کاربرد شبکه های عصبی و یادگیری ماشین در حوزه های مختلف( بخش دوم)

|
۰ دیدگاه
تصویر شاخص

در مطلب قبل در خصوص استفاده زا شبکه های عصبی و یادگیری ماشینی و همچنین ترغیب و تشویق افراد به استفاده از این علوم در حوزه هایی که تصمیم گیری حرف اول را در آن ها می زند صحبت کردیم. در این مطلب به معرفی مفاهیم پایه شبکه های عصبی و یادگیری ماشینی و همچنین توانایی سیستم CSAIL در رتبه دهی و پرسش و پاسخ می پردازیم.

به گزارش کلیک، همان طور که در مطلب قبل قول داده بودیم در این مطلب به بیان مفاهیم پایه و همچنین گزارش نتایج حاصله از استفاده یک سیستم مبتنی بر شبکه های عصبی و یادگیری عمیق برای رتبه بندی و پرسش و پاسخ مپردازیم. شاید اولین موضوعی که ذهن افراد را به خود مشغول می کند استفاده از نام شبکه عصبی برای این شاخه از علم کامپیوتر است. در واقع ساختار مغز انسان که شامل مجموعه ای از شبکه های عصبی است در این علم به نحوی نه چندان پیچیده تقلید شده است و از این رو نام شبکه های عصبی برای این شاخه از علوم کامپیوتر انتخاب شده است. ساختار استفاده شده برای سیستم های طراحی شده در شبکه های عصبی شامل تعداد زیادی گره است که در واقع جایگزین عصب های مغز انسان هستند. این گره قادر به انجام محاسبات بسیار پیچیده نیستند بلکه تنها قادر به انجام محاسبات بسیار ساده هستند. اما به دلیلی تجمع گره های زیاد در یک شبکه عصبی، انجام محاسبات پیچیده توسط کل شبکه عصبی امکان پذیر است. هر گره به گره دیگر با استفاده از یکسری اتصالات متصل است.

در کاربردهایی مثل یادگیری عمیق با استفاده از شبکه های عصبی، داده های آموزشی به ورودی گره ها داده می شود که در هر گره یکسری عملیات روی آن ها انجام می شود و به گره بعدی فرستاده می شود و به همین ترتیب تا آخرین کره اطلاعات ارسال می شود. ارزش اطلاعات خروجی این شبکه عصبی بسته به نوع اطلاعاتی است که به عنوان داده های آموزشی به این شبکه عصبی داده شده است تا از روی آن یاد گیری انجام شود. این داده های آموزشی می تواند تصویر باشد یا متن و یا هر داده دیگر.

در طول مرحله آموزش شبکه، عملکرد هر گره مرتباً تغییر داده می شود تا بهترین نتیجه از کل شبکه عصبی طراحی شده به دست آید. در پایان این روند، مهندسان کامپیوتر که این شبکه عصبی را طراحی کرده اند هم نمی دانند که تنظیمات هر گره به چه شکلی در آمده است چون این موضوع که داده های خام چگونه تبدیل به اطلاعات هوشمند شده اند که می توانند در تصمیم گیری به ماشین کمک کنند کمی سخت و پیچیده است.

اما در تحقیقی که توسط سه دانشمند به نام های لی، بارزیلای و ژاکولا که بر روی فعال سازی قدرت تصمیم گیری شبکه عصبی انجام شده است، از داده های متنی استفاده شده است. سیستم طراحی شده در این تحقیق CSAIL نام دارد. در این تحقیق به منظور فعال سازی قدرت تصمیم گیری شبکه های عصبی، شبکه عصبی به دو بخش تقسیم شده است. در اولین بخش اجزای تشکیل دهنده متن استخراج می شود. این اجزا بر اساس طول و میزان هم بستگی آن ها رتبه بندی و امتیاز دهی می شوند. هرچه جزء استخراج شده کوتاه تر باشد و از طرفی کلمات تشکیل دهنده آن بخش وابسته تر باشند امتیاز بالاتری به خود اختصاص خواهد داد.

اجزا انتخاب شده توسط بخش اول شبکه به بخش دوم شبکه انتقال داده می شوند. در این بخش اعمال مربوط به پیش بینی و تصمیم گیری اجرا می شود. این دو بخش همراه با هم توسط داده های آموزشی، آموزش داده می شوند. هدف این آموزش بالا بردن امتیازات اجزا استخراج شده توسط بخش اول شبکه عصبی و از طرفی بالا تر بردن دقت پیش بینی و تصمیم گیری بخش دوم شبکه عصبی است.

یکی از مجموعه داده هایی که محققان برای آزمایش این سیستم استفاده کره اند مربوط به نظراتی است که کاربران یک سایت در مورد یک نوع نوشیدنی خاص روی آن قرار داده اند. در واقع هدف محققان برای استفاده از این داده ها، استفاده از سیستم CSAIL برای امتیاز دهی به نوعی نوشیدنی خاص بوده است.این مجموعه داده شامل متون خامی است که کاربران آن سایت در مورد امتیاز دهی و همچنین پیشنهادات و انتقادات خود در مورد خصوصیاتی مثل بو، مزه، رنگ و ظاهر شیشه آن نوشیدنی روی وب سایت مورد نظر قرار داده اند است. برای بررسی درستی کار سیستم در امتیاز دهی به نوشیدنی به صورت دستی بر اساس این چهار ویژگی و نظرات کاربران امتیاز دهی شده است.

نکته مهمی که باید در زمینه داده های استفاده شده در هر سیستم مبتنی بر شبکه های عصبی مورد توجه قرار گیرد، اعتبار داده های ورودی است. در سیستم CSAIL داده های مربوط به نظر کاربران در مورد یک نوشیدنی خاص، داده های بسیار مناسبی بوده است. همانطور که گفته شد در این داده ها چهار ویژگی مهم نوشیدنی از قبیل بو، مزه، رنگ و ظاهر شیشه مورد توجه قرار داده شده است.  اگر در بخش اول شبکه عصبی که وظیفه اش استخراج این چهار ویژگی از متون داده شده به سیستم به عنوان ورودی بوده است، هر چهر ویژگی به درستی استخراج شده باشد و وظیفه بخش دوم که امتیاز دهی به این چهار ویژگی بوده است، به درستی انجام شده باشد، بنابراین سیستم کار خود را برای امتیاز دهی به این نوشیدنی خاص به خوبی انجام داده است و درست مطابق با همان امتیاز دهی دستی بوده است که توسط انسان انجام شده است.

مقایسه خروجی سیستم و امتیاز دهی دستی نشان دهنده حدود ۹۵ تا ۹۵ درصد هماهنگی میان نتایج بررسی خصوصیات ظاهر شیشه و بو و ۸۰ درصد هماهنگی و انطباق میان ویژگی هایی است که ممکن است ابهام بیشتری در روش بیان نظرات کاربران در مورد آن ویژگی ها وجود داشته باشد، است.

این محققان همچنین اعلام کرده اند که از این سیستم در کاربردهایی مثل سیستم های پرسش و پاسخ استفاده کرده اند که داده های آموزشی آن به صورت آزاد و بدون هیچ گونه محدودیت در ساختار به سیستم داده شده است. نتایج این آزمایش نشان داده است که سیستم توانسته است برای هر پرسش یک پاسخ نسبتا مناسب ارائه دهد.

بر اساس گفته طراحان این سیستم مبتنی بر شبکه عصبی، CSAIL می تواند در بسیاری از کاربردها که در آن ها نیاز به جوابگویی به پرسش ها است استفاده شد. همچنین این محققان ادعا کرده اند که از سیستم خود در بسیاری از کاربردهای پزشکی و آزمایشگاهی نیز استفاده کرده اند که نتایج قابل قبولی داشته است. البته این نتایج هنوز منتشر نشده است.

0 پسندیده شده
سمیه شماعی زاده
لیسانس کامپیوتر گرایش نرم افزار و لیسانس زبان انگلیسی و ارشد زبانشناسی رایانشی یا مهندسی پردازش زبان طبیعی هستم. عاشق دنیای کامپیوتر و یادگیری زبانهای جدید هستم.
از این نویسنده

بدون دیدگاه

جهت ارسال پیام و دیدگاه خود از طریق فرم زیر اقدام و موارد زیر را رعایت نمایید:
  • پر کردن موارد الزامی که با ستاره قرمز مشخص شده است اجباری است.
  • در صورتی که سوالی را در بخش دیدگاه مطرح کرده باشید در اولین فرصت به آن پاسخ داده خواهد شد.