دانلود ترجمه مقاله سیستم آموزش هوشمند شبکه بر اساس الگوریتم یادگیری عمیق (هینداوی 2022)

سیستم آموزش هوشمند شبکه بر اساس الگوریتم یادگیری عمیق

Network Intelligent Education System Based on the Deep Learning Algorithm

1 مقدمه

2 بررسی پژوهش

3 روال کار

4 نتایج و بحث

5 نتیجه گیری

دسترس پذیری داده ها

تعارض منافع

منابع

     یک روش مبتنی بر یادگیری عمیق، با هدف گسترش ادغام فراگیر آموزش و هوش مصنوعی و پیشبرد دستیابی به هوش مصنوعی در زمینۀ آموزش، ارائه می شود. یادگیری عمیق یک الگوریتم تشخیص الگوی پیشرفته محسوب می شود و قادر است که دانش بالقوه ارزشمند را از داده های حجیم استخراج نماید و از تصمیم گیری دانش محورِ بشر، پشتیبانی به عمل آورد. داده های تجربی نشان می دهند که دقت دسته بندی الگوریتم یادگیری عمیق، به 99.5% می رسد. حتی در خصوص حجم داده های بزرگ و دسته های داده های حجیم، دقت همچنان بالغ بر 96.3% است که به مراتب بالاتر از الگوریتم ماشین بردار پشتیبان، الگوریتم نظریۀ بیزین و الگوریتم خوشه بندی میانگین kاست و آن از توانایی استخراج و یادگیری دانش برای کاربران با میزان دقت بیشتری برخوردار می باشد.
نتیجه گیری. سامانۀ آموزش هوشمند شبکه مبتنی بر یادگیری عمیق منجر به تقویت خودکارسازی، هوشمندی و جاذبه های یادگیری می گردد تا بدین ترتیب از ابتکار عمل کاربران در یادگیری اطمینان خاطر حاصل شود.

بررسی پژوهش
     در توسعه هوش مصنوعی، سه الگو و مکتب اصلی پژوهشی وجود دارد که عبارتند از: نمادگرایی، پیوندگرایی و رفتارگرایی [9]. این سه الگوی مذکور از تفاسیر و ایده های طراحی متفاوتی برای تولید هوش برخوردارند و ضمناً ابزار فن آورانه و روش طراحی کاربردهای هوش مصنوعی را تحت تاثیر قرار می دهند. در حال حاضر مبحث هوش مصنوعی آموزشی، عمدتاً الگوریتم های یادگیری ماشینی و یادگیری عمیق را به منظور ساخت برنامه های کاربردی سیستمی به کار می گیرد که یک مدل هوشمند مبتنی بر پیوندگرایی می باشد. وجه تمیزدهندۀ مدل پیوندگرا عبارت است از اینکه: «شما ملزم به یادگیری داده های با ابعاد بالاترید تا بدین ترتیب بتوانید به بازنمایی معنایی سطح بالایی دست یابید». نتیجه یک مدل جعبه سیاه محسوب می شود که معمولاً از میزان دقت بالایی برخوردار است ولی عملکرد داخلی آن به طور دقیق قابل شناسایی نمی باشد؛ معضلی که در این باره وجود دارد، برآورد اهمیت هر ویژگی به منظور پیش‌بینی نتایج مدل و تعامل بین ویژگی‌های مختلف می باشد.

     یادگیری عمیق ماشینی در مقولۀ بینایی کامپیوتر، تشخیص گفتار و پردازش زبان طبیعی، با تکیه بر داده های حجیم و قدرت محاسباتی بسیار بالا، به سطحی برابر با سطح انسان رسیده و حتی از آن پیش گرفته است و از جمله عوامل پیشبرنده حائز اهمیت برای کسب موفقیت به شمار می رود[10]. در شکل 2، مدل طراحی و فرآیند آموزش با استفاده از سیستم هوش مصنوعی مبتنی بر ارتباط گرایی ارائه شده که می توان آن را به پنج پودمان کاربردی اصلی تقسیم نمود که عبارتند از: درخواست آموزش، داده های آموزش، مشخصه های آموزشی، مدل آموزشی و کاربرد آموزش.

     فرآیند هوشمندسازی ماشین‌ها برای یادگیری خودکار مشابه با فرآیند تفکر و یادگیری انسان است. کوپر، مربی روانشناس اجتماعی آمریکایی، نظریۀ چرخۀ یادگیری را مطرح نمود، که در آن خاطر نشان کرد: فرآیند یادگیری انسان از چهار مرحله یادگیری تطبیقی همراه با یک ساختار حلقه ای مشتمل بر تجربه منحصر به فرد، مشاهده بازاندیشانه، مفهوم سازی انتزاعی و تمرین پویا از طریق نظریه تامل بر تجربه می باشد، سپس وی این نظریه را در راستای جهت بخشی فعالیت ها به کار گرفت و در در ادامه کار، به جمع بندی تجربیات حاصل از عمل پرداخت [11]. افراد از طریق تجربه، تأمل، مکاشفه و عمل به پیشرفت پیوسته و تدریجی در یادگیری دست می یابند. همانطور که در شکل 3 مشهود است، روش هوش مصنوعی خودکار از کسب دانش، ایده یادگیری انسان را به تصویر می کشد و به واسطۀ والایش و نظریه پردازی تجربه به کسب دانش نائل می آید. تجربیات منحصر به فرد، در مطابقت با حصول داده های آموزشی می باشند و به طور خودکار ویژگی های آموزشی را ایجاد می نمایند. مشاهده بازاندیشانه، فرآیند آموزش مدل هوشمند، مفهوم انتزاعی شکل گرفته، رویۀ ساخت مدل و آزمون و تمرین، فرآیندهای کاربرد مدل محسوب می گردند [12].