خلاصه دوره یادگیری عمیق

امروزه ساخت سیستمی هوشمند که توانایی استخراج بازنمایی سطح بالا از داده ها را داشته باشد، در بسیاری از مسائل مرتبط با هوش مصنوعی الزام و ضروری است. استدلال های نظری و بیولوژیکی نشان می دهد که برای ساخت چنین سیستم هایی، نیاز به مدل هایی با معماری عمیق است که شامل بسیاری از لایه های پردازش غیرخطی هستند.
یادگیری عمیق، زیرمجموعه ای از روش های یادگیری ماشین می باشد که از آن به عنوان یادگیری بازنمایی نیز نام برده می شود. یادگیری بازنمایی یا یادگیری ویژگی ها، تکنیکی است که به ماشین این توانایی را می دهد تا روابط را از داده های خام به صورت خودکار کشف کند. این توانایی مهم و مشخصه اصلی یادگیری عمیق، با یادگیری در لایه های مختلف در ساختار شبکه امکان پذیر می شود.
تا قبل از پیدایش یادگیری عمیق، روش های یادگیری ماشین سنتی، بیش از حد به بازنمایی هایی که از داده ها بدست می آورند، وابسته بودند. این روش ها، نیاز به یک متخصص در دامنه موضوع داشت تا استخراج ویژگی ها را به صورت دستی انجام دهد. حال آن که، این استخراج ویژگی ها به صورت دستی فرآیندی چالش انگیز و زمانبر است. پیدایش یادگیری عمیق توانست به سرعت جایگزین این روش های سنتی شود. چرا که می توانست استخراج ویژگی ها را به صورت خودکار متناسب با هر مساله بدست آورد.
در چند ین سال اخیر، یادگیر ی عمیق به محرک اصلی راه حل ها ی نوآورانه برای مسائل هوش مصنوعی تبدیل گردیده که این امر با افزایش مقدار داده های موجود، افزایش منابع محاسباتی و تکنیک های بهبودیافته در آموزش شبکه های عمیق امکانپذیر شده است. یادگیری عمیق امروزه فراهم ساز تغییرات گسترده در صنعت فناوری شده است، از همین رو درک و نحوه کار یادگیری عمیق برای افراد متخصص نرم افزاری در دنیای امروز، مفید، ضروری و لازم خواهد بود.

دوره حاضر با بهره گیری از جدیدترین مراجع علمی برای طیف گستردهای از پژوهشگران، دانشجویان، صاحبان صنایع و علاقه مندان به یادگیری عمیق، تالیف و گردآوری گردیده تا بتوانند دانش کافی از اصول و مفاهیم اساسی در این زمینه را بدست آورند. همچنین، از آنجایی که این دوره مطالب مورد نیاز برای درس یادگیری عمیق در مقطع تحصیلات تکمیلی را پوشش می دهد، می تواند مرجع مناسبی برای این درس و همچنین درس اختیاری دانشجویان سال آخر کارشناسی در رشته مهندسی کامپیوتر باشد. از همین رو تمام تلاش براین بود تا مطالب دوره را به شیوهای ساده، روان و قابل فهم، به همراه مثال هایی برای درک بهتر ارائه کنیم تا برای این طیف گسترده از خوانندگان قابل درک باشد.