كونها مجموعة فرعية مهمة من التعلم الآلي ، فإن الطلب على شهد ارتفاعًا هائلاً ، خاصةً بين المهتمين بإطلاق العنان لإمكانيات لا حدود لها للذكاء الاصطناعي.مستوحاة من الشعبية المتزايدة للتعلم العميق ، فكرت في الخروج بسلسلة من المدونات التي ستعلمك بهذا الاتجاه الجديد في مجال الذكاء الاصطناعي وتساعدك على فهم ما يدور حوله. هذه هي الأولى من بين العديد من المدونات في السلسلة تسمى - دروس التعلم العميق .
دروس التعلم العميق
في هذه المدونة التعليمية Deep Learning Tutorial ، سوف آخذك من خلال الأشياء التالية ، والتي ستكون بمثابة أساسيات للمدونات القادمة:
- ما دع التعلم العميق يأتي إلى حيز الوجود
- ما هو التعلم العميق وكيف يعمل؟
يمكنك الاطلاع على هذا التسجيل لبرنامج Deep Learning Tutorial حيث قام مدربنا بشرح الموضوعات بطريقة مفصلة مع أمثلة ستساعدك على فهم هذا المفهوم بشكل أفضل.
دروس التعلم العميق | شبكات التعلم العميق العصبية | إدوريكا
تطبيقات الذكاء الاصطناعي والتعلم العميق
فكر الآن في هذا ، فبدلاً من قيامك بكل عملك ، لديك آلة لإنهائها من أجلك أو يمكنها فعل شيء كنت تعتقد أنه غير ممكن على الإطلاق. على سبيل المثال:
دمج كود c ++
 | التنبؤ بالمستقبل: يمكن أن يساعدنا في التنبؤ بالزلازل والتسونامي وما إلى ذلك مسبقًا بحيث يمكن اتخاذ تدابير وقائية لإنقاذ العديد من الأرواح من الوقوع في براثن الكوارث الطبيعية. |
| روبوتات الدردشة: سمعتم جميعًا عن Siri ، وهو المساعد الافتراضي للتحكم الصوتي من Apple. صدقني ، بمساعدة التعلم العميق ، تصبح هذه المساعدة الافتراضية أكثر ذكاءً يومًا بعد يوم. في الواقع ، يمكن لـ Siri تكييف نفسه وفقًا للمستخدم وتقديم مساعدة مخصصة بشكل أفضل. |
| السيارات ذاتية القيادة: تخيل ، كم سيكون أمرًا لا يصدق بالنسبة للأشخاص المعاقين جسديًا وكبار السن الذين يجدون صعوبة في القيادة بمفردهم. بصرف النظر عن هذا ، فإنه سينقذ ملايين الأرواح الأبرياء الذين يتعرضون لحوادث الطرق كل عام بسبب خطأ بشري. |
Google AI Eye Doctor: إنها مبادرة حديثة اتخذتها Google حيث يعملون مع سلسلة رعاية العيون الهندية لتطوير برنامج ذكاء اصطناعي يمكنه فحص فحوصات شبكية العين وتحديد حالة تسمى اعتلال الشبكية السكري ، والتي يمكن أن تسبب العمى. |
| مؤلف موسيقى AI: حسنًا ، من كان يعتقد أنه يمكننا الحصول على مؤلف موسيقى AI باستخدام التعلم العميق. ومن ثم ، لن أتفاجأ عندما سمعت أن آلة موسيقية تالية. |
| آلة قراءة الأحلام: هذه واحدة من مفضلاتي ، آلة يمكنها التقاط أحلامك على شكل فيديو أو شيء من هذا القبيل. مع وجود العديد من التطبيقات غير الواقعية للذكاء الاصطناعي والتعلم العميق التي رأيناها حتى الآن ، لم أتفاجأ عندما اكتشفت أن هذا قد تم تجربته في اليابان قبل بضع سنوات على ثلاثة مواضيع اختبار وكانوا قادرين على تحقيق دقة تقترب من 60٪. هذا شيء لا يصدق ، لكنه صحيح. |
أنا متأكد من أن بعض هذه التطبيقات الواقعية للذكاء الاصطناعي والتعلم العميق كانت ستشعر بالقشعريرة. حسنًا ، هذا يضع الأساس لك والآن ، نحن مستعدون للمضي قدمًا في هذا البرنامج التعليمي للتعلم العميق وفهم ما هو الذكاء الاصطناعي.
ما هو الذكاء الاصطناعي؟
الذكاء الاصطناعي ليس سوى قدرة آلة لتقليد السلوك البشري الذكي. يتم تحقيق الذكاء الاصطناعي من خلال محاكاة دماغ الإنسان ، من خلال فهم طريقة تفكيره ، وكيف يتعلم ، وكيف يقرر ، ويعمل أثناء محاولته حل مشكلة ما
فمثلا: آلة لعب الشطرنج ، أو برنامج مفعل بالصوت يساعدك في أشياء مختلفة في جهاز iPhone الخاص بك أو نظام التعرف على لوحة الأرقام الذي يلتقط رقم لوحة السيارة بسرعة زائدة ويعالجها لاستخراج رقم التسجيل وتحديد مالك السيارة . كل هذا لم يكن سهل التنفيذ من قبل تعلم عميق . الآن ، دعونا نفهم المجموعات الفرعية المختلفة للذكاء الاصطناعي.
مجموعات فرعية من الذكاء الاصطناعي
حتى الآن ، كنت قد سمعت الكثير عن الذكاء الاصطناعي والتعلم الآلي والتعلم العميق. ومع ذلك ، هل تعرف العلاقة بين هؤلاء الثلاثة؟ في الأساس ، يعد التعلم العميق مجالًا فرعيًا للتعلم الآلي والتعلم الآلي هو مجال فرعي للذكاء الاصطناعي كما هو موضح في الصورة أدناه:
عندما ننظر إلى شيء مثل ألفاجو ، غالبًا ما يتم تصويره على أنه نجاح كبير للتعلم العميق ، ولكنه في الواقع مزيج من الأفكار من عدة مجالات مختلفة للذكاء الاصطناعي والتعلم الآلي. في الواقع ، ستندهش من معرفة أن الفكرة وراء الشبكات العصبية العميقة ليست جديدة ولكنها تعود إلى الخمسينيات. ومع ذلك ، أصبح من الممكن تنفيذه عمليا بسبب قدرة الموارد المتطورة المتاحة في الوقت الحاضر.
لذا ، للمضي قدمًا في هذه المدونة التعليمية للتعلم العميق ، دعنا نستكشف التعلم الآلي متبوعًا بقيوده.
ما هو علم البيانات؟
ما هو التعلم الآلي؟
التعلم الآلي هو مجموعة فرعية من الذكاء الاصطناعي الذي يوفر لأجهزة الكمبيوتر القدرة على التعلم دون أن تتم برمجتها بشكل صريح. في التعلم الآلي ، لا يتعين علينا تحديد جميع الخطوات أو الشروط بشكل صريح مثل أي تطبيق برمجة آخر. على العكس من ذلك ، يتم تدريب الآلة على مجموعة بيانات تدريبية ، كبيرة بما يكفي لإنشاء نموذج ، مما يساعد الآلة على اتخاذ القرارات بناءً على تعلمها.
فمثلا: نريد تحديد نوع الزهرة بناءً على طول بتلةها وطولها (أوراق زهرة) باستخدام التعلم الآلي. ثم كيف سنفعل ذلك؟
| سنقوم بتغذية مجموعة بيانات الزهور التي تحتوي على خصائص مختلفة للزهور المختلفة جنبًا إلى جنب مع الأنواع الخاصة بها في أجهزتنا كما ترون في الصورة أعلاه. باستخدام مجموعة بيانات الإدخال هذه ، سيقوم الجهاز بإنشاء وتدريب نموذج يمكن استخدامه لتصنيف الزهور إلى فئات مختلفة. |
| بمجرد تدريب نموذجنا ، سنقوم بتمرير مجموعة من الخصائص كمدخلات إلى النموذج. |
| أخيرًا ، سيخرج نموذجنا أنواع الزهرة الموجودة في مجموعة بيانات الإدخال الجديدة. تسمى عملية تدريب الآلة على إنشاء نموذج واستخدامه في اتخاذ القرار التعلم الالي . لكن هذه العملية لها بعض القيود. |
حدود التعلم الآلي
التعلم الآلي غير قادر على التعامل مع البيانات عالية الأبعاد حيث يكون الإدخال والإخراج كبيرًا جدًا. يصبح التعامل مع مثل هذا النوع من البيانات ومعالجته أمرًا معقدًا للغاية وشامل الموارد. هذا يسمى لعنة الأبعاد . لفهم هذا بعبارات أبسط ، دعنا نفكر في الصورة التالية:
| ضع في اعتبارك خطًا طوله 100 ياردة وقد أسقطت عملة معدنية في مكان ما على الخط. الآن ، من الملائم جدًا لك العثور على العملة المعدنية بمجرد السير على الخط. هذا الخط هو كيان ذو بعد واحد. |
| بعد ذلك ، ضع في اعتبارك أن لديك مربعًا طوله 100 ياردة كما هو موضح في الصورة أعلاه ، ومرة أخرى ، قمت بإسقاط عملة معدنية في مكان ما بينهما. الآن ، من الواضح تمامًا أنك ستستغرق وقتًا أطول للعثور على العملة المعدنية داخل هذا المربع مقارنةً بالسيناريو السابق. هذا المربع هو كيان ثنائي الأبعاد. |
| دعنا نتقدم خطوة للأمام من خلال التفكير في مكعب طوله 100 ياردة لكل منهما وقد أسقطت عملة معدنية في مكان ما بينهما. الآن ، أصبح العثور على العملة المعدنية أكثر صعوبة هذه المرة. هذا المكعب هو كيان ثلاثي الأبعاد. |
ومن ثم ، يمكنك ملاحظة أن التعقيد يتزايد مع زيادة الأبعاد.وفي الحياة الواقعية ، تحتوي البيانات عالية الأبعاد التي كنا نتحدث عنها على آلاف الأبعاد التي تجعلها معقدة للغاية في التعامل معها ومعالجتها. يمكن العثور بسهولة على البيانات عالية الأبعاد في حالات الاستخدام مثل معالجة الصور ومعالجة اللغات الطبيعية وترجمة الصور وما إلى ذلك.
لم يكن التعلم الآلي قادرًا على حل حالات الاستخدام هذه ، وبالتالي ، جاء التعلم العميق للإنقاذ. التعلم العميق قادر على التعامل مع البيانات عالية الأبعاد وهو فعال أيضًا في التركيز على الميزات الصحيحة من تلقاء نفسه. تسمى هذه العملية استخراج الميزات. الآن ، دعنا نمضي قدمًا في هذا البرنامج التعليمي Deep Learning ونفهم كيف يعمل التعلم العميق.
كيف يعمل التعلم العميق؟
في محاولة لإعادة هندسة دماغ بشري ، يدرس التعلم العميق الوحدة الأساسية للدماغ والتي تسمى خلية دماغية أو خلية عصبية. مستوحى من الخلايا العصبية ، تم تطوير عصبون اصطناعي أو مجسم. الآن ، دعنا نفهم وظائف الخلايا العصبية البيولوجية وكيف نحاكي هذه الوظيفة في الإدراك الحسي أو الخلايا العصبية الاصطناعية:
إذا ركزنا على بنية الخلية العصبية البيولوجية ، فإنها تحتوي على تشعبات تُستخدم لتلقي المدخلات. يتم تلخيص هذه المدخلات في جسم الخلية وباستخدام المحور العصبي يتم تمريرها إلى الخلايا العصبية البيولوجية التالية كما هو موضح في الصورة أعلاه.
وبالمثل ، يتلقى المستشعر مدخلات متعددة ، ويطبق تحولات ووظائف مختلفة ويوفر مخرجات.
كما نعلم أن دماغنا يتكون من عدة خلايا عصبية متصلة تسمى الشبكة العصبية ، يمكننا أيضًا أن يكون لدينا شبكة من الخلايا العصبية الاصطناعية تسمى الإدراك الحسي لتشكيل شبكة عصبية عميقة. لذا ، دعونا نمضي قدمًا في هذا البرنامج التعليمي Deep Learning لفهم كيف تبدو الشبكة العصبية العميقة.
دروس التعلم العميق: ما هو التعلم العميق؟
- تتكون أي شبكة عصبية عميقة من ثلاثة أنواع من الطبقات:
- طبقة الإدخال
- الطبقة المخفية
- طبقة الإخراج
| في الرسم البياني أعلاه ، الطبقة الأولى هي طبقة الإدخال التي تتلقى جميع المدخلات والطبقة الأخيرة هي طبقة الإخراج التي توفر المخرجات المطلوبة. |
| كل الطبقات الموجودة بين هذه الطبقات تسمى الطبقات المخفية. يمكن أن يكون هناك عدد من الطبقات المخفية بفضل الموارد المتطورة المتاحة هذه الأيام. |
| سيعتمد عدد الطبقات المخفية وعدد الإدراك في كل طبقة كليًا على حالة الاستخدام التي تحاول حلها. |
الآن بعد أن أصبحت لديك صورة لشبكات عصبية عميقة ، دعنا نمضي قدمًا في هذا البرنامج التعليمي Deep Learning للحصول على رؤية عالية المستوى لكيفية حل Deep Neural Networks لمشكلة التعرف على الصور.
استخدام التعلم العميق - الحالة
نريد إجراء التعرف على الصور باستخدام Deep Networks:
| هنا ، نقوم بتمرير البيانات عالية الأبعاد إلى طبقة الإدخال. لمطابقة أبعاد بيانات الإدخال ، ستحتوي طبقة الإدخال على طبقات فرعية متعددة من الإدخالات بحيث يمكنها استهلاك المدخلات بالكامل. |
| سيحتوي الإخراج المستلم من طبقة الإدخال على أنماط وسيكون قادرًا فقط على تحديد حواف الصور بناءً على مستويات التباين. |
| سيتم تغذية هذا الإخراج إلى الطبقة المخفية 1 حيث ستكون قادرة على تحديد ملامح الوجه المختلفة مثل العينين والأنف والأذنين وما إلى ذلك. |
| الآن ، سيتم تغذية هذا إلى الطبقة المخفية 2 حيث ستتمكن من تكوين الوجوه بأكملها. ثم يتم إرسال إخراج الطبقة 2 إلى طبقة الإخراج. |
| أخيرًا ، تقوم طبقة المخرجات بالتصنيف بناءً على النتيجة التي تم الحصول عليها من السابق وتتوقع الاسم. |
دعني أطرح عليك سؤالاً ، ماذا سيحدث إذا فقدت أي من هذه الطبقات أو إذا كانت الشبكة العصبية غير عميقة بما يكفي؟ بسيط ، لن نتمكن من تحديد الصور بدقة. هذا هو السبب في عدم وجود حل لحالات الاستخدام هذه طوال هذه السنوات قبل التعلم العميق. فقط للمضي قدمًا في ذلك ، سنحاول تطبيق الشبكات العميقة على مجموعة بيانات MNIST.
تتكون مجموعة بيانات Mnist من 60.000 عينة تدريب و 10000 عينة اختبار من الصور الرقمية المكتوبة بخط اليد. المهمة هنا هي تدريب نموذج يمكنه التعرف بدقة على الرقم الموجود في الصورة.
جافا الفرق بين الرمي والرمي
- لحل حالة الاستخدام هذه ، سيتم إنشاء شبكة عميقة مع طبقات مخفية متعددة لمعالجة جميع الصور البالغ عددها 60000 بكسل ببكسل ، وفي النهاية سنتلقى طبقة إخراج.
- ستكون طبقة المخرجات عبارة عن مجموعة من الفهرس من 0 إلى 9 ، حيث يتوافق كل فهرس مع الرقم المعني. يحتوي الفهرس 0 على احتمال أن يكون 0 هو الرقم الموجود في صورة الإدخال.
وبالمثل ، فإن الفهرس 2 الذي تبلغ قيمته 0.1 يمثل في الواقع احتمال أن يكون الرقم 2 هو الرقم الموجود في صورة الإدخال. لذلك ، إذا رأينا أعلى احتمال في هذه المصفوفة هو 0.8 وهو موجود في الفهرس 7 للمصفوفة. ومن ثم فإن الرقم الموجود على الصورة هو 7.
خاتمة
إذن يا شباب ، كان هذا كله يتعلق بالتعلم العميق باختصار. في هذا البرنامج التعليمي للتعلم العميق ، رأينا تطبيقات مختلفة للتعلم العميق وفهمنا علاقته مع الذكاء الاصطناعي والتعلم الآلي. بعد ذلك ، فهمنا كيف يمكننا استخدام البيرسبترون أو اللبنات الأساسية للخلايا العصبية الاصطناعية لإنشاء شبكة عصبية عميقة يمكنها أداء مهام معقدة مثل. أخيرًا ، مررنا بإحدى حالات استخدام التعلم العميق حيث قمنا بالتعرف على الصور باستخدام الشبكات العصبية العميقة وفهمنا جميع الخطوات التي تحدث خلف الكواليس. الآن ، في المدونة التالية من سلسلة دروس التعلم العميق هذه ، سوف نتعلم كيفية تنفيذ المدرك باستخدام TensorFlow ، وهي مكتبة تعتمد على Python للتعلم العميق.
الآن بعد أن تعرفت على التعلم العميق ، تحقق من من Edureka ، وهي شركة تعليمية موثوقة عبر الإنترنت مع شبكة تضم أكثر من 250000 متعلم راضٍ منتشرين في جميع أنحاء العالم. تساعد دورة Edureka Deep Learning with TensorFlow Certification Training المتعلمين على أن يصبحوا خبراء في التدريب وتحسين الشبكات العصبية الأساسية والتلافيفية باستخدام مشاريع ومهام في الوقت الفعلي جنبًا إلى جنب مع مفاهيم مثل وظيفة SoftMax والشبكات العصبية للتشفير التلقائي وآلة بولتزمان المقيدة (RBM).
لديك سؤال لنا؟ يرجى ذكر ذلك في قسم التعليقات وسنعاود الاتصال بك.