نقش الگوريتم هاي فرا ابتكاري در يادگيري عميق

The role of meta-heuristic algorithms in deep learning

يادگيري عميق گونه اي از يادگيري ماشيني است كه از لايه‌ هاي متعدد تبديلات خطي به منظور پردازش سيگنال ‌هاي حسي مانند صدا و تصوير استفاده مي‌كند. ماشين در اين روش مفاهيم پيچيده را به مفاهيم ساده‌ تري تبديل ميكند و با ادامه اين روند به مفاهيم پايه‌ اي ميرسد. اعتقاد بر اين است كه يادگيري عميق به عنوان يك ابزار مناسب براي استخراج مفهوم از حجم بسيار بزرگي از داده ها كه كلان داده ناميده مي شوند، كاربرد دارد. يك ويژگي مهم كلان داده سرعت مي باشد، كه به اين معني است كه يادگيري بايد افزايشي باشد زيرا داده ها به سرعت جمع مي شوند. يادگيري عميق بايد سريع و دقيق عمل كند، به همين خاطر طراحي شبكه عصبي كه در زماني معقول آموزش داده شود و دقيق عمل كند يك چالش محسوب مي شود. به همين جهت از الگوريتم هاي فرا ابتكاري استفاده مي شود. در اين مقاله به بررسي الگوريتم هاي فراابتكاري براي بهينه سازي شبكه عصبي در زمينه تحليل كلان داده ها مي پردازيم.

Deep learning is a kind of machine learning that uses multiple layers of linear transformations to process sensory signals such as sound and image. The car converts complex concepts into simpler concepts, and goes along with the basic concepts with the continuation of the process. Deep learning is believed to be a useful tool for extracting the concept of a very large volume of data called macro data. An important macro data feature is speed, which means that learning should be incremental because data is rapidly aggregated. Deep learning should be quick and accurate, so designing a neural network that is trained and accurate at a reasonable time is a challenge. For this reason, the use of meta-heuristic algorithms is used. In this paper, we study the meta-algorithms for optimizing the neural network in the field of big data analysis.