هسته یاد گیری عمیق دانشگاه علوم پزشکی اصفهان

هسته یاد گیری عمیق دانشگاه علوم پزشکی اصفهان

شبکه‌های عصبی مصنوعی یا شبکه‌های عصبی صناعی (Artificial Neural Networks - ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوین برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده هستند. ایدهٔ اصلی این گونه شبکه‌ها تا حدودی الهام‌گرفته از شیوهٔ کارکرد سیستم عصبی زیستی برای پردازش داده‌ها و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است [1]. ساختار زیر شمایی از شبکه عصبی را نشان می دهد [2].


یادگیری عمیق (Deep learning) یک زیر شاخه از یادگیری ماشینی و بر مبنای مجموعه‌ای از الگوریتم‌ها است که در تلاش هستند مفاهیم انتزاعی سطح بالا در دادگان را مدل نمایند که این فرایند را با استفاده از یک گراف عمیق که دارای چندین لایه پردازشی متشکل از چندین لایه تبدیلات خطی و غیر خطی هستند، مدل می‌کنند.با تمام این تفاسیر می توان به تقابل بین مفاهیم زیر پرداخت[3] .

 

به بیان دیگر پایه آن بر یادگیری نمایش دانش و ویژگی‌ها در لایه‌های مدل است. یک نمونه آموزشی مانند تصویر یک گربه را می‌تواند به صورت‌های گوناگون بسان یک بردار ریاضی پر شده از مقدار به ازای هر پیکسل و در دید کلی تر به شکل یک مجموعه از زیرشکل‌های کوچک‌تر (نظیر اعضای صورت گربه) مدل سازی شود [4].  



برخی از این روش‌های مدل سازی سبب ساده شدن فرایند یادگیری ماشین می باشند. در یادگیری ژرف امید به جایگزینی استخراج این ویژگی‌های تصویر به دست بشر (مانند اعضای گربه) با روش‌های کامل خودکار ‌بی‌نظارت و نیمه نظارتی وجود دارد. انگیزه نخستین در بوجود آمدن این ساختار یادگیری از راه بررسی ساختار عصبی در مغز انسان الهام گرفته شده‌است که در آن یاخته‌های عصبی با فرستادن پیام به یکدیگر درک را امکان‌پذیر می‌کنند. بسته به فرض‌های گوناگون در مورد نحوهٔ اتصال این یاخته‌های عصبی، مدل‌ها و ساختارهای مختلفی در این حوزه پیشنهاد و بررسی شده‌اند، هرچند که این مدل‌ها به صورت طبیعی در مغز انسان وجود ندارد و مغز انسان پیچیدگی‌های بیشتری را دارا است. این مدل‌ها نظیر شبکه عصبی عمیق، شبکه عصبی پیچیده ، شبکه باور عمیق پیشرفت‌های خوبی را در حوزه‌های پردازش زبان‌های طبیعی، پردازش تصویر ایجاد کرده‌اند. باید حاطر نشان نمود در روش های کلاسیک کاربر با استخراج ویژگی های مختلف در آموزش ماشین کمک کار بوده است. به کمک این روش ها می توان کاربر را از میان آن حذف نمود [5].


 

در این آموزش به کمک شبکه عصبی چندین لایه ای می توان ویژگی های میانی را دید. در یر شمایی از این ویژگی ها نمایش داده شده است [6].



پردازش های یادگیری عمیق در تصویر زیر به این صورت است که می توان در لایه های مختلف صورت گیرد.

نرم افزار های مورد استفاده در این پژوهش به صورت زیر می باشند. از لینک مورد نظر می توانید این نرم افزار ها را دانولد نمایید.

matlab :  لینک  1 - 2018  

python :  لینک  1 -نسخه 3.7     

Tensor flow  لینک   

keras: لینک 

در این بین اتحاد مثلث زیر برای یادگیری عمیق بسیار کارا است.



بخشهای اخیرا به روز شده  

در تلگرام ما را دنبال کنید.

سوالات متداول


اعضای هسته

دکتر علی رضا ورد ( عضو هیات علمی دانشگاه علوم پزشکی اصفهان) 


دانشجوی دکترای مهندسی پزشکی صادق موسوی

دانشجوی دکترای مهندسی پزشکی  حامد آقاپناه




دانشجوی دکترای مهندسی پزشکی لیلا جعفری


دانشجوی کارشناسی ارشد مهندسی پزشکی رامین افراه


دانشجوی کارشناسی ارشد  خانم طوفانی


تماس با ما   

references 

[1] https://fa.wikipedia.org/wiki
[2] http://didarc.com/fa/news/deep-learning-mechanism
[3] https://chistio.ir/
[4] https://medium.com/m/
[5] https://www.xenonstack.com/blog/data-science/log-analytics-deep-machine-learning-ai/
[6] https://www.eqtr.com/ideas/posts/2018/06/embedding-layers-in-deep-learning/




Search projects

Recent Posts