یادگیری عمیق، یادگیری ژرف یا ژرف آموزی ( به انگلیسی: Deep learning ) ( به بیانی دیگر: یادگیری ژرف ماشین، یادگیری ساختار ژرف یا یادگیری سلسله مراتبی ) یک زیر شاخه از یادگیری ماشین و بر مبنای مجموعه ای از الگوریتم ها است که در تلاشند تا مفاهیم انتزاعی سطح بالا در دادگان 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 می کنند. به بیان دیگر پایهٔ آن بر یادگیری نمایش دانش و ویژگی ها در لایه های مدل است. [ ۱]
به قولی دیگر «یادگیری عمیق» یک نوع «یادگیری ماشین» به همراه شبکه های عصبی چندلایه است که با دقتی فزاینده الگوهای موجود در داده ها کشف کرده و به همین خاطر می تواند علائق کاربر را بشناسد، اشیا را شناسایی کرده و زبان ها را بفهمد. [ ۲]
یک نمونه آموزشی ( برای نمونه: تصویر یک گربه ) می تواند به صورت های گوناگون بسان یک بردار ریاضی پر شده از مقدار به ازای هر پیکسل و در دید کلی تر به شکل یک مجموعه از زیرشکل های کوچک تر ( نظیر اعضای صورت گربه ) مدل سازی شود. برخی از این روش های مدل سازی سبب ساده شدن فرایند یادگیری ماشین ( برای نمونه: تشخیص تصویر گربه ) می شوند. در یادگیری عمیق امید به جایگزینی استخراج این ویژگی های تصویر به دست بشر ( مانند اعضای گربه ) با روش های کامل خودکار بی نظارت و نیمه نظارتی وجود دارد. [ ۳]
انگیزهٔ نخستین در به وجود آمدن این ساختار یادگیری از راه بررسی ساختار عصبی در مغز انسان الهام گرفته شده است که در آن یاخته های عصبی با فرستادن پیام به یکدیگر درک را امکان پذیر می کنند. [ ۴] بسته به فرض های گوناگون در مورد نحوهٔ اتصال این یاخته های عصبی، مدل ها و ساختارهای مختلفی در این حوزه پیشنهاد و بررسی شده اند، هرچند که این مدل ها به صورت طبیعی در مغز انسان وجود ندارد و مغز انسان پیچیدگی های بیشتری را دارا است. این مدل ها نظیر شبکه عصبی عمیق، شبکه عصبی هم گشتی، شبکه باور عمیق و چندین نمونه دیگر؛ پیشرفت های خوبی را در حوزه های پردازش زبان های طبیعی، پردازش تصویر ایجاد کرده اند.
در حقیقت عبارت یادگیری عمیق، بررسی روش های تازه برای شبکه عصبی مصنوعی است. [ ۵] [ ۶]
یادگیری عمیق، رده ای از الگوریتم های یادگیری ماشین است[ ۷] : ۱۹۹–۲۰۰ که از چندین لایه برای استخراج ویژگی های سطح بالا از ورودی خام استفاده می کنند. به بیانی دیگر، رده ای از تکنیک های یادگیری ماشین که از چندین لایهٔ پردازش اطلاعات و به ویژه اطلاعات غیرخطی بهره می برد تا عملیات تبدیل یا استخراج ویژگی نظارت شده یا نظارت نشده را عموماً با هدف تحلیل یا بازشناخت الگو، کلاس بندی، خوشه بندی انجام دهد. [ ۸]
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفبه قولی دیگر «یادگیری عمیق» یک نوع «یادگیری ماشین» به همراه شبکه های عصبی چندلایه است که با دقتی فزاینده الگوهای موجود در داده ها کشف کرده و به همین خاطر می تواند علائق کاربر را بشناسد، اشیا را شناسایی کرده و زبان ها را بفهمد. [ ۲]
یک نمونه آموزشی ( برای نمونه: تصویر یک گربه ) می تواند به صورت های گوناگون بسان یک بردار ریاضی پر شده از مقدار به ازای هر پیکسل و در دید کلی تر به شکل یک مجموعه از زیرشکل های کوچک تر ( نظیر اعضای صورت گربه ) مدل سازی شود. برخی از این روش های مدل سازی سبب ساده شدن فرایند یادگیری ماشین ( برای نمونه: تشخیص تصویر گربه ) می شوند. در یادگیری عمیق امید به جایگزینی استخراج این ویژگی های تصویر به دست بشر ( مانند اعضای گربه ) با روش های کامل خودکار بی نظارت و نیمه نظارتی وجود دارد. [ ۳]
انگیزهٔ نخستین در به وجود آمدن این ساختار یادگیری از راه بررسی ساختار عصبی در مغز انسان الهام گرفته شده است که در آن یاخته های عصبی با فرستادن پیام به یکدیگر درک را امکان پذیر می کنند. [ ۴] بسته به فرض های گوناگون در مورد نحوهٔ اتصال این یاخته های عصبی، مدل ها و ساختارهای مختلفی در این حوزه پیشنهاد و بررسی شده اند، هرچند که این مدل ها به صورت طبیعی در مغز انسان وجود ندارد و مغز انسان پیچیدگی های بیشتری را دارا است. این مدل ها نظیر شبکه عصبی عمیق، شبکه عصبی هم گشتی، شبکه باور عمیق و چندین نمونه دیگر؛ پیشرفت های خوبی را در حوزه های پردازش زبان های طبیعی، پردازش تصویر ایجاد کرده اند.
در حقیقت عبارت یادگیری عمیق، بررسی روش های تازه برای شبکه عصبی مصنوعی است. [ ۵] [ ۶]
یادگیری عمیق، رده ای از الگوریتم های یادگیری ماشین است[ ۷] : ۱۹۹–۲۰۰ که از چندین لایه برای استخراج ویژگی های سطح بالا از ورودی خام استفاده می کنند. به بیانی دیگر، رده ای از تکنیک های یادگیری ماشین که از چندین لایهٔ پردازش اطلاعات و به ویژه اطلاعات غیرخطی بهره می برد تا عملیات تبدیل یا استخراج ویژگی نظارت شده یا نظارت نشده را عموماً با هدف تحلیل یا بازشناخت الگو، کلاس بندی، خوشه بندی انجام دهد. [ ۸]
wiki: یادگیری عمیق