لتطوير نماذج التعلم العميق.  لحسن الحظ ، لدينا اليوم سهولة في توفير HPC - الحوسبة عالية الأداء.  نتيجةً لذلك ، أصبح تطوير تطبيقات التعلم العميق التي ذكرناها أعلاه حقيقة واقعة اليوم وفي المستقبل أيضًا يمكننا أن نرى التطبيقات في تلك المناطق غير المستغلة التي ناقشناها سابقًا.

 الآن ، سوف نلقي نظرة على بعض قيود التعلم العميق التي يجب مراعاتها قبل استخدامه في تطبيق التعلم الآلي الخاص بنا.

Deep Learning Disadvantages

عيوب التعلم العميق −

فيما يلي بعض النقاط المهمة التي يجب مراعاتها قبل استخدام التعلم العميق

• Black Box approach منهجية الصندوق الاسود 
• Duration of Development المدة المستخدمة في تطوير البيانات 
• Amount of Data كمية البيانات
• Computationally Expensive تكلفة الحوسبية

سندرس الآن كل هذه القيود بالتفصيل.

منهجية الصندوق الاسود Black Box approach

ANN يشبه الصندوق الاسود.  أنت تعطيها مدخلات معينة وسوف توفر لك مع إخراج معين.  يوضح لك الرسم التوضيحي التالي أحد هذه التطبيقات حيث تقوم بإطعام صورة حيوانية إلى شبكة عصبية ويخبرك بأن الصورة لكلب.

لماذا يطلق على ذلك نهج الصندوق الأسود هو أنك لا تعرف سبب توصل الشبكة إلى نتيجة معينة.  أنت لا تعرف كيف خلصت الشبكة أنه كلب؟  الآن فكر في تطبيق مصرفي حيث يريد البنك أن يقرر الجدارة الائتمانية للعميل.  ستوفر لك الشبكة بالتأكيد إجابة على هذا السؤال.  ومع ذلك ، هل ستكون قادرًا على تبريره لأحد العملاء؟  تحتاج البنوك أن تشرح لعملائها لماذا لا يعاقب القرض؟

مدة التطوير Duration of Development −

تم توضيح عملية تدريب الشبكة العصبية في الرسم البياني أدناه

عليك أولاً تحديد المشكلة التي تريد حلها ، وإنشاء مواصفات لها ، وتحديد ميزات الإدخال ، وتصميم شبكة ، ونشرها واختبار الإخراج.  إذا لم يكن الإخراج كما هو متوقع ، فاخذ ذلك كردود فعل لإعادة هيكلة شبكتك.  هذه عملية تكرارية وقد تتطلب عدة تكرارات حتى يتم تدريب شبكة الوقت بشكل كامل لإنتاج المخرجات المطلوبة.

كمية البيانات Amount of Data

تتطلب شبكات التعلم العميقة عادةً كمية هائلة من البيانات للتدريب ، في حين يمكن استخدام خوارزميات التعلم الآلي التقليدية بنجاح كبير حتى مع وجود بضعة آلاف فقط من نقاط البيانات.  لحسن الحظ ، تزداد وفرة البيانات بنسبة 40٪ سنويًا وتنمو طاقة معالجة وحدة المعالجة المركزية بنسبة 20٪ سنويًا كما هو موضح في الرسم البياني أدناه -

 Computationally Expensive مكلفة حسابيا

يتطلب تدريب الشبكة العصبية قوة حسابية عدة مرات أكثر من تلك المطلوبة في تشغيل الخوارزميات التقليدية.  قد يتطلب التدريب الناجح للشبكات العصبية العميقة عدة أسابيع من وقت التدريب.

 في المقابل ، تستغرق خوارزميات تعلم الآلة التقليدية بضع دقائق / ساعات فقط للتدريب.  أيضًا ، يعتمد مقدار الطاقة الحسابية اللازمة لتدريب الشبكة العصبية العميقة اعتمادًا كبيرًا على حجم بياناتك ومدى عمق الشبكة وتعقيدها؟

 بعد الحصول على نظرة عامة حول ماهية Machine Learning ، وإمكانياتها ، وقيودها ، وتطبيقاتها ، دعنا الآن ننتقل إلى تعلم "Machine Machine".