Deep Learning - DL(یادگیری عمیق)

تصویر دقیق: زیرشاخه پیشرفته یادگیری ماشین که از لایه‌های زیادی نورون مصنوعی (شبکه عصبی عمیق) استفاده می‌کند. ایده از ساختار مغز آمده (نورون‌های مغز)، اما ریاضی خالص است (ضرب ماتریس و توابع غیرخطی).

چرا «عمیق» می‌گویند؟ چون لایه‌ها زیادند. لایه اول تشخیص لبه، لایه دوم تشخیص اشکال ساده (دایره، خط), لایه سوم تشخیص اجزا (چشم، بینی), لایه چهارم تشخیص اشیاء کامل (صورت). هرچه لایه عمیق‌تر برویم، مفهوم انتزاعی‌تر می‌شود.

تفاوت کلیدی با یادگیری ماشین ساده: در ML سنتی، شما باید «ویژگی»های مهم را به سیستم بدهی (مثلاً بگویی «اندازه پنجره ایمیل» مهم است). در یادگیری عمیق، خود سیستم ویژگی‌ها را یاد می‌گیرد. کافی است «داده خام» را بدهی (مثل پیکسل‌های تصویر) و خودش تشخیص می‌دهد که لبه‌ها و بافت‌ها مهمند.

نیازمندی‌ها: به داده بسیار زیاد (میلیون‌ها نمونه) و پردازنده گرافیکی (GPU) نیاز دارد. CPUهای معمولی برای این حجم محاسبات ضرب و جمع ماتریسی بسیار کندند.

کاربردها: جایی که داده خام زیاد داریم: تشخیص سرطان از تصاویر CT اسکن، خودروهای خودران (تشخیص عابر از درخت از ماشین), ترجمه گوگل، تشخیص گفتار (سلام، سیری).

نحوه عملکرد(DL):

تشخیص و دسته‌بندی اشیاء (Object Recognition):

· کاربرد: تشخیص اینکه در تصویر چه چیزی وجود دارد (ماشین، درخت، انسان، گربه).· مثال عینی: · جستجوی تصویر گوگل: شما عکس یک گل را آپلود می‌کنید، گوگل نام آن را پیدا می‌کند. · اپلیکیشن‌های گیاه‌شناسی: با عکس گرفتن از برگ یک گیاه، بیماری یا نوع آن تشخیص داده می‌شود. · فیسبوک: تشخیص خودکار چهره دوستان در آلبوم عکس.

تشخیص چهره و هویت (Face Recognition & Verification):

· کاربرد: تطبیق چهره فرد با یک هویت مشخص.· مثال عینی: · باز کردن قفل گوشی با فیس آیدی (Apple Face ID): شبکه عمیق 30,000 نقطه نامرئی روی چهره را برداشت می‌کند و با مدل ذخیره‌شده مقایسه می‌کند. تفاوت با تشخیص چهره ساده: این مدل در برابر عکس، ماسک و دوقلوهای همسان هم مقاوم است. · پرداخت بانکی با چهره: در بعضی از بانک‌ها، برای تراکنش‌های بالا، دستگاه خودپرداز با چهره شما احراز هویت می‌کند. · فرودگاه‌های هوشمند: تطبیق چهره مسافر با عکس پاسپورت بدون نیاز به اسکن دستی.