ما هي الشبكة العصبية العميقة؟

الشبكة العصبية العميقة (DNN) هي تقنية تعلم آلي تسمح للكمبيوتر ، من خلال تدريبه ، بالقيام بمهام يصعب القيام بها باستخدام تقنيات البرمجة التقليدية. خوارزميات الشبكة العصبية مستوحاة من الدماغ البشري ووظائفه: مثل عقلنا البشري ، تم تصميمه للعمل ليس فقط باتباع قائمة محددة مسبقا من القواعد ، ولكن من خلال التنبؤ بالحلول واستخلاص النتائج بناء على التكرارات والتجارب السابقة.

ما هي بنية الشبكة العصبية؟

تتكون الشبكة العصبية من طبقات متعددة من العقد التي تتلقى مدخلات من طبقات أخرى وتنتج مخرجات حتى يتم الوصول إلى النتيجة النهائية. يمكن أن تحتوي الشبكات العصبية على أي عدد من الطبقات المخفية: فكلما زاد عدد طبقات العقد في الشبكة ، زاد التعقيد. فيما يلي بنى الشبكات العصبية المختلفة:

1. الشبكات العصبية التقليدية ، تتكون عادة من 2 أو 3 طبقات خفية ؛
2. شبكة التعلم العميق ، التي يمكن أن تحتوي على ما يصل إلى 150 طبقة مخفية ؛

ما هو الفرق بين الشبكات العصبية والشبكات العصبية العميقة؟

الشبكة العصبية العميقة هي نظام أكثر تعقيدا بكثير من النظام العصبي "البسيط". يمكن مقارنة الشبكة العصبية بلعبة الشطرنج ، وتتصرف وفقا للخوارزميات: سيتم اقتراح تكتيكات مختلفة وفقا لتحركات الخصم وأفعاله. ستقتصر هذه الشبكة العصبية على مدخلات المبرمج:

• كيف تتحرك قطع الشطرنج.
• حجم رقعة الشطرنج
• استراتيجيات مختلفة لحالات مختلفة ؛

الشبكة العصبية التي تتجاوز بيانات الإدخال ويمكنها التعلم من التجارب السابقة تصبح شبكة عصبية عميقة

على نفس الكمبيوتر ، يمكنك ، على سبيل المثال ، تدريب شبكة عصبية ، ثم اللعب بها ضد أشخاص آخرين والسماح لها بالتعلم أثناء تشغيلها. من هناك ، إذا تمكنت الشبكة العصبية من التعلم من لاعبين مختلفين ، فقد يصبح من الصعب ، أو من المستحيل حرفيا ، هزيمة شبكة عصبية عميقة ، حتى بالنسبة لأساتذة الشطرنج.

يمكن للشبكات العصبية العميقة التعرف على الأوامر الصوتية وتحديد الأصوات والتعرف على الأصوات والرسومات والقيام بأكثر بكثير من الشبكة العصبية. تستخدم شبكات التعلم العميق "البيانات الضخمة" جنبا إلى جنب مع الخوارزميات من أجل حل مشكلة ما ، ويمكن لهذه الشبكات العصبية العميقة حل المشكلات بمدخلات بشرية محدودة أو معدومة.

كيف تتصور عمل شبكة عصبية عميقة؟

من الأفضل فهم عملية الشبكة العصبية العميقة من خلال النظر إلى مثال. تخيل أن لديك مئات الآلاف من الصور ، بعضها يحتوي على ، وقررت أنك تريد كتابة برنامج كمبيوتر للتعرف على في الصور.

لديك خياران. يمكنك كتابة برنامج لتحديد بشكل صريح ، أو يمكنك كتابة برنامج "يتعلم" كيفية التعرف على.

أنت تقرر بشكل غير حكيم محاولة القيام بالأول.

استخدام تقنيات البرمجة التقليدية طويل وصعب ، والنتائج ليست دقيقة دائما

من أجل التعرف على صور ، يمكنك إنشاء برنامج باستخدام عبارات "if" و "then" حيث تتم برمجة احتمالية أنك تنظر إلى لزيادة في كل مرة تحدد فيها سمة تشبه مثل الفراء والأذنين المرنة والذيل. ومع ذلك ، فإن هذا النوع من النظام العصبي صعب على العديد من المستويات:

على سبيل المثال ، إذا كانت مجموعة من وحدات البكسل تشبه الذيل ، فقم بزيادة احتمالية أنك تنظر إلى. تحتاج شبكتك العصبية العميقة إلى تحديد مجموعات من وحدات البكسل التي تتوافق مع السمات الشبيهة بالكلاب. حتى إذا تمكنت من القيام بذلك ، فهناك مشكلات في الخوارزمية الخاصة بك:

• تشترك العديد من الأشياء المصورة في بعض السمات الشبيهة بالكلاب ، وخاصة صور المماثلة. سوف تحتاج إلى إضافة قواعد ؛
• في بعض الأحيان تكون السمات موجودة ولكنها محجوبة. الخوارزميات الخاصة بك لن تلتقطها.
• في بعض الأحيان تكون السمات ذات أهمية فقط عند وجود سمات أخرى. ستكون هناك حاجة إلى المزيد من قواعد القرار.

فشل تصنيفك. أنت تدرك أنه لا يمكنك تحديد المجموعة الكاملة من السمات يدويا ناهيك عن وضع جميع القواعد اللازمة للتعامل مع كل هذه الحالات الخاصة.

أنت تستسلم بحكمة وتقرر تجربة النهج الأخير. لاستخدام شبكة عصبية أو ، حتى أفضل ، شبكة عصبية عميقة.

يمكن أن يوفر لك نموذج التعلم العميق وقت الترميز ويقدم نتائج أفضل

سميت الشبكة العصبية بهذا الاسم لأن هناك تشابها بين نهج البرمجة هذا والطريقة التي يعمل بها الدماغ.

تماما مثل الدماغ ، تستخدم خوارزميات الشبكة العصبية شبكة من الخلايا العصبية أو العقد. ومثل الدماغ ، هذه الخلايا العصبية هي وظائف منفصلة (أو آلات صغيرة إذا أردت) تستوعب المدخلات وتولد المخرجات. يتم ترتيب هذه العقد في طبقات حيث تصبح مخرجات الخلايا العصبية في طبقة واحدة مدخلات للخلايا العصبية في الطبقة التالية حتى تولد الخلايا العصبية الموجودة على الطبقة الخارجية للشبكة النتيجة النهائية.

لذلك هناك طبقات من الخلايا العصبية حيث تتلقى كل خلية عصبية فردية مدخلات محدودة للغاية وتولد مخرجات محدودة للغاية تماما كما هو الحال في الدماغ. الطبقة الأولى (أو طبقة الإدخال) من الخلايا العصبية تأخذ المدخلات والطبقة الأخيرة من الخلايا العصبية (أو طبقة الإخراج) في الشبكة تخرج النتيجة.

هل من الدقيق تسمية هذا النوع من الخوارزميات ب "الشبكة العصبية"؟

الدماغ البشري أكثر تعقيدا وقوة من الشبكة العصبية بالطبع. كانت تسمية الخوارزمية باسم "الشبكة العصبية العميقة" بمثابة انقلاب للعلامة التجارية ولكنها قد تخلق توقعات غير واقعية حول ما يمكن تحقيقه باستخدام هذه التقنيات. ومع ذلك ، هناك أشخاص يحاولون إعادة هندسة الدماغ ، باستخدام شبكة عصبية معقدة للغاية ، على أمل أنه من خلال القيام بذلك سيكونون قادرين على تكرار الذكاء العام الشبيه بالإنسان في تطوير الروبوتات. إذن كيف تساعدنا الشبكة العصبية وتقنيات التعلم الآلي في حل مشكلة التعرف على؟

حسنا ، بدلا من تحديد السمات الشبيهة بالكلاب يدويا ، يمكن لخوارزمية الشبكة العصبية العميقة تحديد السمات المهمة والتعامل مع جميع الحالات الخاصة دون برمجة.

كيف تعمل الشبكة العصبية العميقة؟

يقوم بذلك على النحو التالي:

تتلقى كل خلية عصبية في طبقة الإدخال القليل من المعلومات من الصورة كمدخل ثم أوزان عشوائية (بين صفر وواحد) سواء كانت هذه المعلومات تشير إلى أم لا. يعني الوزن المنخفض (أقل من 0.5) أنه من غير المرجح أن تكون المعلومات مرتبطة بكلب والوزن المرتفع يعني أنه من المرجح أن تكون المعلومات مرتبطة بكلب. يسمى نهج الشبكة العصبية متعدد الطبقات هذا التعلم العميق. الشبكات العصبية والتعلم العميق هي تقنيات قوية جدا لتحقيق فهم الكمبيوتر.

تتكون الشبكات العصبية العميقة من طبقات متعددة من العقد تتصرف مثل الخلايا العصبية في دماغنا

للاستمرار في الشبكات العصبية العميقة ، يتم تغذية أوزان هذه الخلايا العصبية كمدخلات في الطبقات الأخرى من الخلايا العصبية التي تقوم أيضا بتعيين الأوزان بشكل عشوائي وتمريرها كمدخلات إلى المزيد من الخلايا العصبية في الشبكة. يستمر هذا حتى تعطي طبقة الإخراج من الخلايا العصبية حكما ثنائيا. إذا كان متوسط الأوزان التي تم تمريرها إليهم أكبر من 0.5 ، فهو وإلا فهو ليس كذلك. هذه الروابط بين الخلايا العصبية وتنشيطها عبر طبقات متعددة من العقد هي التي تمنح تطبيقات الشبكة العصبية العميقة قوتها.

كيف تعرف الشبكة العصبية العميقة ما إذا كانت تنتج الإجابة الصحيحة؟

الأسئلة ذات الصلة في هذه المرحلة هي: هل خمنت الشبكة العصبية العميقة بشكل صحيح أم لا وماذا يحدث إذا كانت قد خمنت أو لم تخمن بشكل صحيح؟ وكيف تعرف الشبكة العصبية ما إذا كان قد تم تخمينها بشكل صحيح أم لا؟

إحدى الطرق التي ستعرفها هي ما إذا كنت قد اضطلعت بمهمة التصنيف التي تستغرق وقتا طويلا للغاية المتمثلة في تسمية جميع الصور "" أو "ليس" اعتمادا على ما إذا كان هناك في الصورة أم لا. ستنظر الشبكة العصبية ببساطة إلى الملصق لمعرفة ما إذا كان قد حدد بشكل صحيح أم لا.

وبالطبع نحن لسنا مهتمين بما إذا كان قد حصل على سؤال "أم لا" مباشرة على صورة واحد. نحن مهتمون بما إذا كان السؤال صحيحا لكل صورة ، أو على الأقل لمعرفة النسبة المئوية للوقت الذي كان دقيقا في تقييم ما إذا كان هناك أم لا في الصورة.

كيف تستخدم الشبكات العصبية العميقة التدريب للتعلم؟

تتعلم الشبكة العصبية من كل تكرار من خلال البيانات لتحسين دقتها

بالنسبة لمجموعة معينة من الأوزان عبر جميع الخلايا العصبية في الشبكة ، ستقوم الشبكة العصبية بإجراء تخمينات لجميع الصور ثم تحديد مدى دقتها. ما هي النسبة المئوية للوقت الذي حصلت فيه على النتيجة الصحيحة ، أي لنفترض أن كان في الصورة عندما كان في الصورة ، وكم مرة حصل على نتيجة خاطئة ، قل أن كان في الصورة عندما لم يكن كذلك أو قل أن لم يكن في الصورة عندما كان. هذا المؤشر على مدى دقة خوارزمية الذكاء الاصطناعي هو ردود فعل أساسية لنموذج الشبكة العصبية.

بمجرد تشغيله من خلال جميع الصور مرة واحدة ، يمكنه بشكل عشوائي (أو غير ذلك) ضبط بعض الأوزان ثم القيام بالتمرين الكامل لتخمين ما هو موجود في الصورة مرة أخرى. إذا كانت نتيجة الجولة الثانية أفضل ، فستبقى بدلا من العودة إلى مجموعة الأوزان السابقة. إذا كانت نتيجة الجولة الثانية أسوأ ، فقد تعود إلى المجموعة السابقة من الأوزان ثم تجرب تعديلات مختلفة على تلك الأوزان.

ستستمر هذه العملية بهذه الطريقة حتى تصبح الشبكة العصبية جيدة في التعرف على في الصور (نأمل).

عندما تتمكن الخوارزمية من تحديد بدقة ، يقال إنها تقاربت. لقد تم "تدريبه" بنجاح على التعرف على.

ما هي الأنواع المختلفة للشبكات العصبية؟

الشبكات العصبية التلافيفية

الشبكات العصبية التلافيفية (CNN) هي نوع من الذكاء الاصطناعي مصمم لمعالجة مجموعات البيانات الكبيرة أو التعلم منها. الشبكة العصبية التلافيفية هي مصطلح تمت صياغته حديثا يصف على وجه التحديد هذا النوع من الشبكات ، أو التكنولوجيا الذكاء الاصطناعي بشكل عام.

شبكات CNN هي أدوات قوية للتعرف على الصور الذكاء الاصطناعي تستخدم التعلم العميق لأداء ليس فقط المهام التوليدية ، ولكن أيضا المهام الوصفية. تتضمن أمثلة المهام التوليدية الاقتصاص التلقائي وكتابة التسميات التوضيحية والتصوير بالفيديو والميموغراف وتراكبات الصور. تحتوي الشبكة العصبية التلافيفية على ما يسمى بالطبقات التلافيفية. كل خلية عصبية في هذه الطبقات تعالج فقط المعلومات من جزء صغير من المجال البصري. تصطف مدخلات كل خلية عصبية بطريقة تشبه المجموع الاختباري لإنشاء خريطة معالم.

الشبكات العصبية الاصطناعية

الشبكة العصبية الاصطناعية (ANN) هي شبكة من العديد من المستقبلات على أعماق أو طبقات مختلفة يمكن فهمها على أنها انحدار لوجستي. غالبا ما يطلق على ANN اسم Feed Forward Neural Network لأن المدخلات تتم معالجتها فقط في الاتجاه الأمامي: تتلقى الطبقة مدخلات وترسل مخرجات بطريقة خطية.

تعرف الشبكات العصبية الاصطناعية أيضا باسم تقريبيات الوظائف العالمية. تسمح خوارزميات الشبكة العصبية البحتة مثل ANNs ووظائف رسم الخرائط التي يمكن تنفيذها كتعلم عميق لأجهزة الكمبيوتر بتعلم أي وظيفة. أحد أسباب أهمية التقريب العالمي هو وظيفة التنشيط. تقدم وظائف التنشيط خصائص غير خطية في الشبكة أثناء تعلم أي علاقة معقدة بين المدخلات والمخرجات. يساعد أنواعا مختلفة من الشبكة على التعلم من بعضها البعض.

كيف تتحسن الشبكة العصبية العميقة بمرور الوقت؟

إحدى الطرق لتخيل ما تفعله الخوارزمية هي تخيل كل خلية عصبية كنوع من اختبار اليقين. بدلا من ترميز كل عبارات if-then هذه لتحديد ، تتم معايرة كل خلية عصبية لإضافة أو استبعاد الحكم النهائي بأن الكائن الموجود في الصورة هو. يبدو الأمر كما لو أن الحكم (مثل أم لا) ينقسم إلى عدد كبير من الأحكام المترابطة التي تساهم بشكل إجمالي في الحكم النهائي.

وبطبيعة الحال، فإن الهدف الأساسي هو تحقيق التقارب إذا كان ذلك ممكنا. من المهم أيضا القيام بذلك في فترة زمنية معقولة ، ويفضل أن يكون ذلك في وقت قصير.

خوارزميات التعلم العميق لديها عملية تعلم تجعل من الصعب فهمها للبشر

المثير للاهتمام هو أن المنطق الذي يسمح للشبكات العصبية بتحديد في الصورة ليس مفهوما للإنسان. تحتوي نماذج التعلم العميق على منطق مخفي ، وهو في الأساس صندوق أسود من طبقات مخفية من العقد التي تنشئ شبكتها العميقة الخاصة. ومع ذلك ، كانت هناك بعض المحاولات لمحاولة تمثيل المنطق وراء الشبكات العصبية بصريا لمهام التعرف على الصور. بالنسبة لحالات أخرى ، لا يمكن رؤية ما تفعله الخوارزمية خلف الكواليس وتظل طرق التعلم العميق مخفية.

تحظى الشبكات العصبية والتعلم الآلي بشعبية الآن ولكن العديد من هذه الخوارزميات كانت معروفة منذ حوالي 50 عاما.

لماذا تحظى الشبكات العصبية العميقة بشعبية متزايدة في مختلف الصناعات؟

أحد الأسباب الرئيسية التي تجعل الشبكات العصبية أكثر شيوعا الآن مما كانت عليه عندما تم اختراعها لأول مرة ، هو أن قوة المعالجة أسرع وأرخص مما كانت عليه. لقد أحدثت قوة الحوسبة فرقا كبيرا في تحقيق التقارب السريع. السبب الآخر هو أن البيانات موجودة الآن في كل مكان مما يزيد من قيمة الخوارزميات التي يمكنها الاستفادة من البيانات مثل chatbots للأعمال

تتطلب الشبكات العصبية المتقدمة قوة معالجة عالية والكثير من البيانات

الشبكات العصبية للتعلم العميق هي تقنيات متعطشة للبيانات والمعالجات يمكنها تحقيق نتائج يستحيل على المبرمجين الذين يستخدمون تقنيات البرمجة تحقيقها. وهي مناسبة بشكل مثالي لبعض المشاكل التي تتوفر فيها البيانات في كل مكان ومن السهل تصنيف النتائج المفضلة أو ترتيبها.

بدون وجود مئات الآلاف أو يفضل الملايين من صور ، سيكون من المستحيل تدريب الخوارزمية. تعمل هذه التقنيات فقط عند توفر الكثير من البيانات. هذا واضح إلى حد ما حيث من غير المحتمل أن يتم تمثيل جميع الحالات الخاصة في مجموعة من 1000 صورة فقط.

يمكن أن تواجه الشبكات العصبية بيانات منظمة أو بيانات غير منظمة

مشكلة واحدة في المثال أعلاه هي أن الكثير من العمل اليدوي ينطوي على تسمية جميع الصور. من الأسهل على الخوارزميات استخدام البيانات التي يتم تصنيفها بطريقة منظمة. يسمى التعلم الآلي للشبكة العصبية الذي يستخدم البيانات المنظمة التعلم الخاضع للإشراف.

يقودنا هذا إلى سؤال مركزي: هل من الممكن تجنب كل هذا العمل في وضع العلامات؟ سيكون ذلك جيدا لأنه لا يمكنك فقط تجنب الكثير من العمل اليدوي ولكن أيضا معظم البيانات المتاحة على الإنترنت غير منظمة ، أي لم يتم تصنيفها أو تنظيمها بعناية.

هل يمكن للشبكات العصبية العمل مع البيانات غير المهيكلة؟

تسمى الشبكات العصبية الاصطناعية والتعلم الآلي الذي يعمل مع البيانات غير المهيكلة التعلم غير الخاضع للإشراف. بالطبع ، هذه هي الكأس المقدسة للتعلم الآلي وهي أكثر تشابها مع كيفية تعلم البشر. ومع ذلك ، حتى التعلم غير الخاضع للإشراف من قبل الآلات يتطلب بيانات أكثر بكثير "للتعلم" مما يفعله البشر ولا يمكن للآلات استقراء أمثلة بسهولة خارج ما تم تدريبهم عليه.

تحاول العديد من نماذج التعلم العميق إعادة إنتاج عمليات الدماغ البشري

يعتقد بعض الناس أنه يمكن تطوير هذه الأنواع من الخوارزميات ، ربما عن طريق إعادة هندسة الدماغ ، لدرجة أن الخوارزميات تبدأ في الاقتراب من "الفهم" على المستوى البشري. وهم يعتقدون أنه سيكون من الممكن استخدام تقنية المسح المتطورة للدماغ لإعطائنا نظرة ثاقبة حول كيفية عمل الشبكات العصبية للدماغ بالفعل. من خلال نسخ هذه التصاميم والأنماط ، يمكننا تكرار الذكاء على مستوى الإنسان.

في حين أن التقنيات هي بلا شك بارعة ومفيدة للغاية ، خاصة عندما تتوفر مجموعة كبيرة من البيانات ، فمن الصعب تخيل أن مثل هذه الخوارزميات البسيطة يمكن أن تكون أساسا لذكاء شبيه بالإنسان مبدع للغاية.

‍