ایجاد برنامه هایی که یاد می گیرند

هوش مصنوعی در قلب پیشرفت‌های چشمگیر در خودرو، مراقبت‌های بهداشتی، سیستم‌های صنعتی و تعداد رو به رشدی از حوزه‌های کاربردی قرار دارد.همانطور که علاقه همچنان در حال افزایش است، ماهیت هوش مصنوعی باعث ایجاد سردرگمی و حتی ترس در مورد نقش رو به رشد هوش مصنوعی در زندگی روزمره شده است.نوع هوش مصنوعی که تعداد فزاینده‌ای از محصولات هوشمند را قادر می‌سازد، بر اساس روش‌های مهندسی ساده اما بی‌اهمیت است تا قابلیت‌هایی را ارائه دهد که بسیار دور از هوش مصنوعی پایان‌بخش تمدن علمی تخیلی است.

تعاریف هوش مصنوعی از پیشرفته‌ترین و هنوز مفهومی‌ترین شکل آن، که در آن ماشین‌ها از نظر رفتاری شبیه انسان هستند، تا شکلی آشناتر که در آن ماشین‌ها برای انجام وظایف خاص آموزش می‌بینند، متغیر است.در پیشرفته ترین شکل خود، هوش مصنوعی واقعی بدون هدایت و کنترل صریح انسان عمل می کند تا به طور مستقل به نتیجه ای برسد یا اقداماتی را درست مانند یک انسان انجام دهد.در انتهای طیف هوش مصنوعی مهندسی محور آشناتر، روش های یادگیری ماشینی (ML) معمولاً پایه محاسباتی برنامه های فعلی هوش مصنوعی را فراهم می کنند.این روش‌ها پاسخ‌هایی را به داده‌های ورودی با سرعت و دقت چشمگیر بدون استفاده از کدهایی که به صراحت برای ارائه آن پاسخ‌ها نوشته شده است، تولید می‌کنند.در حالی که توسعه دهندگان نرم افزار برای پردازش داده ها در سیستم های معمولی کد می نویسند، توسعه دهندگان ML از داده ها برای آموزش الگوریتم های ML مانند مدل های شبکه عصبی مصنوعی برای تولید پاسخ های دلخواه به داده ها استفاده می کنند.
یک مدل شبکه عصبی پایه چگونه ساخته می شود؟
در میان آشناترین انواع یادگیری ماشینی، مدل های شبکه عصبی داده ها را از لایه ورودی خود از طریق لایه های پنهان به لایه خروجی منتقل می کنند (شکل 1).همانطور که توضیح داده شد، لایه های پنهان برای انجام یک سری تبدیل آموزش داده می شوند که ویژگی های مورد نیاز برای تمایز بین کلاس های مختلف داده های ورودی را استخراج می کند.این تحولات به اوج خود می رسد
مقادیر در لایه خروجی بارگذاری می شوند، جایی که هر واحد خروجی مقداری را ارائه می دهد که نشان دهنده احتمال تعلق داده های ورودی به یک کلاس خاص است.با این رویکرد، توسعه دهندگان می توانند داده هایی مانند تصاویر یا اندازه گیری های حسگر را با استفاده از یک معماری شبکه عصبی مناسب طبقه بندی کنند.

معماری شبکه های عصبی اشکال مختلفی دارند، از نوع ساده شبکه عصبی پیشخور نشان داده شده در شکل 1 گرفته تا شبکه های عصبی عمیق (DNN) که با چندین لایه پنهان و لایه های جداگانه حاوی صدها هزار نورون ساخته شده اند.با این وجود، معماری های مختلف معمولاً بر روی یک واحد نورون مصنوعی با ورودی های متعدد و یک خروجی واحد ساخته می شوند (شکل 2).شکل 1: شبکه های عصبی شامل لایه هایی از نورون های مصنوعی هستند که برای تمایز بین کلاس های مختلف داده ورودی آموزش دیده اند.(منبع: برگرفته از ویکی پدیا)

شکل 2: یک نورون مصنوعی بر اساس یک تابع فعال سازی که عمل می کند، خروجی تولید می کند

بر روی مجموع ورودی های وزنی نورون.(منبع: ویکی پدیا)

در یک شبکه عصبی پیش‌خور، یک نورون خاص n، در لایه پنهان، ورودی‌های خود را جمع می‌کند، x، که با وزن مخصوص ورودی wp تنظیم می‌شود و یک ضریب بایاس مخصوص لایه b (در شکل نشان داده نشده است) را به صورت جریان اضافه می‌کند:

در نهایت، مقدار S جمع شده توسط یک تابع فعال سازی به یک مقدار خروجی تبدیل می شود.بسته به نیاز، این توابع می توانند اشکال مختلفی داشته باشند، مانند یک تابع گام ساده، مماس قوس، یا نگاشت غیرخطی مانند یک واحد خطی اصلاح شده (ReLU)، که خروجی 0 برای S<=0 یا s برای S> است. 0.

اگرچه همه آنها برای استخراج ویژگی‌های متمایز داده‌ها طراحی شده‌اند، معماری‌های مختلف ممکن است از تبدیل‌های بسیار متفاوتی استفاده کنند.برای مثال، شبکه‌های عصبی کانولوشنال (CNN) که در برنامه‌های کاربردی تشخیص تصویر استفاده می‌شوند، از کانولوشن‌های هسته استفاده می‌کنند.در این حالت، توابعی که هسته نامیده می شوند، بر روی تصویر ورودی کانولوشن انجام می دهند تا آن را به نقشه های ویژگی تبدیل کنند.لایه‌های بعدی پیچیدگی‌ها یا عملکردهای دیگری را انجام می‌دهند و ویژگی‌ها را بیشتر استخراج و تبدیل می‌کنند تا زمانی که مدل CNN خروجی احتمال طبقه‌بندی مشابهی را مانند شبکه‌های عصبی ساده‌تر ایجاد کند.با این حال، برای توسعه دهندگان، ریاضیات اساسی برای معماری شبکه های عصبی محبوب تا حد زیادی شفاف است، زیرا ابزارهای توسعه ML در دسترس هستند (که در جای دیگری در این شماره بحث شده است). مجموعه ای از داده ها به نام مجموعه آموزشی.این مجموعه داده آموزشی شامل مجموعه ای معرف از مشاهدات داده ها و کاسفیکاسیون صحیح برای هر مشاهده است و یکی از چالش برانگیزترین جنبه های توسعه مدل شبکه عصبی را نشان می دهد.

چگونه یک مدل شبکه عصبی آموزش داده و به کار گرفته می شود؟

در گذشته، توسعه‌دهندگانی که مجموعه‌های آموزشی را ایجاد می‌کردند، گزینه ltte داشتند، اما می‌توانستند هزاران مشاهدات مورد نیاز در یک مجموعه معمولی را انجام دهند، و به‌صورت دستی هر مشاهده را با نام صحیح خود برچسب‌گذاری کنند.به عنوان مثال، برای ایجاد یک مجموعه آموزشی برای یک برنامه تشخیص علائم جاده، آنها

باید تصاویر علائم جاده را مشاهده کنید و هر تصویر را با نام صحیح علامت گذاری کنید.مجموعه‌های دامنه عمومی از داده‌های از پیش برچسب‌گذاری‌شده به بسیاری از محققان یادگیری ماشینی اجازه می‌دهد از این کار اجتناب کنند و بر توسعه الگوریتم تمرکز کنند.با این حال، برای برنامه‌های کاربردی ML تولید، وظیفه برچسب‌گذاری می‌تواند چالش مهمی باشد.توسعه دهندگان پیشرفته ML اغلب از مدل های از پیش آموزش دیده در الف استفاده می کنند

فرآیندی به نام یادگیری انتقال برای کمک به کاهش این مشکل.