به من نگویید داده کافی ندارم!

به من نگویید که داده کافی و درست‌ودرمان در اختیار نداریم!

بارها دیده‌ام دانشجویانی که قرار بوده روی یک پروژه مرتبط با هوش مصنوعی کار کنند، بعد از مدتی جستجو در اینترنت و بررسی منابع مختلف، با ناامیدی به این نتیجه می‌رسند که «هیچ داده‌ی دقیق و مناسبی برای آموزش مدل وجود ندارد». آن‌چه در منابع و مقالات هم موجود است، هرکدام از زاویه‌ای خاص به موضوع نگاه کرده و داده‌هایی پراکنده، با ورودی‌ها و خروجی‌های متفاوت ارائه داده‌اند. طبیعتاً این مجموعه داده‌های نادقیق را نمی‌توان به‌عنوان یک دیتاست آماده مورد استفاده قرار داد. از طرف دیگر، مگر چقدر می توان در آزمایشگاه یا پشت کامپیوتر داده تولید کردکه با آن داده ست برای آموزش مدل استفاده کرد. اینطور می شود که بسیاری از دانشجویان گلایه می‌کنند: ما انگیزه داریم، اما وقتی داده نیست، چطور کار کنیم؟

اما در واقع هنر پژوهشگر و متخصص هوش مصنوعی دقیقاً در همین‌جاست: اینکه بتواند با داده‌های کم، داده‌های ناقص، و داده‌های پراکنده مدلی بسازد که معتبر و قابل اتکا باشد. اگر یک دیتاست کامل و بی‌نقص در دسترس بود، آموزش مدل‌ دیگر چندان مهارت بالایی نمی‌طلبید. اینجاست که باید نگاه خود را تغییر دهید. علم امروز ابزارها و روش‌هایی را در اختیار ما گذاشته که امکان استخراج دانش و ساخت مدل را حتی از داده‌های محدود فراهم می‌کند. به‌عنوان نمونه:

• مدل‌هایی که از قبل آموزش دیده‌اند (Pre-trained Models) می‌توانند دانش خود را به مسائل جدید منتقل کنند (یادگیری انتقالی).

• قوانین و فرآیندهای فیزیکی حاکم بر پدیده‌ها خود می‌توانند به‌عنوان یک منبع اطلاعاتی در کنار داده‌ها به کار گرفته شوند.

• داده‌های غیر دقیق و پراکنده نیز می‌توانند در قالب روش‌های نوین آموزش ارزشمند شوند.

ترکیب این منابع با داده‌های محدود دقیق شما می‌تواند راهگشای ساخت مدلی خوب، مستند و قابل اعتماد باشد.

برای اینکه با این رویکردها به‌صورت کاربردی آشنا شوید، ما یک دوره آموزشی کوتاه ولی عمیق آماده کرده‌ایم. این دوره در حدود دو ساعت زمان شما را می‌گیرد، اما نگاهتان را نسبت به استفاده هوشمندانه از داده‌ها تغییر خواهد داد و ابزارهای لازم برای بهره‌گیری مؤثر از هر آنچه در اختیار دارید را به شما خواهد داد. این دوره آموزشی با دقت و هدفمندی طراحی و ضبط شده و دقیقاً بر مشکلی تمرکز دارد که بسیاری از پژوهشگران هنگام آموزش شبکه‌های عصبی با آن مواجه هستند. در این آموزش، مجموعه‌ای از روش‌های نوین و جذاب یادگیری مدل‌های هوش مصنوعی مطرح می‌شود، از جمله:

• یادگیری مولد (Generative Learning)
• یادگیری چند وظیفه ای (Multi-Task Learning)
• یادگیری خودنظارتی (Self-Supervised Learning)
• یادگیری انتقالی (Transfer Learning)
• یادگیری چنددقتی (Multi-Fidelity Learning)

در میان این روش‌ها، یادگیری چنددقتی به‌طور ویژه و با جزئیات بیشتر مورد بررسی قرار گرفته و در محیط متلب پیاده‌سازی و کدنویسی آن آموزش داده شده است.

از شما دعوت می کنم که این دوره آموزشی را تهیه کنید و با تماشای آن، هم از یادگیری لذت ببرید و هم دریچه‌های تازه‌ای در پژوهش‌های خود بگشایید.