‌ برای تعریف شبکه عصبی و کاربردهاش، نیازه که همین اول بهتون مفهوم یادگیری عمیق و تفاوت اصلی اون با حوزه «یادگیری ماشین» (Machine Learning) توضیح بدم. ‌ خوب به حرفام گوش بدین ❤️👇

در مرحله بعد باید بدونین که یادگیری ماشین و یادگیری عمیق چه تفاوت هایی دارن! ‌از روی عکس چه چیزی رو متوجه شدین؟🤔

روش‌های یادگیری ماشین قدیمی مثل: ✅ «درخت تصمیم» (Decision Tree) ✅ «ماشین بردار پشتیبان» (Support Vector Machine | SVM) ✅ «دسته‌بند بیز ساده» (Naïve Bayes Classifier) ✅«رگرسیون لجستیک» (Logistic Regression) رو نمیتونیم به‌طور مستقیم بر روی داده‌های خام نظیر فایل‌های CSV، تصاویر و متن ها برای یادگیری داده‌ها اعمال کنیم. یا اینکه، باید با استفاده از مرحله: «پیش‌پردازش» (Preprocessing) از داده‌های خام، ویژگی‌هایی رو به عنوان بازنمایی داده‌های خام استخراج کنیم تا از این ویژگی‌ها به عنوان ورودی الگوریتم‌های یادگیری ماشین استفاده بشه. ‌

‌ برای درک بهتر تفاوت #یادگیری_ماشین و #یادگیری_عمیق میتونیم از مثال ملموسی استفاده کنیم که توی این تصویر باهم میبینیم. اگر یه #برنامه_نویس قصد داشته باشه مدلی رو با استفاده از روش‌های یادگیری ماشین آموزش بده تا عکس‌های شامل تصاویر ماشین رو از تصاویر غیرماشین جدا کنه، باید اول ویژگی‌هایی رو برای تصاویر ماشین تعریف کنه تا مدل یادگیری ماشین با استفاده از اون‌ها به شناسایی تصاویر ماشین بپردازه.😁 ‌همچین مسیری برای تشخیص ویژگی‌ها، برگرفته از عملکرد #مغز_انسان برای شناسایی اجسامه. راحتتر بگم: مغز انسان با توجه به یک سری ویژگی‌های ورودی مثل شکل جسم، اندازه جسم، وجود یا عدم وجود پنجره، وجود یا عدم وجود چرخ و سایر ویژگی‌ها، در نهایت تصمیم می‌گیره که آیا جسم دیده شده می‌تونه به عنوان ماشین تلقی بشه؟ 🤔 این در حالیه که در یادگیری عمیق، #برنامه_نویس به منظور شناسوندن داده‌ها به مدل، کار اضافه‌ای انجام نمی‌ده و مدل در حین آموزش برای دسته‌بندی تصاویر، ویژگی‌های ماشین رو به‌طور خودکار یاد می‌گیره!!!! خیلی عجیبه نه؟😳😧 ‌

عکس مثال رو هم براتون آوردم که کامل بفهمید😁 این تست ربات گوگل رو تقریبا همه ما دادیم دیگه، حالا متوجه شدین اصلا چطوری درست میشه و یه #هوش_مصنوعیه؟؟ ‌

حالا تازه رسیدیم به اصل مطلببب😌😂 این شما و این #شبکه‌های_عصبی🤩🥳😂 یه لحظه برگردین و این متن رو بخونین👇 https://eitaa.com/codena/1838 تا اینجا اوکی شد؟؟؟

‌ شبکه عصبی از چندین لایه تشکیل می‌شه که حداقل تعداد این لایه‌ها، 3 لایه‌ست: ⚜«لایه ورودی» (Input Layer) ⚜«لایه میانی | پنهان» (Hidden Layer) ⚜«لایه خروجی» (Output Layer) هر لایه شبکه عصبی شامل مجموعه‌ای از گره‌ها یا «نود» (Nodes) هست که عملکردی شبیه به «نورون‌های» (Neurons) مغز انسان دارن🧠. ‌

‌ تازه انواع شبکه های عصبی هم داریم😂🤦‍♂ اینها از لحاظ ساختار، جریان داده، تعداد و نوع نورون‌های لایه‌ها، تعداد لایه‌ها و سایر موارد با همدیگه تفاوت دارن. شبکه عصبی «پرسپترون» (Perceptron) «شبکه عصبی پیش‌خور» (Feed Forward Neural Network) شبکه عصبی «چند لایه پرسپترون» (Multilayer Perceptron) «شبکه عصبی پیچشی» (Convolutional Neural Network) «شبکه عصبی تابع پایه شعاعی» (Radial Basis Function Neural Network) «شبکه عصبی بازگشتی» (Recurrent Neural Network) «مدل‌های رمزگذار-رمزگشا» (Encoder-Decoder Models) «شبکه‌ عصبی ماژولار» (Modular Neural Network) ‌

‌ میدونستین این مواردی که الان توی دوتا پیام بالایی گفتم هر کدوم یه صفحه A4 براشون توضیح و مثال و مطلب دارم؟😶 اگر بخوام بنویسم اول انگشت های خودم میفتن از درد و شماها هم خیلی محترمانه با سرعت از کانال لفت میدین😂🤦‍♂ خیلی تخصصی و غیرقابل فهم برای افرادی هست که هیچ سر رشته ای ندارن. ‌

‌ آقا در کل بخوام بگم کاربردهای شبکه های عصبی زیادن اما برای نمونه میتونم به: ✅«تشخیص الگو» (Pattern Recognition) ✅ «کاهش بُعد تصاویر» (Dimension Reduction) ✅«تشخیص ناهنجاری» (Anomaly Detection) ✅ «بینایی ماشین» (Computer Vision) ✅ «پردازش زبان طبیعی» (Natural Language Processing) ✅تشخیص بیماری، پیش‌بینی قیمت سهام و سایر موارد اشاره کنم. در حالت کلی هم ، کاربردهای شبکه عصبی رو میشه به سه گروه 🔰«دسته‌بندی» (Classify) داده‌ها 🔰 «خوشه‌بندی» (Clustering) داده‌ها 🔰 و مسائل «رگرسیون» (Regression) تقسیم‌بندی کرد که باز هر کدوم دنیایی از مطلبه😂💔 ‌

‌ من خودم به شخصه از این #شبکه‌های_عصبی اصلاااا خوشم نمیاد. به شدت حوصله سربر، سخت، درگیر ریاضیات و جبر و کلی چیزای دیگست. حالا به نظر شما، آیا اصلا مبحث جذابیه و ارزش یادگیری رو داره؟🤔 منتظرتونم❤️👇 @CodenaSupport ‌ مطالب امشب رو از اینجا شروع به خوندن کنین: https://eitaa.com/codena/1838

شاهد از غیب رسید😂🤦‍♂ من هرچی زور زدم که نتونستم جذبش بشم امیدوار ام متخصصینش بترکونن😁❤️