صفحه 1:
heey
به نام خدا ,19
whey
یادگیری عمیق
DEEP
LEARNING
آذرماه 1396
صفحه 2:
* مزاياو جالش ها
أنواع روش هاى يادكيرى عميق
مدل هاى يادكيرى عميق
* يادكيرى بدون نظارت
* شبکه های عصبی خود رمزنكار (8.15)
* شبکه های عصبی (GAN) alge
یادگیری با نظارت
* شبکه های عصبی کانولوشنی (CNN)
* کدنویسی
gba?
صفحه 3:
معرفی
* یلدگیری عمیق. شاخهای از یادگیری ماشین و هوشمصنوعی است.
* فرآيند اصلى يادكيرى:
* استخراج ویژگی های مفید یا بازنمایی (1360۳656012100).
* استفاده از الگوریتمهای دستهبندی و رگرسیون.
* روش های استخراج دادهها دستی ویا اتوماتیک است.
* در استخراج داده انوماتیک بیشتر به مبحث بازنمایی داده ها پرداخته ميشود.
* مهم ترین شاخه های بازنمایی:
PCA *
* خوشهبندی
* شیکههای عصبی
صفحه 4:
معرقی
حالت ساده شبکه عصبی عد ضرب وزن‌ها در ورودی
ی ورودی
3 مسي 23
اعمال تابع غيرخطى
۳
اس 3
Xn
صفحه 5:
معرفی
* شبکههای عصبی عمیق (چند لایه)
* یادگیری چند لایه ویزگیها
* برخی از مدل های معروف:
* شبکه عصبی خود رمزنگار (تق۸)
* شبکه عصبی کانولوشنی (6(۱)
و
‘object models
Deep Neural Network
combinations of edges
صفحه 6:
تاريخجه
* تا سال 2006 به علت محبوبیت ۹۷۷1 و محدودیت سخت افزار و کمبود داده آموزشی به کندی رشد کرد.
* از سال 2012 محبوییت و میزان استفاده از شبکه های عصبی مبتنی بر یادگیری عمیق گسترش یات
* شبکه عصبی 16۱76 در 1990
AlexNet (¢)laxe * در 2012
* ۲ در 2013
VGGNet + »» 2014
* یکی از محبوب ترین شبکههای عصبی چند سال گذشته.
* 0002160 در 2014
شبکه عصبی تعدا پارامترهای ۸1۵*۷61 را از 60 میلیون پارامتربه 4 میلیون کاهش داد.
* تا ۸۳21 سال 2016 گوگل در حدود 4000 پروژه مبتنی بر یادگیری عمیق برای خود تعریف کرد.
صفحه 7:
صفحه 8:
مزايا و چالشها
je * * چالشها:
* یادگیری خودکار ویزگیها * پشتوانه تتوری ضعیف
* یادگیری چند لایه ویزگیها * هزینه محاسباتی بالا
دقت بالا * نیاز به تعداد داده زياد
* قدرت تعمیم بالا
: * دشوار تنظيم يارامترها
انى سخت افزارى و نرم افزارى
يتانسيل ايجاد قابليتهاى بيشتر
* مشکلات آموزش
صفحه 9:
انواع روشهای یادگیری عمیق
* يادكيرى بدون نظارت
* یادگیری با نظارت
* یادگیری نیمه نظارتی
Reinforcement Learning يادكيرى تقويتى *
صفحه 10:
یادگیری بدون نظارت
* فرآیند یادگیری ماشین بدون راهنمایی انسان
* یادگیری در شباهتهای ذاتی دادهها و خوشهبندی آنها
* یادگیری ویزگیها از دادههای بدون برچسب
* کاهش بُعد دادهها
* روشهای PCI/LDA/ICE/K-Means :3,lee
* روشهای معروف: ۷۸ ,0۸۷ ,ت۸۵
صفحه 11:
یادگیری بدون نظارت
Jue
PC,
صفحه 12:
AUTOENCODER ی
“bottleneck”
صفحه 13:
13
صفحه 14:
خود رمزنگار (۸) عمیق
* آموزش خود رمزنگار عمیق:
* در لایه اول یک خود رمزنگار ساده ایجاد ميشود.
* داده های بازسازی شده نادیده گرفته
* ویژگیها به عنوان ورودی یک خودرمزنگار انتخاب
میشوند.
* با کمک روشهای بانظارت و کلاس بندی.
برچسبهای جدید انتخاب میشوند.
* عملیات دیکد كردن به صورت معکوس انجام
ميشود تا مجدد به داده اولیه برسیم.
Output
Features |
صفحه 15:
خود رمزنگار (۸1)
؟ کاربردها
Bas"
* فشردهسازی داده
* یادگیری بدون نظارت ویژگیها
* یادگیری فضای داده
صفحه 16:
Generative Adversarial Network
0
Real
Fake
Discriminator
‘Sample
‘Sample
Real world
Generator
5
Latent random variable
صفحه 17:
Generative Adversarial Network
Face Aging,
؟ کاربردها
* تولید داده جدید
* اصلاح دادهها
* تغيير شكل دادهها
* ایجاد محصولات هنرى
* كرافيى
oe
* موسیقی
صفحه 18:
Generative Adversarial Network
* مثال
صفحه 19:
Generative Adversarial Network
صفحه 20:
یادگیری با نظارت
* فرآیند یادگیری ماشین با راهنمایی انسان
* ۷ یکیاز معروفتریزیوشم!
؟ کاربردها:
* کلاسبندی / بخشبندی دادهها
* یادگیری ویژگیها از دادههای با ببچسب
صفحه 21:
شبکههای عصبی کانولوشنی (CNN)
* ویزگیها:
* استفاده از لابههای کانولوشن (00:۷) و (pooling) ssl (gals
* استفاده از وزنهای پنجرهای (فیلترها)
* استفاده از چند فیلتر در هر لایه ( چند خروجی در هر لایه )
* مناسب برای دادهیهای تصویری
صفحه 22:
شبکههای عصبی کانولوشنی (6(0)
= car
= rrueK
= van
0 Do -atercie
ruuy.
INPUT ب سف POOLING CONVOLUTION + RELU POOLING ۳ سا مهس
FEATURE LEARNING CLASSIFICATION
صفحه 23:
یتون قدرتمندترین زبان در یادگیری عمیق.
آموزشی برای کار MatConvNet SLs b در متلب:
http ://deeplearning.ir/%D8%A2%D9%85%DI%88%D8%B2%D8%B4-%DI%88%DB *
I%8BC%DB%AF%DB%AO%DI%88%DB%8C%DB%8C-matconvnet
* مثالی از یادگیری عمیق (شبکه عصبی [)) در متلب.
صفحه 24:
منابع
* https ://github.com/karpathy/convnetjs by Andrej Karpathy
* https ://github.com/nightrome/really-awesome-gan by Holger Caesar
http ://deeplearning.ir Sly) gre Sp Sb 09,5 وبسایت *
http ://shahaab-co.ir وبسايت شركت يردازشكران شهاب *
تصاویر موجود در اسلایدها از طريق موتور جستجوكر كوكل يافته شدهاند. *