مقدمة للشبكات العصبية والتعلم العميق: الهياكل والأنواع والقيود

نظرًا لأنك تقرأ هذا المقال ، فمن المحتمل أن يكون لديك فهم للتعلم الآلي الأساسي - إن لم يكن للجوانب الفنية ، فعلى الأقل للجوانب النظرية للتعلم الآلي.

التعلم العميق هو الخطوة المنطقية التالية بعد التعلم الآلي. في التعلم الآلي التقليدي ، صُنعت الآلات للتعلم بناءً على الإشراف أو التعزيز. ومع ذلك ، يهدف التعلم العميق إلى تكرار عملية التعلم البشري ، ويسمح للأنظمة بالتعلم بمفردها.

أصبح هذا ممكنًا باستخدام الشبكات العصبية. فكر في الخلايا العصبية في دماغك وكيف تعمل. تخيل الآن إذا تم تحويلها إلى شبكات اصطناعية - هذا ما هي الشبكات العصبية الاصطناعية.

سيحدث التعلم العميق والشبكات العصبية ثورة في العالم الذي نعرفه ، وهناك الكثير لتفكيكه عندما يتعلق الأمر بهذه التكنولوجيا.

في هذه المقالة التمهيدية ، سنعطيك فهمًا موجزًا ​​للتعلم العميق جنبًا إلى جنب مع كيفية عمل الشبكات العصبية ، وما هي أنواعها المختلفة ، وما هي بعض قيود الشبكات العصبية.

التعلم العميق - نظرة عامة موجزة

يمكن اعتبار التعلم العميق مجالًا فرعيًا للتعلم الآلي. ومع ذلك ، على عكس أي خوارزمية أو نظام تقليدي للتعلم الآلي ، تستخدم أنظمة التعلم العميق طبقات متعددة لاستخراج ميزات عالية الترتيب من المدخلات الأولية التي يتم تغذيتها بها. كلما زاد عدد الطبقات ، كلما كانت الشبكة "أعمق" ، وكلما كان استخراج الميزات والتعلم الكلي أفضل.

كان مصطلح التعلم العميق موجودًا منذ الخمسينيات من القرن الماضي ، ولكن الأساليب في ذلك الوقت لم تكن تحظى بشعبية إلى حد ما. مع إجراء المزيد من الأبحاث في هذا المجال ، يستمر التعلم العميق في التقدم ، واليوم لدينا طرق تعلم عميق متطورة مدعومة من الشبكات العصبية.

تتضمن بعض التطبيقات الأكثر شيوعًا للشبكات العصبية في التعلم العميق اكتشاف الوجه واكتشاف الأشياء والتعرف على الصور واكتشاف تحويل النص إلى كلام ونسخه والمزيد. لكننا نخدش السطح فقط - هناك الكثير لاكتشافه حتى الآن!

لذا ، قبل التعمق في فهم التعلم العميق ، يجب أن نبدأ أولاً بفهم ما هي الشبكة العصبية الاصطناعية في الذكاء الاصطناعي.

انضم إلى دورات الذكاء الاصطناعي عبر الإنترنت من أفضل الجامعات في العالم - الماجستير ، وبرامج الدراسات العليا التنفيذية ، وبرنامج الشهادات المتقدمة في ML & AI لتسريع مسار حياتك المهنية.

شبكة اعصاب صناعية

الشبكات العصبية الاصطناعية مستوحاة من كيفية عمل الدماغ البشري الفعلي وتشكل أساس التعلم العميق. تأخذ هذه الأنظمة البيانات ، وتدرب نفسها لإيجاد أنماط في البيانات ، والعثور على مخرجات لمجموعة جديدة من البيانات المتشابهة.

هذا ما يدعم التعلم العميق - الشبكات العصبية تتعلم من تلقاء نفسها وتصبح أقوى في العثور على الأنماط تلقائيًا ، دون أي تدخل بشري. نتيجة لذلك ، يمكن للشبكات العصبية أن تعمل كنظام فرز وتصنيف للبيانات.

دعونا نفهم الشبكات العصبية الاصطناعية بعمق من خلال فهم Perceptrons أولاً.

استكشف دوراتنا التدريبية حول التعلم الآلي والذكاء الاصطناعي

بيرسبترون

تتكون ANNs من وحدات أصغر ، مثل الشبكات العصبية في دماغنا تتكون من وحدات أصغر تسمى الخلايا العصبية. تسمى الوحدات الأصغر في شبكات ANNs perceptrons. بشكل أساسي ، يحتوي perceptron على طبقة إدخال واحدة أو أكثر ، وتحيز ، ووظيفة تنشيط ، ومخرج نهائي.

يعمل المستشعر عن طريق تلقي المدخلات ، ويضربها بالوزن ، ويمررها من خلال وظيفة التنشيط لإنتاج مخرجات. تعد إضافة التحيز أمرًا مهمًا حتى لا تحدث أي مشكلة حتى لو كانت جميع المدخلات صفرًا. يعمل على الصيغة التالية:

ص = ∑ (الوزن * الإدخال) + التحيز

لذا ، فإن أول شيء يحدث هو الحسابات داخل الإدراك الحسي الفردي. هنا ، يتم حساب المبلغ المرجح وتمريره إلى وظيفة التنشيط. مرة أخرى ، يمكن أن يكون هناك أنواع مختلفة من وظائف التنشيط مثل الوظيفة المثلثية ، وظيفة الخطوة ، وظيفة التنشيط ، إلخ.

هيكل شبكة عصبية اصطناعية

لتطوير شبكة عصبية ، تتمثل الخطوة الأولى في تجميع طبقات مختلفة من الإدراك الحسي معًا. بهذه الطريقة ، نحصل على نموذج متعدد الطبقات.

من بين هذه الطبقات المتعددة ، تكون الطبقة الأولى هي طبقة الإدخال. تأخذ هذه الطبقة المدخلات مباشرة. في حين أن الطبقة الأخيرة تسمى طبقة الإخراج وهي مسؤولة عن إنشاء المخرجات المرغوبة.

تُعرف جميع الطبقات بين طبقات الإدخال والإخراج بالطبقات المخفية. لا تتصل هذه الطبقات بإدخالات المعالم أو الإخراج النهائي بشكل مباشر. بدلاً من ذلك ، ترتبط الخلايا العصبية المخفية من طبقة واحدة بالطبقة الأخرى باستخدام قنوات مختلفة.

الناتج المشتق من وظيفة التنشيط هو ما يقرر ما إذا كان سيتم تنشيط الخلية العصبية أم لا. بمجرد تنشيط الخلية العصبية ، يمكنها نقل البيانات إلى الطبقات التالية باستخدام قنوات الاتصال. وبالتالي ، يتم نشر جميع نقاط البيانات في جميع أنحاء الشبكة.

أخيرًا ، في طبقة الإخراج ، تحدد الخلية العصبية ذات القيمة الأعلى الناتج النهائي عن طريق إطلاق النار. القيمة التي تتلقاها الخلايا العصبية بعد كل الانتشار هي احتمال. وهذا يعني أن الشبكة تقدر الناتج عبر أعلى قيمة احتمالية بناءً على المدخلات التي تتلقاها.

بمجرد أن نحصل على الناتج النهائي ، يمكننا مقارنته بملصق معروف وإجراء تعديلات الوزن وفقًا لذلك. تتكرر هذه العملية حتى نصل إلى الحد الأقصى المسموح به للتكرار أو معدل الخطأ المقبول.

الآن ، دعنا نتحدث قليلاً عن الأنواع المختلفة للشبكات العصبية المتاحة.

اقرأ مقالاتنا الشائعة المتعلقة بالتعلم الآلي والذكاء الاصطناعي

أنواع مختلفة من الشبكات العصبية

اليوم ، سنلقي نظرة على النوعين الأكثر شيوعًا من الشبكات العصبية المستخدمة في التعلم العميق ، مثل شبكات CNN و RNN.

CNNs - الشبكات العصبية التلافيفية

بدلاً من العمل مع مصفوفات ثنائية الأبعاد بسيطة ، تعمل شبكات CNN بترتيب ثلاثي الأبعاد للخلايا العصبية. الطبقة الأولى تسمى الطبقة التلافيفية. كل خلية عصبية في هذه الطبقة التلافيفية مسؤولة عن معالجة جزء صغير فقط من معلومات الإدخال. نتيجة لذلك ، تفهم الشبكة الصورة بأكملها في أجزاء صغيرة وتحسبها عدة مرات لإكمال الصورة بأكملها بنجاح.

ومن ثم ، تعد شبكات CNN ذات قيمة كبيرة في التعرف على الصور واكتشاف الكائنات والمهام المماثلة الأخرى. تشمل التطبيقات الأخرى التي نجحت فيها شبكات CNN التعرف على الكلام ومهام رؤية الكمبيوتر والترجمة الآلية.

RNNs - الشبكات العصبية المتكررة

ظهرت RNNs في دائرة الضوء في الثمانينيات من القرن الماضي وهي تستخدم بيانات السلاسل الزمنية أو البيانات المتسلسلة لعمل تنبؤات. وبالتالي ، فهي سهلة الاستخدام للحلول الزمنية أو الترتيبية مثل التعرف على الكلام ومعالجة اللغة الطبيعية والترجمة والمزيد.

مثل شبكات CNN ، تتطلب شبكات RNN أيضًا بيانات التدريب للتعلم ثم إجراء التنبؤات. ومع ذلك ، فإن ما يجعل RNNs مختلفة عن CNNs هو أن RNNs قادرة على حفظ إخراج طبقة واحدة وإعادتها إلى الخلايا العصبية للطبقات الأخرى. نتيجة لذلك ، يمكن اعتبار هذا على أنه شبكة تعليقات تحافظ على إعادة معالجة المعلومات ، بدلاً من مجرد تغذية المعلومات إلى الأمام مثل الشبكات العصبية الاصطناعية.

حدود العمل مع الشبكات العصبية

الشبكة العصبية هي مجال للبحث والتعديلات المستمرة. لذلك ، غالبًا ما تكون هناك بعض أوجه القصور التي يتم حلها وتصحيحها لإدخال تعديلات معقدة في التكنولوجيا. لنلقِ نظرة على بعض قيود الشبكات العصبية:

يتطلب الكثير من البيانات

تعمل الشبكات العصبية على كمية هائلة من بيانات التدريب لتعمل بشكل صحيح. إذا لم يكن لديك كميات كبيرة من البيانات ، فسيكون من الصعب على الشبكة تدريب نفسها. علاوة على ذلك ، تحتوي الشبكات العصبية على العديد من المعلمات - مثل معدلات التعلم ، وعدد الخلايا العصبية لكل طبقة ، وعدد الطبقات المخفية ، وما إلى ذلك ، والتي يجب ضبطها بشكل صحيح لتقليل خطأ التنبؤ مع تعظيم فعالية وسرعة التنبؤ. الهدف هو السماح للشبكات العصبية بتكرار وظائف الدماغ البشري ، والتي تحتاج إلى الكثير من البيانات.

يعمل في الغالب كصندوق أسود

نظرًا لأنه غالبًا ما يكون من الصعب معرفة كيفية عمل الطبقات المخفية وتنظيمها ، غالبًا ما يُنظر إلى الشبكات العصبية على أنها بيئة الصندوق الأسود. لذلك ، في حالة حدوث خطأ ، يصبح العثور على سبب الخطأ وإصلاحه أمرًا صعبًا ويستغرق وقتًا طويلاً. حتى لا ننسى ، يصبح أيضًا مكلفًا للغاية. هذا هو أحد الأسباب الرئيسية لعدم استخدام البنوك والمؤسسات المالية للشبكات العصبية لعمل تنبؤات.

غالبًا ما يستغرق التطوير وقتًا طويلاً

نظرًا لأن الشبكات العصبية تتعلم من تلقاء نفسها ، فإن العملية برمتها غالبًا ما تستغرق وقتًا طويلاً ، بصرف النظر عن كونها مكلفة ، عند مقارنتها بأساليب التعلم الآلي التقليدية. تعد الشبكات العصبية أيضًا مكلفة من الناحية الحسابية والمالية لأنها تحتاج إلى الكثير من بيانات التدريب وقوة الحساب للتعلم.

ختاماً

والأكثر من ذلك أن هذا العالم يتطور بسرعة ، مع مرور كل أسبوع. إذا كنت شغوفًا بمعرفة المزيد عن التعلم العميق وكيف يمكن جعل الشبكات العصبية تعمل ، نوصيك بمراجعة برنامج الشهادة المتقدم في التعلم الآلي والتعلم العميق الذي نقدمه بالتعاون مع IIIT-B. تقدم لك هذه الدورة التي تبلغ مدتها 8 أشهر كل ما تحتاجه لبدء حياتك المهنية - من التوجيه الفردي إلى دعم الصناعة إلى إرشادات التوظيف. احصل على نفسك مسجلا اليوم!