یادگیری عمیق در مقابل یادگیری ماشین کلاسیک
چند سالیه که یادگیری عمیق (Deep Learning) شدیدا محبوب شده، غول های تکنولوژی مثل Google, Amazon, Facebook, Alibaba, Microsoft و صد ها شرکت دیگه ازش استفاده می کنن و سعی دارن تو رقابت پیروز میدان بشن.
همین چند وقت پیش بود که Google دستیار جدیدش رو معرفی کرد، که بسیار شبیه انسان صحبت میکنه و خیلی دقیق جملات رو میفهمه، این با یادگیری عمیق انجام شده.
یادمه که خیلی قدیم تر وقتی میخواستم با کتابخانه OpenCV و با استفاده از Haar Cascade Classifier برنامه ای بنویسم که تشخیص چهره انجام بده، هم سرعت جالب نبود هم دقت پایین بود.
اما الان با یادگیری عمیق شرایط خیلی تغییر کرده، الان با بالاترین سرعت روی ضعیف ترین سخت افزارها، میشه تشخیص چهره انجام داد.
دور نیست زمانی که اکثر شغل ها توسط هوش مصنوعی تصاحب میشن، فرض کنید ربات هایی که کار کشاورزی، ساختمان سازی، آموزش و معلمی و هر کاری انسانی رو انجام بدن، حتی برنامه نویسی.
سوالی که برای علاقه مندان به یادگیری ماشین پیش میاد اینه که: آیا یادگیری عمیق، همیشه از متدهای دیگه بهتر عمل میکنه؟
جواب اینه که به صورت تئوری، اثبات نشده که یادگیری عمیق از بقیه روش ها بهتر عمل میکنه.
اصلا یادگیری عمیق ی عبارت خیلی کلیه، این که شما به چه سبک و روشی، شبکه عصبی عمیق رو میسازین و چه جور داده هایی و با چه حجمی بهش ورودی میدین و چجوری train میکنین شبکه رو و فاکتورهای دیگه، روی خروجی کار اثر داره.
در عمل مقایسه هایی انجام شده که مثلا DNN ها (Deep Neural Network) توی پردازش گفتار و صوت، پردازش زبان طبیعی، انجام بازی های رایانه ای و پردازش تصویر از بقیه روش ها خیلی خیلی بهتر عمل کرده.
مثلا نمودار زیر رو ببینید که چطور یک CNN عمیق (deep Convolutional Neural Network)، با دقتی مشابه دقت انسان تصاویر رو پردازش میکنه.
یادگیری عمیق با داده های کم خوب عمل نمیکنه، اما هر چی بیشتر داده بهش بدیم، دقتش بالاتر میره
مرحله Train کردن داده ها برای یادگیری عمیق، سخت افزار قوی تری میخواد و زمان خیلی بیشتری میبره
یادگیری، یادگیری عمیق، کار سخت تریه در مقابل روش های یادگیری ماشین کلاسیک که فهم و درکشون راحت تره