English

یادگیری ماشین و یادگیری عمیق

یادگیری عمیق
منابع
پروژه ها
تنسورفلو


یادگیری عمیق:
با پیشرفت تکنولوژی ذخیره سازی اطلاعات در صنایع مختلف روزانه حجم قابل توجهی از دادگان تولید و ذخیره می گردد كه باعث ايجادمِه داده مي شود. منحنی رشد این مِه دادگان گرایش نمایی از نظر ابعاد، تنوع و سرعت در تولید را ایجاد نموده است. شرکت های مبتنی بر تکنولوژی مانند مایکروسافت، یاهو، آمازون و گوگل از این قاعده مستثنی نیستند و اطلاعات خود را درابعاد Exabyte یا حتی بزرگتر از آن تولید می کنند. همچنین با توجه به محبوبیت شبکه های اجتماعی مانند یوتیوب، توییتر و فیس بوک، مقدار زیادی از اطلاعات توسط میلیاردها کاربر ایجاد می¬شود. و انچه در این راستا بیش از پیش حائز اهمیت گردید، نیاز به آنالیز و استخراج دانش از مه دادگان است. چرا که بخش عمده این مه دادگان را نمی توان با الگوریتم های یادگیری ماشین که دارای معماری های کم عمق هستند، پردازش نمود. مبنی بر چالش¬های روبرو با آنالیز مه داده، جفری هینتون در سال 2006 از معماری نسبتاً جدیدی در شبکه های عصبی به نام یادگیری عمیق صحبت می کند. امروزه این ابر تکنولوژی به عنوان یک انقلابی در زمینه آنالیز مه دادگان محسوب می گردد. یادگیری عمیق زیرشاخه‌ای از یادگیری ماشینی است که مفاهیم انتزاعی سطح بالا در مه دادگان را مدل می نمایند. قدرت الگوریتم های یادگیری عمیق باعث گردید که به طور گسترده در کاربردهای مختلفی از علوم و مهندسی مانند تشخیص صدا، طبقه بندی تصاویر و پردازش زبان های طبیعی، بینایی کامپیوتر، تشخیص گفتار و پزشکی مورد استفاده قرار گیرد. Recurrent Neural Networks (CNN)، Deep Belief Networks (DBN) و Convolutional Neural Network (CNN) از الگوریتم های پرکاربرد و محبوب یادگیری عمیق است و شرکت هایی مانند فیس بوک، اپل و گوگل به طور جدی علاقمند به پروژه های مرتبط با یادگیری عمیق می باشند. به عنوان مثال گوگل، از یادگیری عمیق در پروژه هایی مانند Google’s translator، image and video searching و Android’s voice recognition استفاده نموده است. برخی از فریم ورک های یادگیری عمیق عبارتند از: Theano, Lasagne, Blocks, TensorFlow, Keras, MXNet PyTorch ، Deeplearning4J .

منابع:

کتاب

Link of download

پروژه ها:
  • اطلاعات بیشتر
    آنالیز تصاویر عنبیه با استفاده از یادگیری عمیق برای تشخیص بیماری تیروئید
  • اطلاعات بیشتر
    تشخیص بیماری های قلبی با استفاده از شبکه عصبی کانولوشن
  • اطلاعات بیشتر
    تشخیص دیابت با استفاده از یادگیری عمیق
  • اطلاعات بیشتر
    پیش بینی سرطان پوست با استفاده از شبکه های عصبی کانولوشن

تنسورفلو:
TensoFlow
با تولید سریع داده در كاربرد هاي مختلف وظهور تكنولوژي مِه داده، گوگل برای استفاده بهتر از اين داده ها و یادگیری موثر الگوریتم ها بمنظور تغییر جدي در آینده كاربردي هوش مصنوعی، چارچوب متن باز تنسورفلو را در سال 2015 معرفی کرد و این تکنولوژی راه خود را به سمت تبدیل شدن به یک جریان اصلی در حوزه يادگيري ماشين و بطور خاص يادگيري عميق شروع کرد. تنسورفلو یک فریم ورک متن باز است که در نوامبر 2015، به واسطه مطالعات انجام شده در پروژه تحقیقاتی Deep Learning Artificial Intelligence توسط تیمgoogle Brain طراحی و عرضه گردید. و در حال حاضر یکی ازهیجان انگیزترین کتابخانه ها در حوزه یادگیری ماشین است که به طور خاص برای رشد الگوریتم های یادگیری ماشین در مقیاس های بزرگ و آنالیز مه داده محبوبیت زیادی یافته است. کلمه تنسور از یک مفهوم رایج در ریاضیات به نام تنسور گرفته شده است که اشاره به یک ماتریس n بعدی دارد.
این فریم ورک محاسبات عددی را با استفاده از گراف­ جریان داده پیاده سازی و مدیریت می کند. نودها در گراف به عملیات محاسباتی اشاره می¬کنند و لبه ها به مفهوم تنسور (multidimensional data arrays ) و همچنین جریان بین آن ها را نشان می دهند. معماری فریم ورک تنسورفلور قابلیت انعطاف بالایی دارد و اجازه می دهد که محاسبات روی یک یا چند CPU یا GPU و بر روی desktop, server یا mobile device بدون کد نویسی مجدد انجام شوند. و قابل اجرا بر روی سیستم­ عامل ­های مختلف Linux، macOS و Windows می باشد.
  • آموزش نصب تنسور فلو بر روی سیستم عامل های مختلف:
  • Windows
    • Windows (Tensorflow-Windows installation-CPU support-1080) Download
  • macOS
    • using Virtualenv (Tensorflow On Mac-Virtualenv-1080P) Download
    • in Anaconda (Tensorflow on Mac – Anaconda-1080p) Download
      • Pycharm (Tensorflow on Mac – Pycharm-1080p) Download
  • Ubunto
    • Ubunto (Tensorflow on Ubuntu-1080p) Download