تحلیل با رویکرد یادگیری ژرف بر بستر کلانداده
TRANSCRIPT
(2)ن دادهتحلیل با رویکرد یادگیری ژرف بر بستر کالدانشگاه صنعتی شریف، تهران
2کالن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بسترخالوئیمحمد
dataset@: تلگرام [email protected]: ایـمـیـل
محمد خالوئی1395دی 7
دیدکلی از ارائه
یادآوری جلسه گذشته•
مقدمات آماده سازی ذهنی در خصوص شبکه های عصبی ژرف•
بیان بخش های مختلف و پرکاربرد مورد استفاده در طراحی شبکه های عصبی ژرف•
چالش های پیشرو برای استفاده از شبکه های عصبی ژرف•
3هجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کالن دادخالوئیمحمد
خالوئیمحمد
کرد جلسه دوم ارائه علمی تحلیل با روییادگیری ژرف بر بستر کالن داده
4
...یادآوری
http://www.tekshow.com/posts/820
خالوئیمحمد
کرد جلسه دوم ارائه علمی تحلیل با روییادگیری ژرف بر بستر کالن داده
5
...یادآوری
1992 :100GBدر روز
1997 :100GBدر ساعت
2002 :100GBدر ثانیه
2018 :50000GBدر ثانیه
http://www.gereports.com/post/110073426843/big-data-infographic/
خالوئیمحمد
کرد جلسه دوم ارائه علمی تحلیل با روییادگیری ژرف بر بستر کالن داده
6
...یادآوری
منابع داده ای
فعالیت ها•گفتگوها•کلمات•صوت•شبکه اجتماعی•الگ•تصاویر•ویدیو•سنسور•
...و•
حجم
صحت
تنوع
سرعت
تحلیل کالن داده
متن کاویتحلیل معناییتحلیل ویدیوتشخیص چهرهتحلیل صوتتحلیل حرکات و رفتارو...
خالوئیمحمد
کرد جلسه دوم ارائه علمی تحلیل با روییادگیری ژرف بر بستر کالن داده
7
...یادآوریhttps://opensignal.com
ا پوشش دهی اپراتورهدر محدوده فضای
اطراف دانشگاه
Twitterنمونه ای از تحلیل داده های مخابرات•حمل و نقل•کنترل ترافیک•وضعیت آب و هوا•کشف تقلب •بانک و موسسات مالی•
اعتبارسنجی مشتریان•اجتماعیشبکه ••….
خالوئیمحمد
کرد جلسه دوم ارائه علمی تحلیل با روییادگیری ژرف بر بستر کالن داده
8
...یادآوری
https://flink.apache.org/http://hadoop.apache.org/ http://spark.apache.org/
خالوئیمحمد
کرد جلسه دوم ارائه علمی تحلیل با روییادگیری ژرف بر بستر کالن داده
9
...یادآوری
• Tableau
• Qlik
• kibana
• ChartJs
• Raw
• Dygraphs
• …
خالوئیمحمد
کرد جلسه دوم ارائه علمی تحلیل با روییادگیری ژرف بر بستر کالن داده
10
ژرفیادگیری اولبخش
...آماده سازی ذهنی
11هجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کالن دادخالوئیمحمد
http://weknowyourdreams.com/image.php?pic=/images/eagle/eagle-08.jpg
https://commons.wikimedia.org/wiki/File:Raptor-ElmendorfAFB-2009.JPG
...آماده سازی ذهنی
12هجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کالن دادخالوئیمحمد
نرون عصبی
13هجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کالن دادخالوئیمحمد
شبکه ای از نرون های عصبی
14هجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کالن دادخالوئیمحمد
شبکه ای از نرون های عصبی
15هجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کالن دادخالوئیمحمد
شبکه ای از نرون های عصبی
16هجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کالن دادخالوئیمحمد
عصبیاولین ترسیم هایی از نرون های
17الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
Public domain
Dendrites (دندریت)
Soma (هسته)
Axon ( آکسون)
مدل ساده شده نرون عصبی
18هجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کالن دادخالوئیمحمد
هسته مقادیر فعالیت های دندریت ها را به آکسون منتقل میکند•
نرون عصبیمدل ساده شده
19هجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کالن دادخالوئیمحمد
+
هسته مقادیر فعالیت های دندریت ها را به آکسون منتقل میکند•
هرچه دندریت های بیشتری مقدار فعالیت داشته باشند•.مقدار فعالیت آکسون هم بیشتر خواهد بود
مدل ساده شده نرون عصبی
20هجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کالن دادخالوئیمحمد
+
(Synapse)سیناپس
21هجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کالن دادخالوئیمحمد
برای اتصال آکسون های یک نرون •دیگرنرون به دندریت های
انواع مختلف اتصال آکسون های یک نرون به دندریت های نرون دیگر• قوی(Stronger) ضعیف(Weaker) متوسط(between of them)
مدل ساده شده شبکه عصبی
22هجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کالن دادخالوئیمحمد
(0.6مقدار معادل)مثال اتصال متوسط •
مدل ساده شده شبکه عصبی
23هجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کالن دادخالوئیمحمد
(1معادل مقدار )مثال اتصال قوی•
مدل ساده شده شبکه عصبی
24هجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کالن دادخالوئیمحمد
(0.2مقدار معادل)مثال اتصال ضعیف•
مدل ساده شده شبکه عصبی
25هجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کالن دادخالوئیمحمد
(معادل صفر)عدم وجود اتصال •
مدل ساده شده شبکه عصبی
26هجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کالن دادخالوئیمحمد
آکسون نرون های دیگر هرتعداد •می تواند متصل شوددندریت های یک نرون به
هرکدام دارای میزان قوت اختصاصی دارد •
مدل ساده شده شبکه عصبی
27هجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کالن دادخالوئیمحمد
مدل ساده شده شبکه عصبی
28الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
مدل شبیه سازی شده شبکه عصبی
29الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
.8 .9.2.3.5
عصبیشبیه سازی شده شبکه مدل
30الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
عصبیشبیه سازی شده شبکه مدل
31الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
عصبیشبیه سازی شده شبکه مدل
32الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
ACE
A B C D E
عصبیشبیه سازی شده شبکه مدل
33الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
خالوئیمحمد
کرد جلسه دوم ارائه علمی تحلیل با روییادگیری ژرف بر بستر کالن داده
34
یادگیری ژرفدومبخش
آماده سازی ذهنی( آرایه ای از پیکسل ها)در واقع سیستم قرار است از روی عکس ورودی •
!استOیا Xتشخیص دهد که عکس مربوطه •
35هجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کالن دادخالوئیمحمد
X یا OCNN
ماتریس دو بعدی از پیکسل ها
CNNبا Oیا Xمثال تشخیص
36هجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کالن دادخالوئیمحمد
CNN X
CNN O
با قابلیت تعمیم–CNNبا Oیا Xمثال تشخیص
37الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
CNN X
CNN O
جابجاییtranslation
تغییراندازهscaling
(وزن)ضخامت
weight
چرخشrotation
!اما واقعا راه تشخیص چیست؟
38الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
?
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
!درواقع کامپیوتر چه میبیند؟
39الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 1 -1 -1 -1
-1 -1 1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 1 -1 -1
-1 -1 -1 1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
?-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 X -1 -1 -1 -1 X X -1
-1 X X -1 -1 X X -1 -1
-1 -1 X 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 X -1 -1
-1 -1 X X -1 -1 X X -1
-1 X X -1 -1 -1 -1 X -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
!درواقع کامپیوتر چه میبیند؟
40الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 X -1 -1 -1 -1 X X -1
-1 X X -1 -1 X X -1 -1
-1 -1 X 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 X -1 -1
-1 -1 X X -1 -1 X X -1
-1 X X -1 -1 -1 -1 X -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
!!درواقع کامپیوتر ها ریزبین هستند
41الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 1 -1 -1 -1
-1 -1 1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 1 -1 -1
-1 -1 -1 1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
x
!اما واقعا راه تشخیص چیست؟
42الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
(2,2,2,2)
!اما واقعا راه تشخیص چیست؟
43الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
(2,2,2,3)
!چه ایده ای دارد؟ConvNetپس
44الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
=
=
=
...ویژگی های مناسب بدست آمده
45الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 1
-1 1 -1
1 -1 -1
1 -1 1
-1 1 -1
1 -1 1
ConvNetایده
46الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 1
-1 1 -1
1 -1 -1
1 -1 1
-1 1 -1
1 -1 1
ConvNetایده
47الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 1
-1 1 -1
1 -1 -1
1 -1 1
-1 1 -1
1 -1 1
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 1
-1 1 -1
1 -1 -1
1 -1 1
-1 1 -1
1 -1 1
ConvNetایده
48الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 1
-1 1 -1
1 -1 -1
1 -1 1
-1 1 -1
1 -1 1
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 1
-1 1 -1
1 -1 -1
1 -1 1
-1 1 -1
1 -1 1
ConvNetایده
49الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 1
-1 1 -1
1 -1 -1
1 -1 1
-1 1 -1
1 -1 1
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 1
-1 1 -1
1 -1 -1
1 -1 1
-1 1 -1
1 -1 1
ConvNetایده
50الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 1
-1 1 -1
1 -1 -1
1 -1 1
-1 1 -1
1 -1 1
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 1
-1 1 -1
1 -1 -1
1 -1 1
-1 1 -1
1 -1 1
...یک سری رابطه ریاضی پشت قضیه هست: فیلترینگ
را آماده کنیم( patch)و تکه های تصویرماتریس ویژگی 1.
در هر پیکسل از تکه عکسماتریس ویژگیضرب نقطه ای هر پیکسل 2.
جمع همه مقادیر ماتریس بدست آمده3.
ماتریس ویژگیجواب تقسیم بر تعداد پیکسل 4.
51الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
...یک سری رابطه ریاضی پشت قضیه هست: فیلترینگ
52الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
1
...یک سری رابطه ریاضی پشت قضیه هست: فیلترینگ
53الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
1 1
...یک سری رابطه ریاضی پشت قضیه هست: فیلترینگ
54الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
1 1 1
...یک سری رابطه ریاضی پشت قضیه هست: فیلترینگ
55الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
1 1 1
1
...یک سری رابطه ریاضی پشت قضیه هست: فیلترینگ
56الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
1 1 1
1 1
...یک سری رابطه ریاضی پشت قضیه هست: فیلترینگ
57الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
1 1 1
1 1 1
...یک سری رابطه ریاضی پشت قضیه هست: فیلترینگ
58الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
1 1 1
1 1 1
1
...یک سری رابطه ریاضی پشت قضیه هست: فیلترینگ
59الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
1 1 1
1 1 1
1 1
...یک سری رابطه ریاضی پشت قضیه هست: فیلترینگ
60الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1
1 1 1
1 1 1
1 1 1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
1 -1 -1
-1 1 -1
-1 -1 1
...یک سری رابطه ریاضی پشت قضیه هست: فیلترینگ
61الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
11 -1 -1
-1 1 -1
-1 -1 1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
...یک سری رابطه ریاضی پشت قضیه هست: فیلترینگ
62الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
1 1 -1
1 1 1
-1 1 1
...یک سری رابطه ریاضی پشت قضیه هست: فیلترینگ
63الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
1
55
1 1 -1
1 1 1
-1 1 1
درواقع همه حاالت ممکن تطبیق داشتن را بررسی می کند: کانولوشن
64الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
درواقع همه حاالت ممکن تطبیق داشتن را بررسی می کند: کانولوشن
65الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
=
خالوئیمحمد
کرد جلسه دوم ارائه علمی تحلیل با روییادگیری ژرف بر بستر کالن داده
66
نالیه کانولوش
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
=
-1 -1 1
-1 1 -1
1 -1 -1
1 -1 1
-1 1 -1
1 -1 1
=
=
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
درواقع هر عکس به مجموعه ای از عکس های فیلتر شده تبدیل می کند: الیه کانولوشن
67الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1 -1 -1
-1 1 -1
-1 -1 1
-1 -1 1
-1 1 -1
1 -1 -1
1 -1 1
-1 1 -1
1 -1 1
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
درواقع هر عکس به مجموعه ای از عکس های فیلتر شده تبدیل می کند: الیه کانولوشن
68الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
(Poolingپولینگ؛ )ادغام
69الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
http://ufldl.stanford.edu/tutorial/supervised/Pooling/
انتخاب اندازه پنجره 1.
گام حرکتانتخاب2.
حرکت دادن پنجره روی تصاویر فیلتر شده3.
هر پنجره را انتخاب می کنیمبیشترین مقدار در گام آخر؛ 4.
(Poolingپولینگ؛ )ادغام
70الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1.00
0.77 -0.11 0.11 0.33 0.55 -0.11 0.33
-0.11 1.00 -0.11 0.33 -0.11 0.11 -0.11
0.11 -0.11 1.00 -0.33 0.11 -0.11 0.55
0.33 0.33 -0.33 0.55 -0.33 0.33 0.33
0.55 -0.11 0.11 -0.33 1.00 -0.11 0.11
-0.11 0.11 -0.11 0.33 -0.11 1.00 -0.11
0.33 -0.11 0.55 0.33 0.11 -0.11 0.77
بیشترین مقدارMaximum
(Poolingپولینگ؛ )ادغام
71الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
بیشترین مقدارMaximum
1.00 0.33
0.77 -0.11 0.11 0.33 0.55 -0.11 0.33
-0.11 1.00 -0.11 0.33 -0.11 0.11 -0.11
0.11 -0.11 1.00 -0.33 0.11 -0.11 0.55
0.33 0.33 -0.33 0.55 -0.33 0.33 0.33
0.55 -0.11 0.11 -0.33 1.00 -0.11 0.11
-0.11 0.11 -0.11 0.33 -0.11 1.00 -0.11
0.33 -0.11 0.55 0.33 0.11 -0.11 0.77
(Poolingپولینگ؛ )ادغام
72الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
بیشترین مقدارMaximum
1.00 0.33 0.55
0.77 -0.11 0.11 0.33 0.55 -0.11 0.33
-0.11 1.00 -0.11 0.33 -0.11 0.11 -0.11
0.11 -0.11 1.00 -0.33 0.11 -0.11 0.55
0.33 0.33 -0.33 0.55 -0.33 0.33 0.33
0.55 -0.11 0.11 -0.33 1.00 -0.11 0.11
-0.11 0.11 -0.11 0.33 -0.11 1.00 -0.11
0.33 -0.11 0.55 0.33 0.11 -0.11 0.77
(Poolingپولینگ؛ )ادغام
73الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
بیشترین مقدارMaximum
1.00 0.33 0.55 0.33
0.33
0.77 -0.11 0.11 0.33 0.55 -0.11 0.33
-0.11 1.00 -0.11 0.33 -0.11 0.11 -0.11
0.11 -0.11 1.00 -0.33 0.11 -0.11 0.55
0.33 0.33 -0.33 0.55 -0.33 0.33 0.33
0.55 -0.11 0.11 -0.33 1.00 -0.11 0.11
-0.11 0.11 -0.11 0.33 -0.11 1.00 -0.11
0.33 -0.11 0.55 0.33 0.11 -0.11 0.77
(Poolingپولینگ؛ )ادغام
74الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
خالوئیمحمد
کرد جلسه دوم ارائه علمی تحلیل با روییادگیری ژرف بر بستر کالن داده
75
الیه ادغامپولینگ؛ )
Pooling)
(Poolingپولینگ؛ )الیه ادغام
76الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
Rectified Linear Units (ReLUs): (Normalizationنرمال سازی؛)هنجارسازی
77الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
https://en.wikipedia.org/wiki/File:Rectifier_and_softplus_functions.svg#/media/File:Rectifier_and_softplus_functions.svg
https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
tanhبا Relueمقایسه تابع
( سادهخط )ReLUبا برای نمایش بهبود شش برابری همگرایی (خط چین)Tanhبا در برابر همگرایی
Rectified Linear Units (ReLUs): (Normalizationنرمال سازی؛)هنجارسازی
78الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
0.77 -0.11 0.11 0.33 0.55 -0.11 0.33
-0.11 1.00 -0.11 0.33 -0.11 0.11 -0.11
0.11 -0.11 1.00 -0.33 0.11 -0.11 0.55
0.33 0.33 -0.33 0.55 -0.33 0.33 0.33
0.55 -0.11 0.11 -0.33 1.00 -0.11 0.11
-0.11 0.11 -0.11 0.33 -0.11 1.00 -0.11
0.33 -0.11 0.55 0.33 0.11 -0.11 0.77
0.77
Rectified Linear Units (ReLUs): (Normalizationنرمال سازی؛)هنجارسازی
79الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
0.77 00.77 -0.11 0.11 0.33 0.55 -0.11 0.33
-0.11 1.00 -0.11 0.33 -0.11 0.11 -0.11
0.11 -0.11 1.00 -0.33 0.11 -0.11 0.55
0.33 0.33 -0.33 0.55 -0.33 0.33 0.33
0.55 -0.11 0.11 -0.33 1.00 -0.11 0.11
-0.11 0.11 -0.11 0.33 -0.11 1.00 -0.11
0.33 -0.11 0.55 0.33 0.11 -0.11 0.77
Rectified Linear Units (ReLUs): (Normalizationنرمال سازی؛)هنجارسازی
80الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
0.77 0 0.11 0.33 0.55 0 0.330.77 -0.11 0.11 0.33 0.55 -0.11 0.33
-0.11 1.00 -0.11 0.33 -0.11 0.11 -0.11
0.11 -0.11 1.00 -0.33 0.11 -0.11 0.55
0.33 0.33 -0.33 0.55 -0.33 0.33 0.33
0.55 -0.11 0.11 -0.33 1.00 -0.11 0.11
-0.11 0.11 -0.11 0.33 -0.11 1.00 -0.11
0.33 -0.11 0.55 0.33 0.11 -0.11 0.77
Rectified Linear Units (ReLUs): (Normalizationنرمال سازی؛)هنجارسازی
81الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
0.77 0 0.11 0.33 0.55 0 0.33
0 1.00 0 0.33 0 0.11 0
0.11 0 1.00 0 0.11 0 0.55
0.33 0.33 0 0.55 0 0.33 0.33
0.55 0 0.11 0 1.00 0 0.11
0 0.11 0 0.33 0 1.00 0
0.33 0 0.55 0.33 0.11 0 0.77
0.77 -0.11 0.11 0.33 0.55 -0.11 0.33
-0.11 1.00 -0.11 0.33 -0.11 0.11 -0.11
0.11 -0.11 1.00 -0.33 0.11 -0.11 0.55
0.33 0.33 -0.33 0.55 -0.33 0.33 0.33
0.55 -0.11 0.11 -0.33 1.00 -0.11 0.11
-0.11 0.11 -0.11 0.33 -0.11 1.00 -0.11
0.33 -0.11 0.55 0.33 0.11 -0.11 0.77
خالوئیمحمد
کرد جلسه دوم ارائه علمی تحلیل با روییادگیری ژرف بر بستر کالن داده
82
Reluالیه
طراحی مثال چندین الیه از موارد فراگیری شده
83الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
(Deep stacking)شده؛ طراحی مثال چندین الیه از موارد فراگیری
84الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
1.00 0.55
0.55 1.00
0.55 1.00
1.00 0.55
1.00 0.55
0.55 0.55
(Fully connected layer)الیه تمام متصل
85الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
1.00 0.55
0.55 1.00
0.55 1.00
1.00 0.55
1.00 0.55
0.55 0.55
1.00
0.55
0.55
1.00
1.00
0.55
0.55
0.55
0.55
1.00
1.00
0.55
(Fully connected layer)الیه تمام متصل (...voting)بحث رأی گیری•
86الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
X
O
1.00
0.55
0.55
1.00
1.00
0.55
0.55
0.55
0.55
1.00
1.00
0.55
(Fully connected layer)الیه تمام متصل
87الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
X
O
(Fully connected layer)الیه تمام متصل
88الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
X
O
0.9
0.65
0.45
0.87
0.96
0.73
0.23
0.63
0.44
0.89
0.94
0.53
(Fully connected layer)الیه تمام متصل
89الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
X
O
0.9
0.65
0.45
0.87
0.96
0.73
0.23
0.63
0.44
0.89
0.94
0.53
(Fully connected layer)الیه تمام متصل
90الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
X
O
0.9
0.65
0.45
0.87
0.96
0.73
0.23
0.63
0.44
0.89
0.94
0.53
(Fully connected layer)الیه تمام متصل
91الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
X
O
0.9
0.65
0.45
0.87
0.96
0.73
0.23
0.63
0.44
0.89
0.94
0.53
(Fully connected layer)الیه تمام متصل
92الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
X
O
0.9
0.65
0.45
0.87
0.96
0.73
0.23
0.63
0.44
0.89
0.94
0.53
(Fully connected layer)الیه تمام متصل
93الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
X
O
(Back Propagation)انتشار رو به عقب
94الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
Error = right answer – actual answer
-1 -1 -1 -1 -1 -1 -1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 -1 -1 1 -1 -1 -1 -1
-1 -1 -1 1 -1 1 -1 -1 -1
-1 -1 1 -1 -1 -1 1 -1 -1
-1 1 -1 -1 -1 -1 -1 1 -1
-1 -1 -1 -1 -1 -1 -1 -1 -1
X
O
(Gradient descent)کاهش گرادیان
95الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
error
(Gradient descent)کاهش گرادیان
96الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
error
...برخی از چالش های پیشرو
پارامترها ی مسئله•
نوع چینش و معماری شبکه•
97الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
(Hyperparameters)پارامتر های سطح باال • Convolution
Number of features
Size of features
• Pooling Window size
Window stride
• Fully Connected Number of neurons
98الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
چالش معماری شبکه
!چند الیه داشته باشیم؟•
!الیه ها به چه ترتیبی چینش شوند؟•
•...
99الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
!آیا فقط بدرد پردازش تصاویر میخورد؟...درواقع هر نوع داده ای که دو یا سه بعدی باشد•
متن صوت تصویر100الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
...محدودیت ها
را ( Spatial)مکانی فقط و فقط الگو های ConvNetنکته مهمی که وجود دارد، •.استخراج می کند
کمتر مفید ConvNetنباشد، ( ماتریس شکل)اگر داده شما تقریبا به شکل یک تصویر •...است
101الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
منابع ارائه:::منابع مختلفی بوده است، اکثر منابع در اسالید ها درج شده اما به طور خالصه •
ارائه های آقایBrandon Rohrer
مطالب اختصاصیUFDLدر سایت استفنورد
102الن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بستر کخالوئیمحمد
@_brohrer_ on Twitter#HowItWorks #[email protected]
http://ufldl.stanford.edu
(2)ن دادهتحلیل با رویکرد یادگیری ژرف بر بستر کالتهرانشریف، صنعتی دانشگاه
103کالن دادهجلسه دوم ارائه علمی تحلیل با رویکرد یادگیری ژرف بر بسترخالوئیمحمد
dataset@: تلگرام [email protected]: ایـمـیـل
محمد خالوئی1395دی
باتشکر از توجهتان
«سوره انشراح( 6)إن مع العسر يسرا ( 5)فإن مع العسر يسرا »| اگر سنگی پیشرو نباشد هیچگاه صدای دلنشین آب را نخواهی شنید