دور التحيز في الشبكات العصبية

التحيز هو وزن غير متناسب لصالح أو ضد شيء أو فكرة وعادة ما يكون بطريقة متحيزة وغير عادلة ومنغلق الأفق. في معظم الحالات ، يعتبر التحيز أمرًا سلبيًا لأنه يشوش على حكمك ويجعلك تتخذ قرارات غير عقلانية.

ومع ذلك ، فإن دور التحيز في الشبكة العصبية والتعلم العميق يختلف كثيرًا. تشرح هذه المقالة نظام تحيز الشبكة العصبية وكيف يجب عليك استخدامه.

مفهوم البيانات المتحيزة

لفهم نظام تحيز الشبكة العصبية ، علينا أولاً أن نفهم مفهوم البيانات المتحيزة. عندما تغذي شبكتك العصبية بالبيانات ، فإنها تؤثر على سلوك النموذج.

لذلك ، إذا قمت بتغذية شبكتك العصبية ببيانات متحيزة ، فلا يجب أن تتوقع نتائج عادلة من خوارزمياتك. يمكن أن يتسبب استخدام البيانات المتحيزة في أن يعطي نظامك نتائج معيبة للغاية وغير متوقعة.

على سبيل المثال ، ضع في اعتبارك حالة Tay ، chatbot الذي أطلقته Microsoft. كان Tay برنامج دردشة بسيطًا للتحدث إلى الناس من خلال التغريدات. كان من المفترض أن يتعلم من خلال المحتوى الذي ينشره الأشخاص على Twitter. ومع ذلك ، نعلم جميعًا كيف يمكن أن يكون Twitter. لقد دمرت تاي.

بدلاً من أن يكون روبوت محادثة بسيطًا ولطيفًا ، تحول Tay إلى روبوت محادثة عدواني ومهين للغاية. كان الناس يفسدونها بالعديد من المنشورات المسيئة التي تغذي تاي ببيانات متحيزة وتعلم فقط عبارات مسيئة. تم إيقاف تشغيل Tay بعد ذلك بوقت قصير.

أهمية التحيز في الشبكة العصبية

على الرغم من أن حالة تاي كانت مخيبة للآمال للغاية ، إلا أن هذا لا يعني أن كل التحيز أمر سيئ. في الواقع ، إن وجود خلية عصبية متحيزة في الشبكة العصبية أمر بالغ الأهمية. في أدبيات الشبكات العصبية ، نسميها الخلايا العصبية المتحيزة.

تحتوي الشبكة العصبية البسيطة على ثلاثة أنواع من الخلايا العصبية:

1. إدخال الخلايا العصبية
2. تحيز الخلايا العصبية
3. إخراج الخلايا العصبية

تمر الخلايا العصبية المدخلة ببساطة الميزة من مجموعة البيانات بينما تحاكي الخلايا العصبية المتحيزة الميزة الإضافية. نقوم بدمج الخلايا العصبية المدخلة مع الخلايا العصبية Bias للحصول على Output Neuron. ومع ذلك ، لاحظ أن المدخلات الإضافية تساوي دائمًا 1. يمكن لـ Output Neuron أخذ المدخلات ومعالجتها وإنشاء مخرجات الشبكة بالكامل.

لنأخذ مثال نموذج الانحدار الخطي لفهم نظام تحيز الشبكة العصبية.

في الانحدار الخطي ، لدينا الخلية العصبية المدخلة التي تمر بالميزة (a1) والخلايا العصبية التحيزية تحاكي نفس الشيء مع (a0).

سيتم ضرب كلا المدخلات (a1، a0) في الأوزان الخاصة بكل منهما (w1، w0). نتيجة لذلك ، سوف نحصل على Output Neuron كمجموع لمنتجاتهم:

أنا = 0 ن أ أنا ث أنا

نموذج الانحدار الخطي له i = 1 و a0 = 1. إذن ، التمثيل الرياضي للنموذج هو:

ص = أ 1 ث 1 + ث 0

الآن ، إذا أزلنا الخلايا العصبية المتحيزة ، فلن يكون لدينا أي مدخلات تحيز ، مما يجعل نموذجنا يبدو كما يلي:

ص = أ 1 ث 1

لاحظ الفرق؟ بدون إدخال التحيز ، يجب أن يمر نموذجنا بنقطة الأصل (0،0) في الرسم البياني. يمكن أن يتغير ميل الخط الخاص بنا ولكنه يدور فقط من نقطة الأصل.

لجعل نموذجنا مرنًا ، سيتعين علينا إضافة إدخال التحيز ، والذي لا يرتبط بأي إدخال. إنها تمكن النموذج من التحرك لأعلى ولأسفل في الرسم البياني حسب المتطلبات.

السبب الرئيسي لضرورة التحيز في الشبكات العصبية هو أنه بدون أوزان التحيز ، سيكون لنموذجك حركة محدودة للغاية عند البحث عن حل.

تعرف على المزيد حول نظام تحيز الشبكة العصبية

تهدف الشبكات العصبية إلى تقليد عمل الدماغ البشري وبالتالي ، فإن لديها العديد من التعقيدات. يمكن أن يكون فهمها صعبًا للغاية.

أفضل طريقة لدراسة الشبكات العصبية والتعرف على التعلم العميق هي من خلال دورة التعلم الآلي والتعلم العميق. سوف يعلمك الأساسيات والمفاهيم المتقدمة لهذه المجالات من خلال منهج منظم.

نحن في upGrad نقدم شهادة PG في برنامج التعلم الآلي والتعلم العميق مع IIIT-B. تستمر الدورة لمدة ستة أشهر فقط وهي متصلة بالإنترنت بالكامل. هذا يعني أنه يمكنك الدراسة وأنت مرتاح في منزلك دون مقاطعة حياتك المهنية أثناء أخذ هذه الدورة.

ستحصل على إرشاد شخصي 1: 1 من خبراء الصناعة وأكثر من 240 ساعة من التعلم. يجب أن تكون حاصلاً على درجة البكالوريوس بنسبة 50٪ أو ما يعادلها من درجات النجاح لتكون مؤهلاً لهذا البرنامج.

بعد الانتهاء ، ستحصل أيضًا على مساعدة في التوظيف بما في ذلك إنشاء السيرة الذاتية وبوابة فرص العمل ومحركات التوظيف وغير ذلك الكثير. تأكد من إطلاعك على الدورة.

اقرأ أيضًا: أفكار مشروع التعلم الآلي

افكار اخيرة

بينما يعتبر التحيز أمرًا سيئًا في حياتنا اليومية ، في عالم الشبكات العصبية ، فإنه أمر لا بد منه. بدون تحيز ، لن تقدم شبكتك نتائج جيدة ، كما تناولنا في مقال اليوم.

إذا كنت تعرف شخصًا مهتمًا بالشبكات العصبية أو يدرس التعلم العميق ، فشارك هذه المقالة معه.