سمینار بررسی الگوریتم های یادگیری عمیق و نقش آن در کلان داده

مقدمه

الگوریتم های یادگیری عمیق یک روش هوش مصنوعی است که ویژگی ها را با ساخت شبکه های چند سطحی یاد می گیرد. نام “عمیق” نشان دهنده استفاده از رویکرد مدل عمیق است و “یادگیری” نشان می دهد که یادگیری ویژگی هدف است.

ما در عصر داده‌های بزرگ زندگی می کنیم و تمامی حوزه‌های علوم و صنعت مقادیر زیادی داده تولید می کنند؛ که ما را با چالش‌های بی سابقه ای در مورد تحلیل و تفسیر این داده‌ها روبرو می کند. به همین دلیل ، نیاز فوری به روشهای جدید یادگیری ماشین و هوش مصنوعی وجود دارد تا بتواند در استفاده از این داده‌ها و الگوریتم های یادگیری عمیق به ما کمک کند.

برخلاف یادگیری ماشینی سنتی، یادگیری عمیق به استخراج دستی ویژگی‌ها نیاز ندارد، بلکه به آموزش مدل‌ها از مقادیر زیادی داده نیاز دارد. این برنامه نیازی به دانش چندانی از توسعه دهنده در مورد دامنه توسعه ندارد و برای اکثر سناریوها مناسب است.

دانلود سمینار مهندسی کامپیوتر

با داده‌های کافی ارائه شده، می‌تواند ویژگی‌های موجود در داده‌ها را بیاموزد و در نهایت قابلیت‌های طبقه‌بندی یا پیش‌بینی را به دست آورد. نحوه کار برگرفته از نحوه انتقال اطلاعات در بدن انسان است. هدف از یادگیری عمیق ایجاد شبکه های عصبی است که مغز انسان را برای یادگیری تحلیلی شبیه سازی می کند  (Huang.et al و 2023).

یادگیری عمیق زمینه‌های کاربردی گسترده ای شامل تشخیص تصویر (Xu و دیگران ، 2023 ؛( تشخیص گفتار (Mehrish و همکاران ، 2022) ، درک زبان طبیعی (Lauriola و همکاران ، 2024) ، مدل سازی صوتی (Purwins و همکاران 2019) و زیست شناسی محاسباتی می باشد (Leung و همکاران، 2019 ).

هدف از این سمینار بررسی رویکردهای مختلف یادگیری عمیق، معماری های یادگیری عمیق و بررسی نقش آن در تجزیه و تحلیل داده های بزگ می باشد.

فهرست مطالب

فصل 1: بررسی الگوریتم های یادگیری عمیق

1-1- مقدمه

1-2- بیان مسئله

1-3- 2- تاریخچه  شبکه‌های عصبی

1-3-2- کاربردهای یادگیری عمیق

1-4- معماری شبکه‌های عصبی

1-4-1- مدل نورون مصنوعی

1-5- شبکه‌های عصبی پیشرو ( FFNN)

1-6- شبکه‌های عصبی بازگشتی (RNN)

1-6-1- شبکه‌هاپفیلد

1-6-2- ماشین بولتزمن

1-7- مروری بر معماری شبکه

1-8- شبکه‌های عصبی پیشرو عمیق

1-8-1- شبکه‌های عصبی کانولوشن

1-8-2- بخشهای اصلی شبکه عصبی کانولوشن ( CNN)

1-8-3- مهمترین انوع شبکه‌های عصبی کانولوشن

1-9- شبکه‌های باور عمیق

1-9-1- مرحله قبل از آموزش: بدون نظارت

1-9-2- مرحله تنظیم دقیق: تحت نظارت

1-10- خودرمزگذار

1-11- شبکه‌های حافظه طولانی کوتاه مدت

1-11-2- شبکه عصبی حافظه کوتاه مدت Peephole

8.3 برنامه‌های کاربردی

1-12- خصوصیات عمومی یادگیری عمیق

1-13- تفاوت بین مدل‌های یادگیری عمیق

1-13-2- مدل‌های قابل تفسیر در مقابل مدل‌های جعبه سیاه

1-13-3- داده‌های بزرگ در مقابل داده‌های کوچک

1-13-4- انواع داده‌ها

1-13-5- مدلهای پیشرفته بیشتر

فصل 2: یادگیری عمیق در کلان داده ها

2-1- مقدمه

2-2- مدل‌های یادگیری عمیق برای مقدار عظیمی از داده‌ها

2-3- مدل‌های یادگیری عمیق برای داده‌های ناهمگن

2-4- مدل‌های یادگیری عمیق برای داده‌های بی‌درنگ

2-5- مدل‌های یادگیری عمیق برای داده‌های با کیفیت پایین

2-6- نتیجه گیری

منابع و مآخذ

پيوست‌ها

برخی از منابع

Huang, C., Wang, J., Wang, S., & Zhang, Y. (2024). A review of deep learning in dentistry. Neurocomputing, 126629

Xu, M., Yoon, S., Fuentes, A., & Park, D. S. (2023). A comprehensive survey of image augmentation techniques for deep learning. Pattern Recognition, 109347

Mehrish, A., Majumder, N., Bharadwaj, R., Mihalcea, R., & Poria, S. (2023). A review of deep learning techniques for speech processing. Information Fusion, 101869

Lauriola, I., Lavelli, A., & Aiolli, F. (2022). An introduction to deep learning in natural language processing: Models, techniques, and tools. Neurocomputing, 470, 443-456

Purwins, H., Li, B., Virtanen, T., Schlüter, J., Chang, S. Y., & Sainath, T. (2019). Deep learning for audio signal processing. IEEE Journal of Selected Topics in Signal Processing, 13(2), 206-219

Mall, P. K., Singh, P. K., Srivastav, S., Narayan, V., Paprzycki, M., Jaworska, T., & Ganzha, M. (2023). A comprehensive review of deep neural networks for medical image processing: Recent developments and future opportunities. Healthcare Analytics, 100216.

Sharma, B., Sharma, L., Lal, C., & Roy, S. (2023). Anomaly based network intrusion detection for IoT attacks using deep learning technique. Computers and Electrical Engineering, 107, 108626