دیپ لرنینگ یا یادگیری ژرف (عمیق) چیست؟

درک عملکرد هوش مصنوعی، تا همین چند وقت پیش برای ما تداعی ماجرای علمی-تخیلی را به همراه داشت؛ با این حال، گذشت زمان به ما ثابت کرد که ماشین‌ها هم می‌توانند یاد بگیرند. در حال حاضر ربات‌هایی اختراع شده اند که موفق شدند با ما صحبت کنند و ماشین‌هایی که بدون نیاز به کنترل راننده، حرکت می‌کردند. در واقع یادگیری ژرف (deep learning) زیرمجموعه‌ای از یادگیری ماشینی و شاخه‌ای از هوش مصنوعی است که هدف آن آموزش دادن ماشین‌ها به وسیله داده‌ها، بدون برنامه‌ریزی مستقیم است.

یادگیری عمیق یا یادگیری ژرف بر مبنای مجموعه‌ای از الگوریتم‌ها است که در تلاش هستند تا مفاهیم انتزاعی سطح بالا در داده ها را مدل نمایند که این فرایند را با استفاده از یک گراف عمیق که دارای چندین لایه پردازشی متشکل از چندین لایه تبدیلات خطی و غیرخطی هستند، مدل می‌کنند. به بیان دیگر پایهٔ آن بر یادگیری نمایش دانش و ویژگی‌ها در لایه‌های مدل است.

به زبان ساده، یادگیری عمیق راهی برای اتوماتیک‌کردن تحلیل‌های پیش‌بینی‌کننده (Predictive Analysis) است. بر‌خلاف الگوریتم‌های خطی یادگیری ماشین، الگوریتم‌های سلسه‌مراتبی یادگیری ژرف در هر مرحله بر میزان پیچیدگی و انتزاعشان افزوده می‌شود.

برای آشنایی بیشتر با یادگیری ژرف این مثال را در نظر بگیرید: کودک خردسالی که برای اولین بار کلمه‌ی گربه را به زبان می‌آورد، اما معنای پشت این کلمه را نمی‌داند. او هر بار به چیز‌های مختلفی اشاره می‌کند و کلمه‌ی گربه را به زبان می‌آورد. پدر و مادر این کودک در پاسخ به هر اشاره‌ی او می‌گویند «بله، این گربه هست» و یا «نه، این گربه نیست». بعد از مدتی کودک به ویژگی‌های مشترک تمامی گربه ها پی می‌برد. اتفاقی که در اینجا می‌افتد این است که بدون اطلاع کودک، سلسله‌مراتبی از انتزاعات در ذهن او در حال شکل‌گیری است؛ انتزاعاتی که در هر مرحله مبتنی بر مفاهیم لایه‌های قبلی هستند. از این طریق است که مفاهیمی پیچیده و انتزاعی در ذهن کودک شکل می‌گیرد.

تفاوت بین یادگیری ماشینی و یادگیری عمیق

یادگیری ماشینی (machine learning) مقوله وسیع‌تری است که شامل یادگیری ژرف نیز می‌شود. یادگیری ماشینی یا ماشین لرنینگ تمرین استفاده از الگوریتم‌ها برای یادگیری از داده‌ها و پیش‌بینی است. سه دسته اصلی یادگیری ماشین به شرح زیر وجود دارد:

تحت نظارت (supervised)
بدون نظارت (unsupervised)
تقویتی (reinforcement)

یادگیری نظارت شده برای زمانی که خروجی صحیح مشخص شده و مدل با داده‌های برچسب‌دار، آموزش داده می‌شود. در این دسته، مدل یاد می‌گیرد تا ورودی‌ها را بر اساس داده‌های برچسب‌گذاری شده نگاشت (map) و به خروجی‌ها تبدیل کند. یادگیری بدون نظارت برای زمانی است که مدل با داده‌های بدون برچسب آموزش داده می‌شود تا خودش الگوها و ساختارها را در داده‌ها پیدا کند. یادگیری تقویتی نیز برای شرایطی است که مدل یاد می‌گیرد بر اساس بازخورد از محیط، تصمیم بگیرد. در نهایت، باید بگوییم که یادگیری ژرف با یادگیری ماشینی تفاوت دارد، زیرا از شبکه‌های عصبی با لایه‌های متعدد برای یادگیری داده‌های پیچیده استفاده می‌کند. مدل‌های یادگیری ژرف یا عمیق می‌توانند به‌طور خودکار ویژگی‌ها را از داده‌ها استخراج و آن‌ها را قوی‌تر از مدل‌های یادگیری ماشین سنتی کنند. مدل‌های یادگیری ژرف به ویژه برای کارهایی مانند تشخیص تصویر و گفتار کارآمد و موثر خواهند بود.