یادگیری عمیق: تفاوت میان نسخه‌ها

== کاربردها ==

 

{{اصلی|بینایی رایانه‌ای}}

یکی از نخستین زمینه‌های بسیار موفق برای یادگیری عمیق که پتانسیل بالقوه‌ی این روش در حل مسائل را نشان داد، در حوزه‌ی بازشناسی تصویر رخ داد.

امروزه نیز شبکه‌های عصبی در بینایی رایانه دارای نقشی کلیدی بوده و برای اهداف گوناگونی چون بازشناسی تصویر، تشخیص چهره، رهگیری اجسام، حذف نویز، رنگی‌کردن تصاویر سیاه و سفید، ترمیم تصاویر آسیب‌دیده، [[طبقه‌بندی آماری|رده‌بندی]] تصاویر پزشکی و... به کار می‌رود.<ref>{{یادکرد وب|عنوان=Deep Learning for Computer Vision: A Brief Review|نشانی=https://www.hindawi.com/journals/cin/2018/7068349/|وبگاه=Computational Intelligence and Neuroscience|تاریخ=2018-02-01|بازبینی=2020-11-03|کد زبان=en|نام=Athanasios|نام خانوادگی=Voulodimos|نام۲=Nikolaos|نام خانوادگی۲=Doulamis|نام۳=Anastasios|نام خانوادگی۳=Doulamis|نام۴=Eftychios|نام خانوادگی۴=Protopapadakis}}</ref>

 

{{اصلی|بازشناسی گفتار}}

از دیگر زمینه‌های موفق برای یادگیری عمیق، تشخیص و بازشناسی خودکار گفتار در مقیاس گسترده است که معمولاً توسط مدل‌های مبتنی بر [[شبکه عصبی بازگشتی]] (به ویژه از نوع [[حافظه طولانی کوتاه-مدت|ال‌اس‌تی‌ام]]) و شبکه عصبی هم‌گشتی انجام می‌گیرد.<ref>{{Cite journal|last=Kim|first=John|last2=Saurous|first2=Rif A.|date=2018-09-02|title=Emotion Recognition from Human Speech Using Temporal Information and Deep Learning|url=http://dx.doi.org/10.21437/interspeech.2018-1132|journal=Interspeech 2018|location=ISCA|publisher=ISCA|doi=10.21437/interspeech.2018-1132}}</ref>

 

{{نوشتار اصلی|پردازش زبان‌های طبیعی}}

یادگیری عمیق اثر بزرگی در پیشرفت شاخه‌ی پردازش زبان‌های طبیعی ایجاد کرده و با ایجاد یک چهارچوب مدل‌سازی قدرتمند، به نتایج چشم‌گیری دست یافته است.<ref>{{Cite journal|date=2018|editor-last=Deng|editor-first=Li|editor2-last=Liu|editor2-first=Yang|title=Deep Learning in Natural Language Processing|url=http://dx.doi.org/10.1007/978-981-10-5209-5|doi=10.1007/978-981-10-5209-5}}</ref> به عنوان نمونه، مدل زبانی [[جی‌پی‌تی-۳]] از [[اوپن ای‌آی]] با بهره‌گیری روش‌های یادگیری عمیق قادر به تولید متونی مشابه متون نوشته‌شده توسط انسان است.<ref>{{یادکرد وب|عنوان=OpenAI API|نشانی=https://openai.com/blog/openai-api/|وبگاه=OpenAI|تاریخ=2020-06-11|بازبینی=2020-11-03|کد زبان=en}}</ref>

 

[[سیگنال (مهندسی برق)|سیگنال]]<nowiki/>‌های [[نوار عصب و عضله|الکترومیوگرافی]] می‌توانند به عنوان رابطی میان انسان و ماشین عمل کرده و با تحلیل آن‌ها از مقصود کاربر جهت کنترل تجهیزات گوناگون بهره برد. به عنوان نمونه، افراد دچار نقص عضو می‌توانند اعضایی مصنوعی را جایگزین عضو قطع‌شده‌ی خود کرده و آن‌ها را به شیوه‌ی مؤثری کنترل کنند. و یا با همین روش می‌توان اعضایی کمکی و تقویت‌کننده همچون اسکلت خارجی را کنترل کرد. برای تحلیل این سیگنال‌های خام و ارائه‌ی خروجی مناسب برای کنترل دستگاه، بهره‌گیری از روش یادگیری عمیق می‌تواند بسیار کاربردی باشد.<ref>{{Cite journal|last=Jafarzadeh|first=M.|last2=Hussey|first2=D. C.|last3=Tadesse|first3=Y.|date=2019-09|title=Deep learning approach to control of prosthetic hands with electromyography signals|url=https://ieeexplore.ieee.org/document/8955725/|journal=2019 IEEE International Symposium on Measurement and Control in Robotics (ISMCR)|pages=A1–4–1-A1-4-11|doi=10.1109/ISMCR47492.2019.8955725}}</ref>

 

{{اصلی|سامانه توصیه‌گر}}

سامانه‌های پیشنهادگر از یادگیری عمیق جهت استخراج ویژگی‌های معنادار برای یک مدل [[متغیر پنهان|فاکتورهای پنهان]] به منظور پیشنهادهای محتوا-محور موسیقی و مجله بهره برده‌اند.<ref>{{Cite journal|last=van den Oord|first=Aäron|last2=Dieleman|first2=Sander|last3=Schrauwen|first3=Benjamin|date=2013-03-14|title=Learning a piecewise linear transform coding scheme for images|url=http://dx.doi.org/10.1117/12.2011134|journal=International Conference on Graphic and Image Processing (ICGIP 2012)|publisher=SPIE|doi=10.1117/12.2011134}}</ref><ref>{{Cite journal|last=Feng|first=Xiaoyue|last2=Zhang|first2=Hao|last3=Ren|first3=Yijie|last4=Shang|first4=Penghui|last5=Zhu|first5=Yi|last6=Liang|first6=Yanchun|last7=Guan|first7=Renchu|last8=Xu|first8=Dong|date=2019|title=The Deep Learning–Based Recommender System “Pubmender” for Choosing a Biomedical Publication Venue: Development and Validation Study|url=https://www.jmir.org/2019/5/e12957/|journal=Journal of Medical Internet Research|language=en|volume=21|issue=5|pages=e12957|doi=10.2196/12957|pmc=PMC6555124|pmid=31127715}}</ref> یادگیری عمیق چنددیدگاهی (به انگلیسی: multi-view deep learning) جهت یادگیری ترجیح‌های کاربر از چندین دامنه به کار می‌رود.<ref>{{Cite journal|last=Elkahky|first=Ali Mamdouh|last2=Song|first2=Yang|last3=He|first3=Xiaodong|date=2015|title=A Multi-View Deep Learning Approach for Cross Domain User Modeling in Recommendation Systems|url=http://dx.doi.org/10.1145/2736277.2741667|journal=Proceedings of the 24th International Conference on World Wide Web - WWW '15|location=New York, New York, USA|publisher=ACM Press|doi=10.1145/2736277.2741667|isbn=978-1-4503-3469-3}}</ref>

 

در طرح‌های سرمایه‌گذاری، از یادگیری عمیق برای افزایش [[میزان بازده]] استفاده می‌شود.<ref>{{یادکرد ژورنال|date=3 February 2019|title=Improving Stock Return Forecasting by Deep Learning Algorithm|url=http://amfa.iau-arak.ac.ir/article_666225_caee414cfd0c5ca13b74c66eac651b7b.pdf|journal=Advances in mathematical finance & applications|دوره=۴|شماره=۳|صفحات=۱۳|doi=10.22034/amfa.2019.584494.1173|تاریخ بازبینی=30 May 2019}}</ref>