كان يُعتقد في الأصل أن الذكاء الاصطناعي (AI) هو حلم بعيد المنال ، وتكنولوجيا للمستقبل ، لكن هذا لم يعد كذلك.
ما كان موضوعًا بحثيًا في يوم من الأيام ينفجر الآن في العالم الحقيقي. تم العثور على الذكاء الاصطناعي الآن في مجموعة متنوعة من الأماكن ، بما في ذلك مكان عملك ، والمدرسة ، والمصارف ، والمستشفيات ، وحتى هاتفك.
إنها عيون المركبات ذاتية القيادة ، وأصوات Siri و Alexa ، والعقول التي تقف وراء التنبؤ بالطقس ، والأيدي وراء الجراحة بمساعدة الروبوت ، والمزيد.
الذكاء الاصطناعي أصبحت (AI) سمة مألوفة في الحياة الحديثة. في السنوات العديدة الماضية ، برز الذكاء الاصطناعي كلاعب رئيسي في مجموعة واسعة من تقنيات تكنولوجيا المعلومات.
أخيرًا ، يستخدم الذكاء الاصطناعي الشبكة العصبية لتعلم أشياء جديدة.
لذلك سنتعرف اليوم على الشبكات العصبية وكيف تعمل وأنواعها وتطبيقاتها وغير ذلك الكثير.
ما هي الشبكة العصبية؟
In آلة التعلم، الشبكة العصبية هي شبكة مبرمجة بالبرمجيات من الخلايا العصبية الاصطناعية. يحاول تقليد الدماغ البشري من خلال وجود طبقات عديدة من "الخلايا العصبية" ، والتي تشبه الخلايا العصبية في دماغنا.
ستقبل الطبقة الأولى من الخلايا العصبية الصور والفيديو والصوت والنص والمدخلات الأخرى. تتدفق هذه البيانات عبر جميع المستويات ، مع تدفق إخراج الطبقة إلى المستوى التالي. هذا أمر بالغ الأهمية لأصعب المهام ، مثل معالجة اللغة الطبيعية للتعلم الآلي.
ومع ذلك ، في حالات أخرى ، يفضل استهداف ضغط النظام لتقليل حجم النموذج مع الحفاظ على الدقة والكفاءة. يعد تقليم الشبكة العصبية طريقة ضغط تتضمن إزالة الأوزان من نموذج تم تعلمه. فكر في شبكة عصبية للذكاء الاصطناعي تم تدريبها لتمييز الناس عن الحيوانات.
سيتم تقسيم الصورة إلى أجزاء ساطعة ومظلمة بواسطة الطبقة الأولى من الخلايا العصبية. سيتم تمرير هذه البيانات إلى الطبقة التالية ، والتي ستحدد مكان الحواف.
ستحاول الطبقة التالية التعرف على الأشكال التي أنشأتها مجموعة الحواف. وفقًا للبيانات التي تم التدريب عليها ، ستمر البيانات عبر طبقات متعددة بطريقة مماثلة لتحديد ما إذا كانت الصورة التي قدمتها لإنسان أم حيوان.
عندما يتم إعطاء البيانات في شبكة عصبية ، فإنها تبدأ في معالجتها. بعد ذلك ، تتم معالجة البيانات عبر مستوياتها للحصول على النتيجة المرجوة. الشبكة العصبية هي آلة تتعلم من المدخلات المنظمة وتعرض النتائج. هناك ثلاثة أنواع من التعلم يمكن أن تحدث في الشبكات العصبية:
- التعلم الخاضع للإشراف - تُعطى المدخلات والمخرجات للخوارزميات باستخدام البيانات المصنفة. بعد تعليمهم كيفية تحليل البيانات ، توقعوا النتيجة المرجوة.
- التعلم غير الخاضع للإشراف - تتعلم ANN بدون مساعدة الإنسان. لا توجد بيانات معنونة ، ويتم تحديد الإخراج من خلال الأنماط الموجودة في بيانات الإخراج.
- تعزيز التعلم هو عندما تتعلم الشبكة من الملاحظات التي تتلقاها.
كيف تعمل الشبكات العصبية؟
تُستخدم الخلايا العصبية الاصطناعية في الشبكات العصبية ، وهي أنظمة متطورة. تتكون الخلايا العصبية الاصطناعية ، والمعروفة أيضًا باسم perceptrons ، من المكونات التالية:
- إدخال
- الوزن
- انحياز
- وظيفة التنشيط
- الناتج
طبقات الخلايا العصبية التي تشكل الشبكات العصبية. تتكون الشبكة العصبية من ثلاث طبقات:
- طبقة الإدخال
- الطبقة المخفية
- طبقة الإخراج
يتم إرسال البيانات في شكل قيمة رقمية إلى طبقة الإدخال. الطبقات المخفية للشبكة هي التي تقوم بمعظم العمليات الحسابية. طبقة المخرجات ، أخيرًا وليس آخرًا ، تتوقع النتيجة. تسيطر الخلايا العصبية على بعضها البعض في شبكة عصبية. تستخدم الخلايا العصبية لبناء كل طبقة. يتم توجيه البيانات إلى الطبقة المخفية بعد أن تحصل عليها طبقة الإدخال.
يتم تطبيق الأوزان على كل مدخلات. ضمن الطبقات المخفية للشبكة العصبية ، الوزن هو القيمة التي تترجم البيانات الواردة. تعمل الأوزان بضرب بيانات الإدخال في قيمة الوزن في طبقة الإدخال.
ثم تبدأ قيمة الطبقة المخفية الأولى. يتم تحويل بيانات الإدخال وتمريرها إلى الطبقة الأخرى عبر الطبقات المخفية. طبقة الإخراج هي المسؤولة عن توليد النتيجة النهائية. يتم مضاعفة المدخلات والأوزان ، ويتم تسليم النتيجة إلى الخلايا العصبية للطبقة المخفية كمجموع. يتم إعطاء كل خلية عصبية تحيزًا. لحساب الإجمالي ، تضيف كل خلية عصبية المدخلات التي تتلقاها.
بعد ذلك ، تمر القيمة عبر وظيفة التنشيط. تحدد نتيجة وظيفة التنشيط ما إذا كان يتم تنشيط الخلية العصبية أم لا. عندما تكون الخلية العصبية نشطة ، فإنها ترسل المعلومات إلى الطبقات الأخرى. يتم إنشاء البيانات في الشبكة حتى تصل الخلية العصبية إلى طبقة الإخراج باستخدام هذه الطريقة. الانتشار إلى الأمام هو مصطلح آخر لهذا.
تُعرف تقنية تغذية البيانات في عقدة الإدخال والحصول على المخرجات من خلال عقدة الإخراج باسم انتشار التغذية إلى الأمام. عندما يتم قبول بيانات الإدخال بواسطة الطبقة المخفية ، يحدث انتشار التغذية إلى الأمام. تتم معالجتها وفقًا لوظيفة التنشيط ثم يتم تمريرها إلى الإخراج.
يتم توقع النتيجة من قبل الخلايا العصبية في طبقة الإخراج ذات الاحتمال الأعلى. يحدث Backpropagation عندما يكون الإخراج غير صحيح. تتم تهيئة الأوزان لكل إدخال أثناء إنشاء شبكة عصبية. Backpropagation هي عملية إعادة ضبط أوزان كل مدخل لتقليل الأخطاء وتوفير مخرجات أكثر دقة.
أنواع الشبكات العصبية
1. بيرسبترون
يعد نموذج إدراك مينسكي-بابيرت أحد أبسط وأقدم نماذج الخلايا العصبية. إنها أصغر وحدة في الشبكة العصبية تقوم بإجراء حسابات معينة لاكتشاف الخصائص أو ذكاء الأعمال في البيانات الواردة. يأخذ المدخلات الموزونة ويطبق وظيفة التنشيط للحصول على النتيجة النهائية. TLU (وحدة منطق العتبة) هو اسم آخر لـ perceptron.
Perceptron هو مصنف ثنائي وهو نظام تعليمي خاضع للإشراف يقسم البيانات إلى مجموعتين. بوابات المنطق، بوابات منطقية يمكن تنفيذ مثل AND و OR و NAND باستخدام المستقبلين.
2. شبكة التغذية الأمامية العصبية
النسخة الأساسية من الشبكات العصبية ، والتي تتدفق فيها بيانات الإدخال حصريًا في اتجاه واحد ، تمر عبر العقد العصبية الاصطناعية وتخرج من خلال عقد الإخراج. توجد طبقات الإدخال والإخراج في الأماكن التي قد تكون أو لا توجد بها طبقات مخفية. يمكن وصفها بأنها شبكة عصبية ذات طبقة واحدة أو متعددة الطبقات تعتمد على التغذية الأمامية.
يتم تحديد عدد الطبقات المستخدمة من خلال تعقيد الوظيفة. إنه ينتشر للأمام فقط في اتجاه واحد ولا ينتشر للخلف. هنا ، تظل الأوزان ثابتة. يتم ضرب المدخلات بالأوزان لتغذية وظيفة التنشيط. يتم استخدام وظيفة تنشيط التصنيف أو وظيفة تنشيط الخطوة للقيام بذلك.
3. متعدد الطبقات perceptron
مقدمة متطورة شبكات عصبية، حيث يتم توجيه بيانات الإدخال عبر طبقات عديدة من الخلايا العصبية الاصطناعية. إنها شبكة عصبية مرتبطة تمامًا ، حيث أن كل عقدة متصلة بجميع الخلايا العصبية في الطبقة التالية. توجد طبقات مخفية متعددة ، على سبيل المثال ، ثلاث طبقات على الأقل أو أكثر ، في طبقات الإدخال والإخراج.
إنها تمتلك انتشارًا ثنائي الاتجاه ، مما يعني أنه يمكن أن ينتشر إلى الأمام والخلف. يتم ضرب المدخلات بالأوزان وإرسالها إلى وظيفة التنشيط ، حيث يتم تغييرها عن طريق backpropagation لتقليل الخسارة.
الأوزان هي قيم تعلمتها الآلة من الشبكات العصبية ، ببساطة. اعتمادًا على التباين بين المخرجات المتوقعة ومدخلات التدريب ، يتم ضبطهم ذاتيًا. يتم استخدام Softmax كوظيفة تنشيط طبقة الإخراج بعد وظائف التنشيط غير الخطية.
4. الشبكة العصبية التلافيفية
على عكس المصفوفة التقليدية ثنائية الأبعاد ، تحتوي الشبكة العصبية الالتفافية على تكوين ثلاثي الأبعاد من الخلايا العصبية. تُعرف الطبقة الأولى بالطبقة التلافيفية. كل خلية عصبية في الطبقة التلافيفية تعالج المعلومات فقط من جزء محدود من المجال البصري. مثل عامل التصفية ، يتم أخذ ميزات الإدخال في وضع الدُفعات.
تفهم الشبكة الصور في الأقسام ويمكنها تنفيذ هذه الإجراءات عدة مرات لإنهاء معالجة الصور بالكامل.
يتم تحويل الصورة من RGB أو HSI إلى التدرج الرمادي أثناء المعالجة. ستساعد الاختلافات الإضافية في قيمة البكسل في اكتشاف الحواف ، ويمكن تصنيف الصور في عدة مجموعات. يحدث الانتشار أحادي الاتجاه عندما تحتوي CNN على طبقة تلافيفية واحدة أو أكثر متبوعة بالتجميع ، ويحدث الانتشار ثنائي الاتجاه عندما يتم إرسال ناتج طبقة الالتواء إلى شبكة عصبية متصلة بالكامل لتصنيف الصور.
لاستخراج عناصر معينة من الصورة ، يتم استخدام المرشحات. في MLP ، يتم ترجيح المدخلات ويتم توفيرها في وظيفة التنشيط. يستخدم RELU في الالتواء ، بينما يستخدم MLP وظيفة التنشيط غير الخطية متبوعة بـ softmax. في التعرف على الصور والفيديو ، والتحليل الدلالي ، واكتشاف إعادة الصياغة ، تنتج الشبكات العصبية التلافيفية نتائج ممتازة.
5. شبكة التحيز الشعاعي
يتبع متجه الإدخال طبقة من الخلايا العصبية RBF وطبقة إخراج مع عقدة واحدة لكل فئة في شبكة وظيفة الأساس الشعاعي. يتم تصنيف المدخلات من خلال مقارنتها مع نقاط البيانات من مجموعة التدريب ، حيث يحتفظ كل خلية عصبية بنموذج أولي. هذا أحد أمثلة مجموعة التدريب.
تحسب كل خلية عصبية المسافة الإقليدية بين المدخلات ونموذجها الأولي عندما يجب تصنيف متجه إدخال جديد [المتجه n ذي الأبعاد الذي تحاول تصنيفه]. إذا كان لدينا فئتان ، الفئة أ والفئة ب ، فإن المدخلات الجديدة المراد تصنيفها تشبه إلى حد كبير نماذج الفئة أ من النماذج الأولية للفئة ب.
نتيجة لذلك ، قد يتم تصنيفها أو تصنيفها على أنها فئة أ.
6. الشبكة العصبية المتكررة
تم تصميم الشبكات العصبية المتكررة لحفظ إخراج الطبقة ثم إعادة إدخالها مرة أخرى في الإدخال للمساعدة في التنبؤ بنتيجة الطبقة. تغذية إلى الأمام الشبكة العصبية هي عادةً الطبقة الأولية ، متبوعةً بطبقة شبكة عصبية متكررة ، حيث تتذكر وظيفة الذاكرة جزءًا من المعلومات التي كانت لديها في الخطوة الزمنية السابقة.
يستخدم هذا السيناريو الانتشار الأمامي. يحفظ البيانات التي ستكون مطلوبة في المستقبل. في حالة عدم صحة التنبؤ ، يتم استخدام معدل التعلم لإجراء تعديلات طفيفة. نتيجة لذلك ، مع تقدم backpropagation ، سوف تصبح دقيقة بشكل متزايد.
التطبيقات
تُستخدم الشبكات العصبية للتعامل مع مشاكل البيانات في مجموعة متنوعة من التخصصات ؛ وترد أدناه بعض الأمثلة.
- التعرف على الوجه - تعمل حلول التعرف على الوجه كنظم مراقبة فعالة. تربط أنظمة التعرف الصور الرقمية بالوجوه البشرية. يتم استخدامها في المكاتب للدخول الانتقائي. وبالتالي ، تتحقق الأنظمة من الوجه البشري وتقارنه بقائمة المعرفات المخزنة في قاعدة البيانات الخاصة به.
- التنبؤ بالمخزون - الاستثمارات معرضة لمخاطر السوق. من الصعب عملياً توقع التطورات المستقبلية في سوق الأوراق المالية شديد التقلب. قبل الشبكات العصبية ، كانت المراحل الصعودية والهبوطية المتغيرة باستمرار غير متوقعة. لكن ما الذي غير كل شيء؟ بالطبع ، نحن نتحدث عن الشبكات العصبية ... يتم استخدام متعدد الطبقات Perceptron MLP (نوع من نظام الذكاء الاصطناعي المغذي) لإنشاء توقعات مخزون ناجحة في الوقت الفعلي.
- وسائل التواصل الاجتماعي - بغض النظر عن مدى قد يبدو مبتذلًا ، فقد غيرت وسائل التواصل الاجتماعي مسار الوجود الدنيوي. يتم دراسة سلوك مستخدمي وسائل التواصل الاجتماعي باستخدام الشبكات العصبية الاصطناعية. من أجل التحليل التنافسي ، يتم تجميع البيانات المقدمة يوميًا عبر التفاعلات الافتراضية وفحصها. يتم تكرار أفعال مستخدمي وسائل التواصل الاجتماعي بواسطة الشبكات العصبية. يمكن ربط سلوكيات الأفراد بأنماط إنفاق الأفراد بمجرد تحليل البيانات عبر شبكات التواصل الاجتماعي. يتم استخراج البيانات من تطبيقات الوسائط الاجتماعية باستخدام Multilayer Perceptron ANN.
- الرعاية الصحية - يستفيد الأفراد في عالم اليوم من مزايا التكنولوجيا في صناعة الرعاية الصحية. في مجال الرعاية الصحية ، تُستخدم الشبكات العصبية التلافيفية للكشف عن الأشعة السينية والتصوير المقطعي المحوسب والموجات فوق الصوتية. يتم تقييم بيانات التصوير الطبي الواردة من الاختبارات المذكورة أعلاه وتقييمها باستخدام نماذج الشبكة العصبية ، حيث يتم استخدام CNN في معالجة الصور. في تطوير أنظمة التعرف على الصوت ، يتم أيضًا استخدام الشبكة العصبية المتكررة (RNN).
- تقرير الطقس - قبل تطبيق الذكاء الاصطناعي ، لم تكن توقعات قسم الأرصاد الجوية دقيقة على الإطلاق. يتم التنبؤ بالطقس إلى حد كبير للتنبؤ بالظروف الجوية التي ستحدث في المستقبل. يتم استخدام التنبؤات الجوية لتوقع احتمالية وقوع كوارث طبيعية في العصر الحديث. يتم التنبؤ بالطقس باستخدام الإدراك الحسي متعدد الطبقات (MLP) والشبكات العصبية التلافيفية (CNN) والشبكات العصبية المتكررة (RNN).
- الدفاع - اللوجيستيات وتحليل الهجوم المسلح وموقع العناصر كلها تستخدم الشبكات العصبية. كما أنهم يعملون في الدوريات الجوية والبحرية ، وكذلك لإدارة الطائرات بدون طيار المستقلة. يمنح الذكاء الاصطناعي صناعة الدفاع الدفعة التي تشتد الحاجة إليها لتوسيع نطاق تقنيتها. للكشف عن وجود ألغام تحت الماء ، يتم استخدام الشبكات العصبية التلافيفية (CNN).
المزايا
- حتى لو كانت بعض الخلايا العصبية في الشبكة العصبية لا تعمل بشكل صحيح ، فإن الشبكات العصبية ستستمر في توليد النواتج.
- تتمتع الشبكات العصبية بالقدرة على التعلم في الوقت الفعلي والتكيف مع إعداداتها المتغيرة.
- يمكن أن تتعلم الشبكات العصبية القيام بمجموعة متنوعة من المهام. لتقديم النتيجة الصحيحة بناءً على البيانات المقدمة.
- تتمتع الشبكات العصبية بالقوة والقدرة على التعامل مع العديد من المهام في نفس الوقت.
عيوب
- تستخدم الشبكات العصبية لحل المشاكل. وهي لا تكشف عن تفسير "لماذا وكيف" أصدرت الأحكام التي قامت بها بسبب تعقيد الشبكات. نتيجة لذلك ، قد تتآكل ثقة الشبكة.
- مكونات الشبكة العصبية مترابطة على بعضها البعض. وهذا يعني أن الشبكات العصبية تتطلب (أو تعتمد بشدة على) أجهزة كمبيوتر تتمتع بقوة حوسبة كافية.
- لا تحتوي عملية الشبكة العصبية على قاعدة محددة (أو قاعدة أساسية). في تقنية التجربة والخطأ ، يتم إنشاء بنية شبكة صحيحة عن طريق محاولة الشبكة المثلى. إنه إجراء يتطلب الكثير من الضبط الدقيق.
وفي الختام
في مجال الشبكات العصبية يتوسع بسرعة. من الأهمية بمكان تعلم وفهم المفاهيم في هذا القطاع من أجل التمكن من التعامل معها.
تمت تغطية العديد من أنواع الشبكات العصبية في هذه المقالة. يمكنك استخدام الشبكات العصبية لمعالجة مشاكل البيانات في المجالات الأخرى إذا تعلمت المزيد عن هذا التخصص.
اترك تعليق