فيما يلي، يتم تقديم تعريف للتعلم العميق وكيف يعمل، ويتم شرح أهميته والتحديات والاختلافات مع التعلم الآلي وفي نهاية الفصل، يتم ذكر تطبيقاته في العالم الحقيقي.

يمكن أن يؤدي تشغيل خوارزميات التعلم العميق على البنية الأساسية السحابية إلى التغلب على العديد من هذه التحديات.

تتمثل إحدى تطبيقات التعلم العميق في تحليل البيانات في تحليل السلوك والتفاعلات الاجتماعية والاقتصادية. يمكن استخدامه في تحليل البيانات الاجتماعية من وسائل التواصل الاجتماعي ومنصات الويب للكشف عن الاتجاهات والميول وتوقع سلوك المستخدمين.

يحتوي التعلم العميق على العديد من حالات الاستخدام في مجالات السيارات والفضاء والتصنيع والإلكترونيات والبحوث الطبية وغيرها من المجالات. فيما يلي بعض الأمثلة على التعلم العميق:

وتجدر الإشارة إلى أنه تم النظر في هذا الفصل بعبارات عامة ولم تتم مناقشته بالتفصيل.

احفظ اسمي، بريدي الإلكتروني، والموقع الإلكتروني في هذا المتصفح لاستخدامها المرة المقبلة في تعليقي.

الشبكات العصبونية الاصطناعية هي خوارزميات تعلم عميق تستخدم هذه العُقَد في حل المشاكل المعقدة.

الطبقات المخفيّة في شبكة التعلم العميق، هي الطبقات الموجودة بين طبقة المُدخلات وطبقة المُخرجات. تسمى هذه الطبقات بال"مخفيّة" لأنّها لا يمكن ملاحظتها مباشرة من الخارج - فهي تؤدي حسابات وسيطة تُساعد الشبكة على تعلُّم الأنماط والتمثيلات المُعقّدة من البيانات المدخلة.

يتطلب التعلم العميق استخدام شبكات عصبونية متعددة الطبقات، حيث يتم تدريب هذه الشبكات على مجموعة كبيرة من البيانات المعينة، بحيث تكتسب القدرة على تحليل وتصنيف واستخلاص النماذج بشكل أوتوماتيكي.

يمكنك استخدام أساليب التعلم العميق في أتمتة المهام التي تتطلب عادةً ذكاءً بشريًا، مثل وصف الصور أو تفريغ ملف صوتي إلى نص. 

الحيوان لديه حوافر، ولذلك يمكن أن نور يكون بقرةً أو غزالًا.

على الرغم من أن هذا الأسلوب يعمل على أفضل نحو في بيئات البيانات غير اليقينية والمعقدة، فإنه نادرًا ما يتم تطبيقه في سياقات الأعمال.

تصنيف الصور لتحديد شعارات العلامات التجارية والملابس ومعدات الأمان وغيرها من تفاصيل الصورة

ومع استمرار تطور هذه التقنية، يمكن توقع المزيد من التحسينات والابتكارات في مجال تصنيف الصور بواسطة التعلم العميق.