‌ راستی بچه ها داستان زندگیمو اینجا براتون میذارم اگر دوست داشتین بخونین🥲👇 https://eitaa.com/codena/397 ‌

‌ نظر یکی از بچه های دوره راجع به حرفام گفتم براتون بذارم😁❤️ ‌

الو الو بذار برا رفقای کانال صحبت های امشبم رو بگم بهت زنگ میزنم. _بی مزه😒😂 ‌

‌ سلام علیکم خدمت عزیزای دلممم چطورین خوبین؟ آقا من امروز باغ بودم اصلا اینترنت نداشتم برای همین یکم دیر شد ببخشید🙄❤️ ‌ بریم سراغ ادامه #هوش_مصنوعی😍👇

💢مورد چهارم: شبکه های عصبی الگوریتم‌های یادگیری عمیق از ساختارهای لایه‌ای با نام #شبکه‌های_عصبی استفاده می‌کنن تا بر اساس تجزیه و تحلیل داده‌ها، برای گرفتن تصمیم خاصی، رفتار انسان رو تقلید کنن. طرح این ساختار لایه‌ای، برگرفته از ساختار مغز انسانه و همونطور که مغز انسان به شناسایی الگوهای مختلف داده‌ها و دسته‌بندی انواع اطلاعات می‌پردازه، می‌تونیم #شبکه‌های_عصبی رو به شیوه‌ای مشابه با رفتار مغز انسان آموزش بدیم تا به تشخیص الگوها بپردازن و دسته‌بندی داده‌ها رو انجام بدن! ‌

‌ 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🧠. ‌