ما هي الشبكة العصبية؟ مقدمة عن الشبكات العصبية الاصطناعية

مع التقدم في التعلم الآلي ، اتخذ طريقًا سريعًا. يعتبر التعلم العميق من أكثر التقنيات تقدمًا التي تم إنشاؤها لحل المشكلات المعقدة التي تستخدم مجموعات بيانات ضخمة. ستقدم لك هذه المدونة حول ما هي الشبكات العصبية المفاهيم الأساسية للشبكات العصبية وكيف يمكنها حل المشكلات المعقدة التي تعتمد على البيانات.

للحصول على معرفة متعمقة بالذكاء الاصطناعي والتعلم العميق ، يمكنك التسجيل في البث المباشر بواسطة Edureka مع دعم على مدار الساعة طوال أيام الأسبوع وإمكانية الوصول مدى الحياة.

فيما يلي قائمة بالموضوعات التي سيتم تناولها في هذا مدونة:

1. ما هي الشبكة العصبية؟
2. ما هو التعلم العميق؟
3. الفرق بين AI و ML و DL
4. الحاجة إلى التعلم العميق
5. واقعة استخدام التعلم العميق
6. كيف تعمل الشبكات العصبية؟
7. وأوضح الشبكة العصبية مع مثال

تعريف بسيط للشبكة العصبية

على غرار الدماغ البشري ، أ تم بناء الشبكة العصبية لتقليد وظائف الدماغ البشري . الدماغ البشري عبارة عن شبكة عصبية تتكون من عدة خلايا عصبية ، وبالمثل ، فإن الشبكة العصبية الاصطناعية (ANN) تتكون من عدة مدركات (موضحة لاحقًا).

تتكون الشبكة العصبية من ثلاث طبقات مهمة:

• طبقة الإدخال: كما يوحي الاسم ، تقبل هذه الطبقة جميع المدخلات التي يوفرها المبرمج.
• الطبقة المخفية: بين طبقة الإدخال والإخراج توجد مجموعة من الطبقات تُعرف باسم الطبقات المخفية. في هذه الطبقة ، يتم إجراء الحسابات التي ينتج عنها الإخراج.
• طبقة الإخراج: تمر المدخلات بسلسلة من التحويلات عبر الطبقة المخفية والتي تؤدي في النهاية إلى الإخراج الذي يتم تسليمه عبر هذا طبقة.

قبل أن ندخل في أعماق كيفية عمل الشبكة العصبية ، دعنا نفهم ما هو التعلم العميق.

ما هو التعلم العميق؟

التعلم العميق هو مجال متقدم من مجالات التعلم الآلي الذي يستخدم مفاهيم الشبكات العصبية لحل حالات الاستخدام الحسابية العالية التي تنطوي على تحليل البيانات متعددة الأبعاد. يقوم بأتمتة عملية استخراج الميزات ، مع التأكد من أن الحد الأدنى من التدخل البشري مطلوب.

ما المقصود بسحابة خدمة Salesforce

إذن ما هو التعلم العميق بالضبط؟

التعلم العميق متقدم مجال فرعي للتعلم الآلي يستخدم خوارزميات مستوحاة من بنية ووظيفة الدماغ تسمى الشبكات العصبية الاصطناعية.

الفرق بين الذكاء الاصطناعي والتعلم الآلي والتعلم العميق (الذكاء الاصطناعي مقابل التعلم الآلي مقابل التعلم العميق)

غالبًا ما يميل الناس إلى الاعتقاد بذلك ، و و تعلم عميق هي نفسها لأن لديهم تطبيقات مشتركة. على سبيل المثال ، Siri هو تطبيق للذكاء الاصطناعي والتعلم الآلي والتعلم العميق.

إذن كيف ترتبط هذه التقنيات؟

• الذكاء الاصطناعي هو علم جعل الآلات تحاكي سلوك البشر.
• التعلم الالي هي مجموعة فرعية من الذكاء الاصطناعي (AI) تركز على جعل الآلات تتخذ القرارات من خلال تزويدها بالبيانات.
• تعلم عميق هي مجموعة فرعية من التعلم الآلي الذي يستخدم مفهوم الشبكات العصبية لحل المشكلات المعقدة.

لتلخيص ذلك ، يعد الذكاء الاصطناعي والتعلم الآلي والتعلم العميق مجالات مترابطة. يساعد التعلم الآلي والتعلم العميق الذكاء الاصطناعي من خلال توفير مجموعة من الخوارزميات والشبكات العصبية لحلها مشاكل البيانات.

الآن بعد أن أصبحت على دراية بالأساسيات ، دعنا نفهم ما أدى إلى الحاجة إلى التعلم العميق.

الحاجة إلى التعلم العميق: قيود خوارزميات وتقنيات التعلم الآلي التقليدية

كان التعلم الآلي إنجازًا كبيرًا في العالم التقني ، فقد أدى إلى أتمتة المهام الرتيبة والمستهلكة للوقت ، وساعد في حل المشكلات المعقدة واتخاذ قرارات أكثر ذكاءً. ومع ذلك ، كانت هناك بعض العيوب في التعلم الآلي التي أدت إلى ظهور التعلم العميق.

فيما يلي بعض قيود التعلم الآلي:

1. غير قادر على معالجة البيانات عالية الأبعاد: يمكن للتعلم الآلي معالجة أبعاد صغيرة فقط من البيانات التي تحتوي على مجموعة صغيرة من المتغيرات. إذا كنت ترغب في تحليل البيانات التي تحتوي على مئات المتغيرات ، فلا يمكن استخدام التعلم الآلي.
2. هندسة الميزات يدوية: ضع في اعتبارك حالة استخدام حيث يكون لديك 100 متغير توقع وتحتاج إلى تضييق نطاق المتغيرات المهمة فقط. للقيام بذلك ، عليك دراسة العلاقة بين كل من المتغيرات يدويًا ومعرفة أيها مهم في توقع المخرجات. هذه المهمة شاقة للغاية وتستغرق وقتًا طويلاً بالنسبة للمطور.
3. ليست مثالية لإجراء اكتشاف الكائنات ومعالجة الصور: نظرًا لأن اكتشاف الكائنات يتطلب بيانات عالية الأبعاد ، فلا يمكن استخدام التعلم الآلي لمعالجة مجموعات بيانات الصور ، فهو مثالي فقط لمجموعات البيانات ذات عدد محدود من الميزات.

قبل أن ندخل في أعماق الشبكات العصبية ، دعنا نفكر في حالة استخدام في العالم الحقيقي حيث يتم تنفيذ التعلم العميق.

حالة استخدام التعلم العميق / التطبيقات

هل تعلم أن PayPal يعالج أكثر من 235 مليار دولار من المدفوعات من أربعة مليارات معاملة من قبل أكثر من 170 مليون عميل؟ يستخدم هذا الكم الهائل من البيانات لتحديد الأنشطة الاحتيالية المحتملة من بين أسباب أخرى.

بمساعدة خوارزميات التعلم العميق ، استخرج PayPal البيانات من سجل الشراء الخاص بالعميل بالإضافة إلى مراجعة أنماط الاحتيال المحتمل المخزنة في قواعد البيانات الخاصة به للتنبؤ بما إذا كانت معاملة معينة احتيالية أم لا.

تعتمد الشركة على تقنية Deep Learning & Machine Learning منذ حوالي 10 سنوات. في البداية ، استخدم فريق مراقبة الاحتيال نماذج خطية بسيطة. ولكن على مر السنين ، تحولت الشركة إلى تقنية أكثر تقدمًا للتعلم الآلي تسمى Deep Learning.

نقل مدير مخاطر الاحتيال وعالم البيانات في PayPal ، Ke Wang ، ما يلي:

'ما نتمتع به من التعلم الآلي الأكثر تقدمًا وحداثة هو قدرته على استهلاك الكثير من البيانات ، والتعامل مع طبقات وطبقات التجريد والقدرة على' رؤية 'الأشياء التي لا تستطيع التكنولوجيا الأبسط رؤيتها ، حتى البشر لا تكون قادرة على الرؤية '.

النموذج الخطي البسيط قادر على استهلاك حوالي 20 متغيرًا. ومع ذلك ، باستخدام تقنية التعلم العميق ، يمكن للمرء تشغيل الآلاف من نقاط البيانات. لذلك ، من خلال التنفيذ تقنية التعلم العميق ، يمكن لـ PayPal أخيرًا تحليل ملايين المعاملات لتحديد أي عملية احتيال نشاط.

دعنا الآن ننتقل إلى أعماق الشبكة العصبية ونفهم كيفية عملها.

كيف تعمل الشبكة العصبية؟

لفهم الشبكات العصبية ، نحتاج إلى كسرها وفهم الوحدة الأساسية للشبكة العصبية ، أي Perceptron.

ما هو المستدرك؟

إن Perceptron عبارة عن شبكة عصبية ذات طبقة واحدة تُستخدم لتصنيف البيانات الخطية. يحتوي على 4 مكونات مهمة:

1. المدخلات
2. الأوزان والانحياز
3. دالة الجمع
4. التنشيط أو وظيفة التحويل

المنطق الأساسي وراء Perceptron هو كما يلي:

يتم ضرب المدخلات (x) المستلمة من طبقة الإدخال مع الأوزان المخصصة لها. ثم يتم إضافة القيم المضاعفة لتكوين المجموع المرجح. ثم يتم تطبيق المجموع المرجح للمدخلات وأوزانها على وظيفة التنشيط ذات الصلة. تقوم وظيفة التنشيط بتعيين الإدخال إلى الإخراج المعني.

الأوزان والتحيز في التعلم العميق

لماذا يتعين علينا تعيين أوزان لكل إدخال؟

بمجرد تغذية متغير الإدخال إلى الشبكة ، يتم تعيين قيمة تم اختيارها عشوائيًا كوزن هذا الإدخال. يشير وزن كل نقطة بيانات إدخال إلى مدى أهمية هذا الإدخال في توقع النتيجة.

من ناحية أخرى ، تسمح لك معلمة التحيز بضبط منحنى وظيفة التنشيط بطريقة تحقق مخرجات دقيقة.

دالة الجمع

بمجرد تعيين بعض الوزن للمدخلات ، يتم أخذ منتج المدخلات والوزن المعني. إضافة كل هذه المنتجات يعطينا المجموع المرجح. يتم ذلك عن طريق وظيفة الجمع.

وظيفة التنشيط

الهدف الرئيسي من وظائف التنشيط هو تعيين المجموع المرجح للمخرجات. تعتبر وظائف التنشيط مثل tanh و ReLU و sigmoid وما إلى ذلك أمثلة على وظائف التحويل.

لمعرفة المزيد حول وظائف Perceptrons ، يمكنك متابعة هذا مدونة.

قبل ان اختتم هذه المدونة ، دعنا نأخذ مثالًا بسيطًا لفهم كيفية عمل الشبكة العصبية.

شرح الشبكات العصبية بمثال

ضع في اعتبارك سيناريو تقوم فيه ببناء شبكة عصبية اصطناعية (ANN) تصنف الصور إلى فئتين:

• الفئة أ: تحتوي على صور أوراق غير مريضة
• الفئة ب: تحتوي على صور أوراق مريضة

إذن كيف يمكنك إنشاء شبكة عصبية تصنف الأوراق إلى محاصيل مريضة وغير مريضة؟

تبدأ العملية دائمًا بمعالجة المدخلات وتحويلها بطريقة يمكن معالجتها بسهولة. في حالتنا ، سيتم تقسيم كل صورة ورقة إلى وحدات بكسل اعتمادًا على أبعاد الصورة.

على سبيل المثال ، إذا كانت الصورة مكونة من 30 × 30 بكسل ، فسيكون العدد الإجمالي للبكسل 900. يتم تمثيل هذه البكسلات كمصفوفات ، والتي يتم إدخالها بعد ذلك في طبقة الإدخال للشبكة العصبية.

تمامًا مثل الطريقة التي تحتوي بها أدمغتنا على خلايا عصبية تساعد في بناء الأفكار وربطها ، تمتلك ANN مدركات تقبل المدخلات وتعالجها عن طريق تمريرها من طبقة الإدخال إلى الطبقة المخفية وأخيرًا طبقة الإخراج.

عندما يتم تمرير المدخلات من طبقة الإدخال إلى الطبقة المخفية ، يتم تعيين وزن عشوائي أولي لكل مدخل. يتم بعد ذلك ضرب المدخلات بأوزانها المقابلة وإرسال مجموعها كمدخل إلى الطبقة المخفية التالية.

هنا ، يتم تعيين قيمة عددية تسمى التحيز لكل مدرك ، والتي ترتبط بوزن كل مدخل. علاوة على ذلك ، يتم تمرير كل إدراك من خلال التنشيط أو وظيفة التحويل التي تحدد ما إذا كان سيتم تنشيط مستشعر معين أم لا.

يتم استخدام المستشعر النشط لنقل البيانات إلى الطبقة التالية. بهذه الطريقة ، يتم نشر البيانات (الانتشار إلى الأمام) من خلال الشبكة العصبية حتى تصل المستشعرات إلى طبقة الإخراج.

في طبقة المخرجات ، يتم اشتقاق احتمال يحدد ما إذا كانت البيانات تنتمي إلى الفئة A أو الفئة B.

ما هو بيثون __init__

تبدو بسيطة ، أليس كذلك؟ حسنًا ، يعتمد المفهوم الكامن وراء الشبكات العصبية تمامًا على أداء الدماغ البشري. أنت بحاجة إلى معرفة متعمقة بمختلف المفاهيم والخوارزميات الرياضية. إليك قائمة بالمدونات لتبدأ بها:

1. ما هو التعلم العميق؟ الشروع في التعلم العميق
2. التعلم العميق باستخدام Python: دليل المبتدئين إلى التعلم العميق

إذا وجدت هذه المدونة ذات صلة ، فتحقق 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).