الشبكات العصبية - كيف يبدو مستقبل الذكاء الاصطناعي؟

ما هي الشبكات العصبية؟

مستوحى من الشبكات العصبية البيولوجية ، "يتعلم" نظام الحوسبة هذا أداء مهام مختلفة من خلال مراعاة أمثلة معينة ، عادةً دون أن تتم برمجته بقواعد خاصة بمهمة معينة.
الشبكات العصبية هي وحدة وظيفية للتعلم العميق وهي مستوحاة من بنية الدماغ البشري. ومع ذلك ، فإن أحدث الشبكات العصبية الاصطناعية هي وحدة وظيفية للتعلم العميق.

على سبيل المثال ، في التعرف على الصور ، مثل التعرف على صورة قطة.
قد تتعلم أنظمة الحوسبة التعرف على الصور التي تحتوي على قطط من خلال تحليل أمثلة للصور تم تصنيفها يدويًا على أنها "قطة" أو "بلا قطة". باستخدام النتائج لتحديد القطط في الصور الأخرى ، يمكنهم تعلم التعرف على الصورة الفعلية. يفعلون ذلك دون أي معرفة مسبقة بالقطط أو سماتها ، على سبيل المثال ، لديهم الفراء ، وذيول ، وشعيرات ووجوه تشبه القطط.

يستخدم التعلم العميق الشبكات العصبية الاصطناعية التي تحاكي سلوك الدماغ البشري لحل المشكلات المعقدة التي تعتمد على البيانات. يعد التعلم العميق في حد ذاته جزءًا من التعلم الآلي الذي يندرج تحت مظلة كبيرة من الذكاء الاصطناعي (AI).
التعلم الآلي - تطبيق للذكاء الاصطناعي (AI) ، يوفر التعلم الآلي قدرة الأنظمة على التعلم والتحسين تلقائيًا من التجربة دون أن تتم برمجتها بشكل صريح. يركز التعلم الآلي على تطوير برامج الكمبيوتر التي يمكنها الوصول إلى البيانات واستخدامها للتعلم بأنفسهم.
تبدأ عملية التعلم عندما يبدأون في مراقبة البيانات ، مثل الأمثلة أو الخبرة المباشرة أو التعليمات ، من أجل البحث عن الأنماط التي تساعدهم على اتخاذ قرارات أفضل في المستقبل. الهدف الأساسي هو السماح لأجهزة الكمبيوتر بالتعلم تلقائيًا دون تدخل بشري أو مساعدة وتعديل أفعالها وفقًا لذلك.
التعلم العميق - التعلم العميق (المعروف أيضًا باسم التعلم المنظم العميق أو التعلم الهرمي) هو جزء من مجموعة أوسع من أساليب التعلم الآلي القائمة على الشبكات العصبية الاصطناعية. في ظل التعلم العميق ، يمكن الإشراف على عملية التعلم أو شبه الإشراف عليها أو عدم الإشراف عليها. التعلم العميق هو فئة من خوارزميات التعلم الآلي التي تستخدم طبقات متعددة لاستخراج ميزات المستوى الأعلى تدريجيًا من المدخلات الأولية.
على سبيل المثال ، في معالجة الصور ، قد تحدد الطبقات السفلية الحواف ، بينما قد تحدد الطبقات العليا المفاهيم ذات الصلة بالإنسان مثل الأرقام أو الحروف أو الوجوه.

هيكل الشبكة العصبية

تتكون الشبكات العصبية من الخلايا العصبية ، وهي وحدة المعالجة الأساسية للشبكة. تتكون الشبكات العصبية بشكل أساسي من 3 طبقات مختلفة وهي طبقة الإدخال والطبقة المخفية وطبقة الإخراج.
طبقة الإدخال هي الطبقة التي يتم فيها تغذية المدخلات إلى الشبكة. تستخدم طبقة الإخراج إخراج تلك الطبقة المخفية المعينة ، حيث يتم إجراء معظم العمليات الحسابية. يرتبط هذا ببعض القيم الرقمية التي تسمى التحيز ، والتي تضاف بعد ذلك إلى مجموع الإدخال الذي يتم تمريره إلى وظيفة العتبة تسمى وظيفة التنشيط.
تحدد وظيفة التنشيط ما إذا كان يجب تنشيط خلية عصبية معينة أم لا. ينقل العصبون المنشط البيانات إلى الطبقة التالية.
تربط القناة بين هذه الخلايا العصبية.

عمل الشبكات العصبية بالقدوة

الخطوات الأساسية:

1. تمثل الخلايا العصبية المدخلة مدخلاً بناءً على المعلومات التي نحاول تصنيفها.
2. يُعطى كل رقم في الخلايا العصبية المدخلة وزنًا عند كل مشابك (قناة).
3. في كل خلية عصبية في الطبقة التالية ، نضيف نواتج جميع المشابك القادمة إلى تلك الخلايا العصبية مع تحيز ونطبق وظيفة تنشيط (عادةً وظيفة سينية) على المجموع الموزون (وهذا يجعل الرقم يتراوح بين 0 و 1).
   مجموع المدخلات = (w1 * x1) + (w1 * x2) + (w1 * x3) + b1 محسوب لكل من مدخلات الخلايا العصبية
4. سيتم التعامل مع ناتج هذه الوظيفة كمدخل لطبقة المشبك التالية
5. استمر حتى تصل إلى الإخراج.

ضع في اعتبارك مثالاً لتصنيف الورقة مثل الورقة العادية أو الورقة التالفة.
نقدم هنا صورة ورقية لنظامنا لتصنيفها بناءً على حالتها.
تنقسم الصورة إلى أجزاء بناءً على أبعادها ، على سبيل المثال ، إذا كانت 28 بكسل في الطول والوزن ، يتم تقسيمها إلى 28 × 28 بكسل من 784 بكسل ويتم تغذيتها إلى طبقة الإدخال. لكن في هذه الحالة ، يبلغ عرضه 30 بكسل وارتفاعه 900 بكسل ، ويتم تغذيته بطبقة الإدخال.

ترتبط الخلايا العصبية من طبقة واحدة بطبقة أخرى ذات وزن عشوائي يستخدم لحساب المجموع. يتم إرسال مجموع الإدخال لطبقة واحدة إلى الطبقة التالية (الطبقة المخفية) وترتبط كل طبقة مخفية بقيمة عددية تضاف إلى مجموع الإدخال.
تحدد وظيفة التنشيط الخلايا العصبية التي سيتم تنشيطها وأي خلية يتم تنشيطها يتم تمرير قيمة الخلايا العصبية إلى الطبقة التالية. يُعرف هذا باسم الانتشار الأمامي.

في الخلايا العصبية لطبقة الإخراج ذات القيمة الأعلى تحدد الإخراج. القيمة هي في الأساس قيمة احتمالية. إذا كانت قيمة الاحتمال الأعلى تتنبأ بإخراج خاطئ ، فإن الشبكة لم يتم تدريبها بعد. في هذه الحالة ، يتم تحديدها على أنها ورقة معيبة ، لذا فهي بحاجة إلى التدريب ، وبعد ذلك يمكن إجراء الكشف / التصنيف.

يتم تنفيذ الانتشار الخلفي للتنبؤ بالإخراج الصحيح ، والذي يعتمد على القيمة المتوقعة. هذا بالمقارنة مع الناتج الفعلي. يتم تعيين الأوزان بشكل متكرر حتى تتنبأ بالورقة بشكل صحيح. ثم تتم إعادة تهيئة الوزن لتقليل الخطأ.

بعد إعادة تهيئة الوزن ، بناءً على اختلاف الخطأ في القيمة المتوقعة ، حصلنا على النتيجة الدقيقة بصفتها ورقة عادية.

بعض تطبيقات الشبكة العصبية

1. ترجمة جوجل
2. تمييز الوجوه
3. سيارات ذاتية القيادة
4. كشف الكائن
5. التأليف الموسيقي
6. التعرف على الكلام
7. التدقيق الإملائي
8. التعرف على الشخصية

مزايا

• عندما يفشل عنصر الشبكة العصبية ، يمكن أن يستمر دون أي مشكلة بمساعدة الطبيعة المتوازية.
• تتعلم الشبكات العصبية ولا تحتاج إلى إعادة برمجتها.
• يمكن تنفيذه في أي تطبيق.
• تؤدي الشبكات العصبية مهام لا يستطيع البرنامج الخطي القيام بها.

سلبيات

• تحتاج الشبكات العصبية إلى تدريب لتعمل.
• يتطلب وقت معالجة أكبر للشبكات العصبية الكبيرة.
• كمية البيانات.