یادگیری عمیق نوعی یادگیری ماشین است که از یک نوع خاصی از مدل به نام «شبکه‌های عصبی عمیق» (Deep Neural Networks) استفاده می‌کند.
شبکه‌های عصبی نوعی مدل یادگیری ماشین هستند که از ساختاری مشابه نورون‌های مغز انسان برای انجام محاسبات و پیش‌بینی استفاده می‌کنند. نورون‌ها در شبکه‌های عصبی در لایه‌های مختلف طبقه‌بندی می‌شوند و هر لایه یک سری محاسبات ساده انجام می‌دهد و پاسخ آن را به لایه‌ی بعدی منتقل می‌کند. هر چه تعداد لایه‌ها بیشتر باشد، می‌توان محاسبات پیچیده‌تری انجام داد.
شبکه‌های عصبی عمیق به‌خاطر تعداد زیاد لایه‌های نورونی «عمیق» نامیده می‌شوند
مثلا برای مثال انجیرها، یک شبکه‌ی ساده با چند لایه نورون کافی است تا جواب مسئله را پیش‌بینی کند. اما شبکه‌های عصبی عمیق ده‌ها یا حتی صدها لایه دارند و دقیقا به همین دلیل به آن‌ها عمیق می‌گویند. با این همه لایه می‌توانید مدل‌های بی‌نهایت قدرتمندی بسازید که قادرند بی‌نیاز از قوانین تعیین‌شده توسط انسان‌ها، انواع و اقسام مفاهیم پیچیده را خودشان یاد بگیرند و از پس مسائلی که کامپیوترها قبلا از حل آن‌ها عاجز بودند، برآیند.
اما به جز تعداد لایه، عامل دیگری نیز باعث موفقیت شبکه‌های عصبی شده و آن آموزش است.
وقتی از «حافظه» مدل صحبت می‌کنیم، منظورمان مجموعه‌ای از پارامترهای عددی است که بر نحوه‌ی پاسخ‌دهی مدل به سوالات، نظارت می‌کند. از این رو، وقتی از آموزش مدل حرف می‌زنیم، منظورمان تغییر و تنظیم این پارامترها به‌گونه‌ای است که مدل بهترین پاسخ ممکن را به سوالات ما بدهد.
مثلا با مدل انجیرها، ما سعی داشتیم معادله‌ای برای رسم یک خط بنویسیم که یک مسئله‌ی رگرسیون ساده است و فرمول‌هایی وجود دارند که می‌توانند تنها در یک مرحله، جواب سوال ما را پیدا کنند. اما مدل‌های پیچیده‌تر طبیعتا به مراحل بیشتری نیاز دارند. یک شبکه‌ی عصبی عمیق می‌تواند میلیون‌ها پارامتر داشته باشد و مجموعه داده‌ای که براساس آن آموزش دیده ممکن است با میلیون‌ها مثال رو‌به‌رو شود؛ برای این مدل، هیچ راه‌حل یک‌مرحله‌ای وجود ندارد.
می‌توان کار را با یک شبکه عصبی ناقص شروع و در ادامه آن را بهتر کرد
خوشبختانه برای این چالش، یک ترفند عجیب وجود دارد؛ اینکه می‌توان کار را با یک شبکه‌ی عصبی ضعیف و ناقص شروع کرد و بعد با انجام تغییرات، آن را بهبود بخشید. آموزش مدل‌های یادگیری ماشین با این روش شبیه این است که از دانش‌آموزان مرتب امتحان بگیریم. هر بار جوابی را که مدل فکر می‌کند صحیح است با جوابی که واقعا صحیح است، مقایسه می‌کنیم و به آن نمره می‌دهیم. بعد سعی می‌کنیم مدل را بهتر کرده و دوباره از آن امتحان بگیریم.
منبع : zoomit
