الرئيسيةعريقبحث

تعلم متعمق

☰ جدول المحتويات

التعلّم المُتعمّق أو التعلّم العميق (Deep Learning)‏ هو مجال بحث جديد يتناول إيجاد نظريات وخوارزميات تتيح للآلة أن تتعلم بنفسها عن طريق محاكاة الخلايا العصبية في جسم الإنسان. و أحد فروع العلوم التي تتناول علوم الذكاء الاصطناعي. يعد من فرع من فروع علوم التعلم الآلي، تركز معظم أبحاث التعلم المتعمق على إيجاد أساليب استنباط درجة عالية من المتجردات بتحليل مجموعة بيانات ضخمة[1] باستخدام متحولات خطية وغير خطية..[2][3][4][5][6][7][8][9][10]

أثبتت الاكتشافات في هذا المجال تقدما كبيرا وسريعا وفعالية في العديد المجالات منها التعرف على الوجه، التعرف على الكلام، الرؤية الحاسوبية، ومعالجة اللغات الطبيعية.

تتعلم الآلة من البيانات الضخمة باستخدام تصميمات مختلفة لشبكات التعلم العميق منها: الشبكات المتكررة (RNN) المستخدمة بكثرة مع النصوص والبيانات المستمرة و الشبكة عصبوية التفافية (CNN) التي تستمد إلهامها من العمليات البيولوجية في الفص البصري وغيرها من التصميمات.


الفكرة الاساسية

يمكن توصيف اي كائن بطرق عديدة متنوعة. مثلا، يمكن توصيف صورة ما على اساس متجهي لدرجة الضياء في كل وحدة بكسل أو بطريقة متجردة على اساس مجموع الحواف والمناطق التي تشكل الصورة. هناك العديد من الاساليب الاخرى التي يمكن استعمالها لتوصيف هذه الصورة. وتشير الدراسات ان بعض هذه الاساليب هي أفضل من غيرها في تبسيط تعلم الآلة (مثل ملاحظة الوجه أو ملاحظة التعابير).[11] ومن الاهداف المتوقعة في دراسة التعلم المتعمق هو استبدال ميزات التعلم الالي التي يتم تحديدها بشريا بميزات يتم انتاجها بواسطة الآلة نفسها عن طريق خوارزميات فعالة في استنباط الميزات بصورة ألية أو نصف آلية.[12]

تعتمد ابحاث التعلم المتعمق على الاكتشافات في علوم الاعصاب بشكل كبير وخاصة في مجال فهم العمليات الترميزة التي يقوم بها النظام العصبي في تحديد العلاقات المختلفة بين المحفزات والنشاطات الدماغية.[13]

التطبيقات

وتم استعمال هيكليات تعلمية، مثل الشبكات العصبية المتعمقة، الشبكات العصبية الالتفافية، وشبكات الايمان المتعمقة، في تطبيقات مثل الرؤية الحاسوبية، التعرف على الكلام، و معالجة اللغات الطبيعية.

للاستزادة

مواقع خارجية

مجموعات ابحاث

نماذج للتعلم المتعمق

مواقع تدريب

  • المدرسة الصيفية للتعلم المتعمق - مجموعة أفلام تدريبية - جامعة مونتريال 2015.
  • جيل جديد من الشبكيات العصبية - فيديو يوتيوب عن طريق جوجل تولك - كانون الأول/ديسمبر 2007.

المراجع

  1. موقع ديب ليرننغ الرسمي - اتطلع عليه 17 اغسطس 2016. نسخة محفوظة 13 ديسمبر 2017 على موقع واي باك مشين.
  2. Ian Goodfellow, Yoshua Bengio, and Aaron Courville (2016). Deep Learning. MIT Press. Online - تصفح: نسخة محفوظة 27 يناير 2018 على موقع واي باك مشين.
  3. Deng, L.; Yu, D. (2014). "Deep Learning: Methods and Applications" ( كتاب إلكتروني PDF ). Foundations and Trends in Signal Processing. 7 (3–4): 1–199. doi:10.1561/2000000039. مؤرشف من الأصل ( كتاب إلكتروني PDF ) في 14 مارس 2016.
  4. Bengio, Yoshua (2009). "Learning Deep Architectures for AI" ( كتاب إلكتروني PDF ). Foundations and Trends in Machine Learning. 2 (1): 1–127. doi:10.1561/2200000006. مؤرشف من الأصل ( كتاب إلكتروني PDF ) في 4 مارس 2016.
  5. Bengio, Y.; Courville, A.; Vincent, P. (2013). "Representation Learning: A Review and New Perspectives". IEEE Transactions on Pattern Analysis and Machine Intelligence. 35 (8): 1798–1828. arXiv:. doi:10.1109/tpami.2013.50.
  6. Schmidhuber, J. (2015). "Deep Learning in Neural Networks: An Overview". Neural Networks. 61: 85–117. arXiv:. doi:10.1016/j.neunet.2014.09.003.
  7. Bengio, Yoshua; LeCun, Yann; Hinton, Geoffrey (2015). "Deep Learning". Nature. 521: 436–444. doi:10.1038/nature14539.
  8. Deep Machine Learning – A New Frontier in Artificial Intelligence Research – a survey paper by Itamar Arel, Derek C. Rose, and Thomas P. Karnowski. IEEE Computational Intelligence Magazine, 2013
  9. Schmidhuber, Jürgen (2015). "Deep Learning". Scholarpedia. 10 (11): 32832. doi:10.4249/scholarpedia.32832. مؤرشف من الأصل في 24 مايو 2019.
  10. Carlos E. Perez. "A Pattern Language for Deep Learning". مؤرشف من الأصل في 3 يونيو 2017.
  11. Glauner, P. (2015). Deep Convolutional Neural Networks for Smile Recognition (MSc Thesis). كلية لندن الإمبراطورية, Department of Computing. arXiv:.
  12. Song, H.A.; Lee, S. Y. (2013). "Hierarchical Representation Using NMF". Neural Information Processing. 8226. سبرنجر. صفحات 466–473. doi:10.1007/978-3-642-42054-2_58.  .
  13. Olshausen, B. A. (1996). "Emergence of simple-cell receptive field properties by learning a sparse code for natural images". Nature. 381 (6583): 607–609. doi:10.1038/381607a0.

موسوعات ذات صلة :