یادگیری عمیق یاDeep Learning چیست؟

یادگیری عمیق زیرمجموعه یادگیری ماشین یا Machine Learning است. در هر دوی این روشها، هدف یادگیری الگوریتم هاست. این امر هنگامی به دست می آید که الگوریتم ها مقادیر عظیمی از داده ها را تجزیه و تحلیل کرده و سپس بر اساس اطلاعات بدست آمده اقدام یا عملکردی را انجام دهند.

یادگیری عمیق با هوش مصنوعی شروع می شود

بیان عبارت هوش مصنوعی احتمالا به خواننده هیچ معنی و مفهومی نمی رساند و به همین دلیل است که بحث و اختلاف نظرهای زیادی درباره این اصطلاح وجود دارد. بله ، می توان استدلال كرد كه آنچه اتفاق می افتد مصنوعی است و از منبع طبیعی حاصل نمیشود. با این حال ، عبارت "هوش" در بهترین حالت مبهم است. هوش از جهات مختلفی تعریف می شود.

با این حال، می توان گفت که هوش شامل تمرین های ذهنی خاصی است که از فعالیت های زیر تشکیل شده است :
• یادگیری: داشتن توانایی برای به دست آوردن و پردازش اطلاعات جدید .
• استدلال: قادر به تغییر اطلاعات از طرق مختلف .
• ادراک: درنظر گرفتن نتیجه تغییر اطلاعات .
• فهم حقایق: تعیین مقدار اعتبار اطلاعات تغییر داده شده
• مشاهده روابط: توانایی فهم نحوه تعامل داده های معتبر (مورد قبل) با سایر داده ها .
• معنی دار کردن شرایط: نسبت دادن حقایق به موقعیتهای خاص با روشی که متناسب با رابطه بین آنها باشد .
جدا کردن واقعیت از باور: تعیین اینکه آیا داده ها به اندازه کافی توسط منابع قابل اثبات که میتوان نشان داد معتبر هستند، پشتیبانی می شوند .

این لیست به راحتی می تواند بسیار طولانی شود، اما حتی این لیست نیز ممکن است توسط هر کسی که آن را قابل قبول می پذیرد به طور متفاوتی تفسیر شود. با این وجود همانطور که از لیست دیده میشود، هوش اغلب از روندی پیروی می کند که یک سیستم کامپیوتری می تواند به عنوان بخشی از شبیه سازی از آن تقلید کند به صورت :
قدم اول: هدفی را بر اساس نیازها یا خواسته ها تنظیم کنید
قدم دوم: مقادیر هرگونه اطلاعات شناخته شده که در حال حاضر از هدف حمایت میکنند را ارزیابی کنید .
قدم سوم: اطلاعات اضافی را که می تواند هدف را پشتیبانی کند ، جمع کنید .
قدم چهارم: داده ها را طوری تغییر دهید که به فرمی متناسب با اطلاعات موجود تبدیل شود. .
قدم پنجم: روابط و مقادیر درست را بین اطلاعات موجود و جدید تعریف کنید .
قدم ششم: تعیین کنید که آیا هدف به دست آمده است یا خیر
قدم هفتم: با توجه به داده های جدید و تأثیر آن بر احتمال موفقیت ، هدف را اصلاح کنید .
مراحل 2 تا 7 را در صورت لزوم تا رسیدن به هدف (درست (true ) بودن هدف) یا از بین رفتن امکان دستیابی (غلط (false ) بودن هدف) تکرار کنید .
حتی اگر بتوان درون کامپیوتر الگوریتم هایی را ایجاد و به داده های پشتیبان این فرآیند دسترسی پیدا کرد، توانایی کامپیوتر برای دستیابی به هوش به شدت محدود است. به عنوان مثال، یک کامپیوتر از درک هر چیزی ناتوان است زیرا برای تغییر داده ها وابسته به پردازش های ماشین با استفاده از محاسبات خالص و به روشی کاملاً مکانیکی میباشد. به همین ترتیب، کامپیوتر ها به راحتی نمی توانند درست را از غلط جدا کنند. در حقیقت ، هیچ کامپیوتر ای نمی تواند بطور کامل هیچ یک از فعالیت های ذهنی را که در لیست هوش ذکر شده است ، به طور کامل پیاده سازی کند .
وقتی در مورد هوش مصنوعی فکر می کنید، باید اهداف افرادی که آن را توسعه داده اند در نظر بگیرید. هدف تقلید از هوش انسانی است نه تکرار آن. یک کامپیوتر واقعاً فکر نمی کند ، اما ظاهر تفکر را ایجاد می کند. با این حال، یک کامپیوتر فقط وقتی محاسبات منطقی / ریاضی مورد نظر باشد هوشمند به نظر می رسد. ولی بر خلاف انسان، کامپیوتر راهی برای تقلید از هوش درونگرا و یا خلاق ندارد .