ترجمه مقاله بررسی یادگیری عمیق: روندهای تحقیقاتی در حال ظهور - نشریه IEEE

ترجمه مقاله بررسی یادگیری عمیق: روندهای تحقیقاتی در حال ظهور - نشریه IEEE
قیمت خرید این محصول
۴۹,۰۰۰ تومان
دانلود مقاله انگلیسی
عنوان فارسی
بررسی یادگیری عمیق: پلتفرم ها، برنامه ها و روندهای تحقیقاتی در حال ظهور
عنوان انگلیسی
A Survey of Deep Learning: Platforms, Applications and Emerging Research Trends
صفحات مقاله فارسی
53
صفحات مقاله انگلیسی
21
سال انتشار
2018
رفرنس
دارای رفرنس در داخل متن و انتهای مقاله
نشریه
آی تریپل ای - IEEE
فرمت مقاله انگلیسی
pdf و ورد تایپ شده با قابلیت ویرایش
فرمت ترجمه مقاله
pdf و ورد تایپ شده با قابلیت ویرایش
فونت ترجمه مقاله
بی نازنین
سایز ترجمه مقاله
14
نوع مقاله
ISI
نوع ارائه مقاله
ژورنال
پایگاه
اسکوپوس
ایمپکت فاکتور(IF) مجله
4.342 در سال 2021
شاخص H_index مجله
158 در سال 2022
شاخص SJR مجله
0.927 در سال 2021
شناسه ISSN مجله
2169-3536
شاخص Q یا Quartile (چارک)
Q1 در سال 2021
کد محصول
12486
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه نشده است ☓
وضعیت ترجمه منابع داخل متن
درج نشده است ☓
وضعیت فرمولها و محاسبات در فایل ترجمه
ندارد ☓
ضمیمه
ندارد ☓
بیس
نیست ☓
مدل مفهومی
ندارد ☓
پرسشنامه
ندارد ☓
متغیر
ندارد ☓
فرضیه
ندارد ☓
رفرنس در ترجمه
در انتهای مقاله درج شده است
رشته و گرایش های مرتبط با این مقاله
مهندسی کامپیوتر - مهندسی فناوری اطلاعات - هوش مصنوعی - رایانش ابری - اینترنت و شبکه های گسترده - امنیت اطلاعات
کلمات کلیدی
سیستم های هوشمند انسان محور - یادگیری عمیق - پلتفرم - شبکه های عصبی - برنامه های آینده - اینترنت اشیا - سیستم های سایبری-فیزیکی - بررسی - شبکه و امنیت
کلمات کلیدی انگلیسی
Human-centered Smart Systems - Deep Learning - Platform - Neural Networks - Emergent Applications - Internet of Things - Cyber-Physical Systems - Survey - Networking and Security
doi یا شناسه دیجیتال
https://doi.org/10.1109/ACCESS.2018.2830661
۰.۰ (بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
1. مقدمه
2. مروری بر یادگیری عمیق
3. دسته بندی یادگیری عمیق
4. پلتفرم‌های یادگیری عمیق
5. روند های تحقیقاتی جدید
6. نتایج
منابع
تصاویر فایل ورد ترجمه مقاله (جهت بزرگنمایی روی عکس کلیک نمایید)
       
نمونه چکیده ترجمه متن فارسی
چکیده
یادگیری عمیق از دید عموم به عنوان محصولات و ابزارهای پیش گویانه و تحلیلی به شکل سیستم‌های انسان محور هوشمند جهانی شامل تبلیغات هدفمند، ابزارهای کمکی زبان طبیعی و مترجمان شفاهی، سیستم‌های وسایل نقلیه خودران و غیره گسترش یافته‌اند. البته، مکانیزم های اصلی که موجب ایجاد این محصولات هوشمند انسان محور می‌شوند، به شکل مبهم باقی مانده‌اند. از طرف دیگر، محققان در حوزه‌های مختلف از یادگیری عمیق در تحقیقات خود به منظور حل مسائلی که پیشتر قابل بررسی نبودند، بهره برده‌اند. ما در این مقاله در پی بررسی کامل یادگیری عمیق در برنامه‌ها و مکانیزم های آن هستیم. به ویژه، با بررسی مجموعه دسته بندی شده از آخرین پیشرفت‌های علمی در تحقیقات یادگیری عمیق، ما در پی ارائه یک مرجع بزرگ برای افرادی که در ابتدای مسیر آشنایی با یادگیری عمیق و کاربردها، پلتفرم‌ها، الگوریتم‌ها و استفاده‌های مختلف از آن در انواع سیستم‌های هوشمند جهانی هستند، خواهیم بود. علاوه براین، ما در پی بررسی پیشرفت‌های مهم اخیر در زمینه تکنولوژی و ایجاد نگرش مناسب نسبت به این حوزه‌ها و بیان تأثیر یادگیری عمیق در بهبود ارزیابی‌ها بوده و از سویی به حوزه‌های تحقیقاتی جدید که می‌توانند از یادگیری عمیق بهره برده اما همچنان از این رویکرد استفاده نکرده‌اند، اشاره می‌کنیم. ما امیدواریم که این بررسی تبدیل به مرجعی ارزشمند برای کارشناسان و فعالان حوزه یادگیری عمیق و همچنین افرادی شود که در پی ایجاد نوآوری در زمینه یادگیری عمیق هستند.

 

مروری بر یادگیری عمیق
یادگیری ماشین شامل طیف وسیعی از فرآیندهای پیاده‌سازی الگوریتمی است که همگی آن‌ها تحت عنوان یادگیری عمیق قابل دسته‌بندی نیستند. به‌طور مثال، هرچند که الگوریتم‌های منفرد شامل مکانیزه‌های آماری ازجمله الگوریتم‌های بیزی، تقریب توابع مانند رگرسیون خطی و لجستیک یا درخت‌های تصمیم از قدرت و کارایی بالایی برخوردار هستند، اما توانایی آن‌ها محدود به یادگیری نمایش‌های داده‌ای پیچیده است. یادگیری عمیق نسبت به نظریه‌های شناختی و اطلاعاتی توسعه‌یافته است و در پی تقلید از فرآیند یادگیری رشته‌های عصبی انسان و ایجاد ساختارهای عصبی پیچیده متصل‌به‌هم است. به‌عنوان یکی از مفاهیم کلیدی رایانش رشته‌های عصبی و مدل عصبی، توانایی اعمال یک‌رشته عصبی کلی برای هر نوع داده و یادگیری به‌صورت کلی، به‌عنوان یک مفهوم مهم و قابل‌توجه محسوب می‌شود. اساساً هیچ ساختار واحدی برای هر فرایند اجرایی وجود ندارد، اما از سویی یک مدل کلی برای کلیه برنامه‌ها وجود دارد.

 

آنچه در فرآیند یادگیری ماشین به‌صورت ذاتی وجود دارد، مفاهیم آموزش (بهبود مستمر در یادگیری) و استنباط (استخراج خروجی یک مدل آموزش‌دیده از برخی از ورودی‌های اجرایی) است. در آموزش یک مدل، حجمی از داده‌ها به مجموعه‌های آموزشی و آزمایشی و یا مجموعه صحت سنجی تقسیم می‌شود. در الگوریتم یادگیری ماشین، داده‌های آموزشی جهت یادگیری نمایش داده‌ها قرار دارند که به‌صورت تقریب تابع از توزیع شاخص‌ها یا مجموعه‌ای از تصمیمات بر اساس کارکردهای هر شاخص ارائه می‌شوند. می‌توان از مجموعه صحت سنجی در طی آموزش به‌عنوان یک روش جهت صحت سنجی اثرپذیری فرایند آموزش بهره برد که نتیجه آن برای تنظیم پارامترهای یادگیری الگوریتم و بهبود دقت نهایی به کار می‌رود. مجموعه آزمایشی موجب ارائه مجموعه مشاهده نشده‌ای از داده‌ها جهت تعیین دقت نهایی مدل آموزشی می‌شود و به‌عنوان منشأ شاخص‌های دقت گزارش‌شده و دیگر معیارهای اثرپذیری محسوب می‌شود. می‌توان اصطلاح استنتاج را به‌صورت فرآیند اعمال یک آیتم داده‌ای به یک مدل یادگیری ماشین آموزش‌دیده شده و پیاده‌سازی شده و ارائه یک خروجی استنتاجی در نظر گرفت.

 

با پیشرفت فنّاوری‌های رایانشی، پیاده‌سازی مجموعه‌های بزرگی از رشته‌های عصبی امکان‌پذیر شده و به شکل شبکه‌های عصبی تعمیم‌یافته است. درواقع هرچند که شبکه‌های عصبی به‌صورت گسترده مورداستفاده قرارگرفته‌اند، اما آن‌ها به‌عنوان یک فنّاوری قدیمی محسوب می‌شوند که به دلیل پیچیدگی و نقایص محاسباتی منسوخ‌شده‌اند. بااین‌حال، این موضوع به دلیل عدم برتری شبکه‌های عصبی نسبت به روش‌های دیگر تغییریافته است. به‌طور مثال می‌توان به برتری رقابت شناختشی ImageNet اشاره کرد که طی آن شبکه‌های عصبی فراتر از دقت انسان عمل کرده و یا انسان‌ها را در بازی Go بدون دستیابی به ورودی مستقیم یا جلسات بازی نسبت به بازیکنان دیگر مغلوب کردند.


بدون دیدگاه