مروری بر رویکرد آموزشی تقطیر دانش در حوزه ی یادگیری ماشین؛ ابزاری برای تحقق کشاورزی دقیق

با افزایش مشکلات جهانی امنیت غذایی و پایداری منابع، بهرهگیری از راه حل های نوآورانه مانند بینایی ماشین و یادگیری عمیق، میتواند شیوه های سنتی کشاورزی را با تصمیم گیری های بیدرنگ، مناسب و مبتنی بر داده تغییر دهد و اهداف کشاورزی دقیق را محقق سازد. امروزه یادگیری عمیق یکی از برجسته ترین روش های پردازش و تحلیل تصاویر دیجیتال می باشد که می تواند طیف وسیعی از وظایف در حوزه کشاورزی از جمله پایش وضعیت سلامت، تشخیص بیماری یا علف هرز، تشخیص تنش، برآورد عملکرد و برداشت رباتیک محصول را عهدهدار شود به شرط آنکه بر محدودیت های سخت افزاری از لحاظ قدرت پردازش و فضای حافظه در مزرعه، برای کاربردهای بیدرنگ فائق آید. انتخاب مدلهای سبک، کم حجم با تعداد پارامترهای کم از یک سو موجب افزایش سرعت تشخیص می گردد اما از سوی دیگر ممکن است دقت تشخیص و تعمیم-پذیری آن را تحت شعاع قرار دهد. چون که این مدل ها تا حدود زیادی عملکرد خوب خود برای کار در شرایط واقعی با داده های بزرگ مقیاس و تعمیم پذیری عالی روی داده جدید را، مدیون تعداد زیاد پارامترها هستند. تقطیر دانش رویکردی آموزشی در حوزه یادیگری ماشین است که می تواند با تعلیم مدلی کوچک توسط مدلی بزرگتر تا حدود زیادی بر این مسئله فائق آید و ضمن حفظ سرعت تشخیص، عملکرد و دقت آن را بهبود بخشد. بنابراین این مطالعه ضمن معرفی رویکرد آموزشی تقطیر دانش، انواع دانش، طرح ها و الگوریتم های تقطیر دانش، رابطه بین ساختار معلم و دانش آموز و نمونههایی از کاربردهای آن در حوزه کشاورزی دقیق را بیان می نماید.

کلیدواژه ها:

بینایی ماشین ، تقطیر دانش ، کشاورزی دقیق ، مدل کوچک ، یادگیری عمیق.