یادگیری عمیق DEEP LEARNING

یادگیری عمیق DEEP LEARNING

اسلاید 1: به نام خدایادگیری عمیقDEEP LEARNINGآذرماه 1396

اسلاید 2: فهرستمعرفیتاریخچهکاربردهامزایا و چالش هاانواع روش های یادگیری عمیقمدل های یادگیری عمیقیادگیری بدون نظارتشبکه های عصبی خود رمزنگار (AE)شبکه های عصبی مولد ( GAN)یادگیری با نظارتشبکه های عصبی کانولوشنی (CNN)کدنویسیمنابع2

اسلاید 3: معرفی3یادگیری عمیق، شاخه‎ای از یادگیری ماشین و هوش‎مصنوعی است.فرآیند اصلی یادگیری:استخراج ویژگی های مفید یا بازنمایی (Representation).استفاده از الگوریتم‎های دسته‎بندی و رگرسیون.روش های استخراج داده‎ها دستی و یا اتوماتیک است.در استخراج داده اتوماتیک بیشتر به مبحث بازنمایی داده ها پرداخته می‎شود.مهم ترین شاخه های بازنمایی:PCAخوشه‎بندیشبکه‎های عصبی

اسلاید 4: معرفی4

اسلاید 5: معرفیشبکه‎های عصبی عمیق (چند لایه)یادگیری چند لایه ویژگی‎هابرخی از مدل های معروف:شبکه عصبی خود رمزنگار (AE)شبکه عصبی کانولوشنی (CNN)و...5

اسلاید 6: تاریخچهتا سال 2006 به علت محبوبیت SVM و محدودیت سخت افزار و کمبود داده آموزشی به کندی رشد کرد.از سال 2012 محبوبیت و میزان استفاده از شبکه های عصبی مبتنی بر یادگیری عمیق گسترش یاتشبکه عصبی LeNet در 1990معماری AlexNet در 2012ZF در 2013VGGNet در 2014یکی از محبوب ترین شبکه‎های عصبی چند سال گذشته.GoogLeNet در 2014این شبکه عصبی تعداد پارامترهای AlexNet را از 60 میلیون پارامتر به 4 میلیون کاهش داد.تا April سال 2016 گوگل در حدود 4000 پروژه مبتنی بر یادگیری عمیق برای خود تعریف کرد.6

اسلاید 7: 7