پیش نیازهای یادگیری عمیق (برای ورود به بازار کار)

یادگیری عمیق یا در لغت انگلیسی (Deep Learning) حوزه‌ای فراگیر در صنایعی است که به سمت دیجیتالی شدن پیش می‌روند. شرکت‌های بزرگ فناوری، استارتاپ‌های نوپا و حتی صنایع سنتی که سال‌ها به‌شیوه‌های قدیمی فعالیت می‌کردند و امروز می‌بینیم که چطور به سمت دیجیتالی‌شدن حرکت می‌کنند، همگی به متخصصانی در حوزه یادگیری عمیق نیاز دارند. مثال‌های بارز استفاده از یادگیری عمیق، حوزه‌های خودروهای برقی یا خودران و سیستم‌های تشخیص چهره، ترجمه ماشینی، سیستم‌های پیش‌بینی بازارهای مالی و… هستند. اثر یادگیری عمیق را در بیشتر حوزه‌ها و صنایع اطرافمان می‌توانیم‌ ببینیم.

اما اگر این حوزه برای شما جذاب است و حتی به فکر آن هستید که وارد بازار کار یادگیری عمیق شوید، بهتر است قبل از آن  که به دنبال موقعیت‌های شغلی این حوزه بگردید، با مفاهیم، پیش‌نیازها، مهارت‌ها و تفاوت‌های آن با یادگیری ماشین آشنا شوید. جهانی از ترکیب ریاضیات، برنامه‌نویسی، تحلیل داده و تفکر الگوریتمی در کنار تجربه عملی.

یادگیری عمیق چیست؟

قبل از شروع به یادگیری‌ و آشنایی با این حوزه، لازم است بدانید که یادگیری عمیق چیست؟ یادگیری عمیق یا Deep Learning در واقع زیرمجموعه‌ای از یادگیری ماشین (Machine Learning) و هوش مصنوعی (AI) است. ایده اصلی یادگیری عمیق این است که به‌جای برنامه‌ریزی صریح برای حل یک مسئله، مدلی طراحی کنیم که با مشاهده داده‌ها، خودش روابط و الگوها را یاد بگیرد. یادگیری عمیق به‌عنوان شاخه‌ای مهم در علم داده و حوزه فناوری محسوب می‌شود و به متخصصان این حوزه کمک می‌کند بتوانند داده‌های حجم بالا را با سرعت و دقت زیادی جمع‌آوری و تجزیه و تحلیل کنند.

یادگیری عمیق با یادگیری ماشین چه تفاوتی دارد؟

اگرچه یادگیری عمیق‌ زیرشاخه‌ای از یادگیری ماشین است اما تفاوت‌های زیادی با آن دارد، اول آنکه اگر بخواهیم در تعریف این تفاوت را نشان دهیم باید تعریفی به شرح زیر ارائه دهیم:

یادگیری ماشین:

یادگیری ماشین معمولا از الگوریتم‌هایی استفاده می‌کند که نیاز است یک انسان آنها را Feature Engineering یا مهندسی ویژگی کند.

یادگیری عمیق:

اما یادگیری عمیق از شبکه‌های عصبی چندلایه‌ای استفاده می‌کند که خودشان ویژگی‌ها را از داده‌ها استخراج می‌کنند و نیاز به مداخله انسان ندارد.

حالا اگر بخواهیم به برخی از تفاوت‌های اصلی و جامع این دو یادگیری پی ببریم، باید مواردی به شرح زیر را بررسی کنیم:

• پیچیدگی مدل یادگیری عمیق از پیچیدگی مدل یادگیری ماشین بیشتر است.
• یادگیری عمیق نسبت به یادگیری ماشین، به داده‌های بیشتری برای آموزش نیاز دارد.
• ویژگی‌ها در مدل یادگیری عمیق به‌صورت خودکار از داده‌ها استخراج می‌شوند ولی در مدل یادگیری ماشین این فرایند خودکار نیست.
• آموزش یادگیری عمیق، زمانبرتر از یادگیری ماشین است، چون داده‌ها در آن زیادتر و پیچیده‌تر هستند.
• یادگیری عمیق به منابع محاسباتید بیشتری برای آموزش نیاز دارد.
• یادگیری ماشین به نسبت یادگیری عمیق در طیف وسیع‌تری از حوزه‌ها کاربرد دارد.

همچنین اگر علاقه مند هستید این تفاوت ها را عمیق تر بشناسید می توانید مقاله تفاوت یادگیری ماشین و یادگیری عمیق را مطالعه نمایید.

پیش نیازهای یادگیری عمیق

پیش‌نیازهای دانشی و تئوری یادگیری عمیق، موارد مهمی به شرح زیر هستند:

1- یادگیری علم ریاضیات

می‌توان گفت که ریاضیات قلب یادگیری عمیق است. اگرچه فریم‌ورک‌های زیادی وجود دارند که کدنویسی را آسان کرده‌اند، اما بدون درک مفاهیم ریاضی، نحوه کار مدل‌های مختلف و بهینه‌سازی آنها نمی‌‌توان در یادگیری عمیق پیشرفت کرد و به سرانجام رسید.

مفاهیم کلیدی که در علم ریاضیات لازم است بدانیم:

جبر خطی (Linear Algebra):

• بردارها، ماتریس‌ها و عملیات روی آنها (جمع، ضرب، ترانهاده، معکوس)
  ضرب داخلی و خارجی
• تجزیه ماتریس‌ها (SVD، Eigenvalues)

احتمال و آمار:

• توزیع‌های آماری (نرمال، یکنواخت، برنولی، پوآسون)
• میانگین، واریانس، انحراف معیار
• قانون احتمال شرطی و بیز

حساب دیفرانسیل و انتگرال:

• مشتق‌گیری از توابع چندمتغیره
• گرادیان و گرادیان نزولی
• بهینه‌سازی و نقاط کمینه/بیشینه

بهینه‌سازی ریاضی:

• توابع هزینه (Loss Functions)
• روش‌های بهینه‌سازی مانند Gradient Descent، Adam، RMSprop

2- یادگیری برنامه‌نویسی

برای ورود به بازار کار یادگیری عمیق، Python یک امر باید و لازم است.

اما چرا در بین همه زبان‌های برنامه‌نویسی، پایتون را خون جاری در رگ‌های یادگیری عمیق می‌دانند؟ دلایل زیر می‌تواند پاسخی به این سوال باشد:

• جامعه کاربری بزرگ
• وجود کتابخانه‌های متنوع برای هوش مصنوعی (TensorFlow، PyTorch، Keras، Scikit-learn)
• سادگی سینتکس

مهارت‌های ضروری که در پایتون لازم است بدانیم:

• ساختارهای داده‌ای (List، Dict، Tuple، Set)
• حلقه‌ها و شرط‌ها
• توابع و کلاس‌ها (OOP)
• کار با کتابخانه‌های علمی:

1. NumPy (محاسبات عددی)
2. Pandas (تحلیل داده)
3. Matplotlib و Seaborn (بصری‌سازی داده‌ها)

کتابخانه‌های ضروری که در پایتون لازم است بدانیم:

• NumPy
• Pandas
• Matplotlib/ Seaborn
• Scikit-learn
• PyTorch/ TensorFlow

3- یادگیری دانش یادگیری ماشین

همانطور که گفتیم یادگیری عمیق زیرمجموعه یادگیری ماشین است پس لازم است قبل از یادگیری عمیق با مفاهیم پایه یادگیری ماشین آشنا باشید:

• الگوریتم‌های نظارت‌شده و بدون‌نظارت
• مدل‌های خطی Linear Regression، Logistic Regression
• درخت تصمیم Decision Tree، جنگل تصادفی Random Forest
• بیش‌برازش و کم‌برازش Overfitting & Underfitting
• ارزیابی مدل‌های Confusion Matrix، Precision، Recall، F1-score

دانش یادگیری عمیق چه مفاهیمی دارد؟

مفاهیم شبکه‌های عصبی و مفاهیم پایه یادگیری ماشین مواردی هستند که باید پیش از ورود به این حوزه حتما آنها را بشناسید و با توضیحاتشان آشنا باشید:

• نورو‌‌ن و لایه
• توابع فعال سازی (ReLU، Sigmoid،Tanh)
• Backpropagation و Forward
• Regularization و Dropout
• Batch Normalization

4- نحوه استفاده از GPU

همانطور که گفتیم مدل‌های یادگیری عمیق به محاسبات سنگین نیاز دارد. بنابراین یا باید از GPU با CUDA استفاده کرد یا باید از Kaggle NoteBooks، Google Cobal یا AWS/GCP استفاده کرد.

GPUها که برای پردازش تصاویر و گرافیک در کارت گرافیک ساخته می‌شوند، به‌دلیل توانایی خارق‌العاده‌ای که در انجام محاسبات موازی دارند، در حوزه یادگیری عمیق جایگاه ویژه‌ای پیدا کرده‌اند.

اگر بخواهیم از تفاوت‌های آن با CPU بگوییم می‌توانیم به چند مورد زیر اشاره کنیم:

• هدف اصلی GPU پردازش موازی داده‌هاست در حالی که CPU اجرای وظایف عمومی سیستم را برعهده دارد.
• هسته‌های GPU در حدود صدها تا هزاران هسته دارد در حالی که هسته‌های CPU معمولا ۴ تا ۱۶ هسته هستند.
• نوع پردازش GPU موازی است و CPU به‌صورت ترتیبی پردازش می‌کند.

یادگیری عمیق چه مهارت‌هایی نیاز دارد؟

علاوه‌بر دانشی که برای ورود به حوزه یادگیری عمیق کسب‌ می‌کنید، مهارت‌هایی نیز باید بلد باشید، برخی از این مهارت‌ها به شرح زیر هستند:

• Data Cleaning برای آنکه بتوانید داده‌های ناقص یا اشتباه را حذف کنید.
• Data Transformation برای نرمال‌سازی و استانداردسازی لازم است.
• Data Augmentation برای آنکه بتوانید داده‌های مصنوعی ایجاد کنید.
• آشنایی با SQL برای آنکه بتوانید داده‌ها را از پایگاه داده استخراج کنید.

چطور با کتابخانه و فریم‌ورک‌ها کار کنیم؟

باید بگوییم که یادگیری عمیق دو ستون اصلی دارد:

1. TensorFlow (گوگل)
2. PyTorch (فیس‌بوک)

حالا ممکن است بپرسید، چرا لازم است این دو ستون را بشناسیم؟

پاسخش ساده است:

برخی شرکت ها روی TensorFlow و برخی دیگر روی PyTorch کار می‌کنند، پس لازم است برای ورود به بازار کار هر دو را بشناسید و بلد باشید.

پیش نیازهای مهارتی ورود به بازار کار یادگیری عمیق

علاوه‌بر دانشی که می‌توانید با شرکت در دوره‌های آموزشی یا به‌صورت خودآموز یاد بگیرید، لازم است مهارت‌های نرمی هم برای ورود به این حوزه داشته باشید. مهارت‌های نرمی که به شما در ورود به مسیرهای شغلی یادگیری عمیق و پیشرفت در آن کمک می‌کند، به شرح زیر هستند:

• برقراری ارتباط موثر
• روحیه و توانایی کار تیمی
• روحیه و مهارت حل مسئله

پیش نیازهای تجربی ورود به بازار کار یادگیری عمیق

در کنار پیش‌نیازهای تئوریک، مهارت‌های نرم و دانشی که برای ورود به بازار کار یادگیری عمیق نیاز دارید، لازم است پیش‌نیازهایی به‌صورت تجربی داشته باشید. در مصاحبه‌های کاری این حوزه خواهید دید که داشتن تجربه هرچند کوتاه‌مدت و کم، یک امر موثر در استخدام است. برای اینکه پیش‌نیازهای تجربی داشته باشید هم لازم است تعدادی پروژه عملی را در این زمینه انجام دهید. حتی می‌توان گفت داشتن رزومه‌ای با پروژه‌های متعدد بهتر و موثرتر از داشتن رزومه‌ای مملو از مدارک آکادمیک و دانش است.

برخی از پروژه‌هایی که در حوزه یادگیری می‌توانید در آنها مشارکت کنید به شرح زیر هستند:

• سیستم تشخیص چهره
• طبقه‌بندی تصاویر
• تحلیل احساسات در متن
• سیستم توصیه‌گر متن یا محصول
• شناسایی اشیا در تصاویر

مسیرهای شغلی یادگیری عمیق

مسیرهای شغلی متنوعی در حوزه یادگیری عمیق وجود دارند که شما می‌توانید بسته به تجربیات و دانش و مهارتی که در این زمینه دارید، به هرکدام از آنها ورود کنید. برخی از مسیرهای شغلی حوزه یادگیری عمیق عبارتند از:

• دانشمند داده، متخصص داده یا Data Scientist
• مهندس ماشین یادگیری یا Machine Learning Engineer
• Computer Vision Engineer
• NLP Engineer
• AI Researcher

چطور وارد بازار کار یادگیری عمیق شویم؟

راه‌های مختلفی برای ورود به بازار کار حوزه یادگیری عمیق وجود دارد، یک مسیر پیشنهادی برای آن نیز به شرح زیر است:

1. کتابخانه داده‌ها و پایتون را یاد بگیرید.
2. ریاضیات خود را به‌خصوص در بخش‌های جبر خطی، احتمال و بهینه‌سازی؛ ارتقا دهید.
3. مبانی یادگیری ماشین را آموزش ببینید.
4. شبکه‌های عصبی ساده را بشناسید و با آنها کار کنید.
5. با فریم‌ورک‌های PyTorch و TensorFlow کار کنید.
6. پروژه‌های واقعی انجام دهید و آنها را در GitHub منتشر کنید.
7. در رقابت‌های Kaggle شرکت کنید.
8. یک پروفایل لینکدین قوی و یک رزومه حرفه‌ای بسازید.
9. مصاحبه‌های فنی را به‌کمک گوگل و هوش مصنوعی یاد بگیرید و تمرین کنید.
10. فرصت‌های شغلی مختلف مرتبط با این حوزه را رصد کنید و برای آنها رزومه بفرستید.

نکاتی برای ورود به بازار کار یادگیری عمیق

1. در نظر داشته باشید که بسیاری از شرکت‌ها در مصاحبه شغلی حوزه یادگیری عمیق، در قسمت کدنویسی از شما می‌خواهند که کدی بنویسی تا هم درست کار کند هم خوانا باشد. بنابراین مهارت کدنویسی تمیز یا Clean Code را بسیار جدی بگیرید.
2. تفاوت‌های Machine Learning و Deep Learning را بشناسید، درباره آن از شما سوالاتی می‌پرسند تا مطمئن شوند کارکردهای یادگیری عمیق را می‌شناسید یا نه.
3. حتما موقع پاسخ دادن به سوالات مفهومی، مثال بزنید. اینطور نباشد که به نظر برسد صرفا یک سری تعاریف را از قبل حفظ کرده‌اید.
4. مفاهیمی مثل OverFitting، CNN، Batch Normalization و Layer Normalization را بشناسید.
5. شما باید بتوانید سناریوها را تحلیل و رفع اشکال کنید.
6. راهکارهای تحلیل یا بهینه‌سازی را بلد باشید:

• افزایش داده‌ها
• استفاده از Dropout یا Regularization
• تغییر معماری مدل
• تنظیم Learning Rate

چه سوالاتی به شما حین مصاحبه‌های کاری حوزه یادگیری عمیق کمک می‌کند؟

شما می‌توانید از فردی که با شما مصاحبه می‌کند سوالاتی بپرسید که نشان می‌دهند شما به این حوزه مسلط هستید و به خوبی می‌دانید که قرار است با چه مفاهیمی سروکار داشته باشید:

1. تیم یادگیری عمیق در حال کار کردن روی چه پروژه‌هایی هستند؟
2. آنها از چه منابع و امکاناتی برای آموزش مدل‌ها استفاده می‌کنند؟ از Cloud یا GPU؟
3. فرایند توسعه و استقرار مدل‌های یادگیری چگونه است؟ّ

جمع‌بندی و نتیجه‌گیری

اگرچه یادگیری عمیق یک حوزه رو به رشد، جذاب، پویا و پردرآمد است؛ اما ورود به آن بدون پایه‌های محکم، کسب دانش و آگاهی از پیش‌نیازها تقریباً غیرممکن است. پیش‌نیازهای یادگیری عمیق برای ورود به بازار کار را به سه بخش تقسیم کردیم:

• دانشی یادگیری عمیق شامل ریاضیات، برنامه‌نویسی، یادگیری ماشین
• پیش‌نیازهای مهارتی یادگیری عمیق شامل کار با داده، فریم‌ورک‌ها، GPU
• پیش‌نیازهای تجربی یادگیری عمیق شامل پروژه‌ها و مهارت‌های نرم

همه این سه دسته پیش‌نیاز باید به‌صورت همزمان تقویت شوند تا شما بتوانید وارد بازار کار یادگیری عمیق شوید و کسب درآمد کنید. در نظر داشته باشید، بازار کار در این حوزه رقابتی است، پس کسی که بتواند علم را با عمل ترکیب کند، همواره یک قدم جلوتر از بقیه خواهد بود و به پیشرفت و درآمد مناسب در این حوزه خواهد رسید.