ما هو التعلم العميق؟

يعد التعلم العميق أحد أكثر المجالات تأثيرًا وأسرعها نموًا في الذكاء الاصطناعي. ومع ذلك، قد يكون من الصعب الحصول على فهم بديهي للتعلم العميق لأن مصطلح التعلم العميق يغطي مجموعة متنوعة من الخوارزميات والتقنيات المختلفة. يعد التعلم العميق أيضًا أحد التخصصات الفرعية للتعلم الآلي بشكل عام، لذلك من المهم أن نفهم ما هو التعلم الآلي من أجل فهم التعلم العميق.

ما هو التعلم الآلي؟

تعلم عميق هو امتداد لبعض المفاهيم التي نشأت من التعلم الآلي ، ولهذا السبب ، دعنا نأخذ دقيقة لشرح ما هو التعلم الآلي.

ببساطة ، التعلم الآلي هو طريقة لتمكين أجهزة الكمبيوتر من تنفيذ مهام محددة دون تشفير صريح لكل سطر من الخوارزميات المستخدمة لإنجاز تلك المهام. هناك العديد من خوارزميات التعلم الآلي المختلفة ، ولكن أحد أكثر الخوارزميات شيوعًا هو a متعدد الطبقات المستقبلات. يُشار أيضًا إلى الإدراك الحسي متعدد الطبقات على أنه شبكة عصبية ، ويتألف من سلسلة من العقد / الخلايا العصبية المرتبطة ببعضها البعض. هناك ثلاث طبقات مختلفة في الإدراك متعدد الطبقات: طبقة الإدخال ، والطبقة المخفية ، وطبقة الإخراج.

تأخذ طبقة الإدخال البيانات إلى الشبكة ، حيث يتم معالجتها بواسطة العقد الموجودة في الطبقة الوسطى / المخفية. العقد في الطبقة المخفية هي وظائف رياضية يمكنها معالجة البيانات القادمة من طبقة الإدخال ، واستخراج الأنماط ذات الصلة من بيانات الإدخال. هذه هي الطريقة التي "تتعلم" بها الشبكة العصبية. تحصل الشبكات العصبية على اسمها من حقيقة أنها مستوحاة من بنية ووظيفة الدماغ البشري.

الاتصالات بين العقد في الشبكة لها قيم تسمى الأوزان. هذه القيم هي افتراضات بشكل أساسي حول كيفية ارتباط البيانات الموجودة في طبقة واحدة بالبيانات الموجودة في الطبقة التالية. أثناء تدريب الشبكة ، يتم تعديل الأوزان ، والهدف هو أن تتقارب الأوزان / الافتراضات حول البيانات في النهاية على القيم التي تمثل بدقة الأنماط ذات المعنى داخل البيانات.

توجد وظائف التنشيط في عقد الشبكة ، وتقوم وظائف التنشيط هذه بتحويل البيانات بطريقة غير خطية ، مما يمكّن الشبكة من تعلم التمثيلات المعقدة للبيانات. تقوم وظائف التنشيط بضرب قيم الإدخال في قيم الوزن وإضافة مصطلح التحيز.

ما هو التعلم العميق؟

التعلم العميق هو المصطلح الذي يطلق على بنيات التعلم الآلي التي تربط العديد من الإدراك متعدد الطبقات معًا ، بحيث لا توجد طبقة مخفية واحدة فقط ولكن العديد من الطبقات المخفية. كلما كانت الشبكة العصبية العميقة "أعمق" ، يمكن أن تتعلم الأنماط الأكثر تعقيدًا.

يُشار أحيانًا إلى شبكات الطبقة العميقة المكونة من الخلايا العصبية على أنها شبكات متصلة بالكامل أو طبقات متصلة بالكامل ، مما يشير إلى حقيقة أن خلية عصبية معينة تحافظ على اتصال بجميع الخلايا العصبية المحيطة بها. يمكن دمج الشبكات المتصلة بالكامل مع وظائف التعلم الآلي الأخرى لإنشاء بنيات تعلم عميق مختلفة.

أنواع مختلفة من التعلم العميق

هناك مجموعة متنوعة من أبنية التعلم العميق التي يستخدمها الباحثون والمهندسون ، ولكل معمارية مختلفة حالة استخدام خاصة بها.

الشبكات العصبية التلافيفية

الشبكات العصبية التلافيفية، أو CNNs، هي بنية الشبكة العصبية المستخدمة عادة في إنشاء أنظمة رؤية الكمبيوتر. يمكّنها هيكل الشبكات العصبية التلافيفية من تفسير بيانات الصورة، وتحويلها إلى أرقام يمكن للشبكة المتصلة بالكامل تفسيرها. تتكون شبكة CNN من أربعة مكونات رئيسية:

• طبقات تلافيفية
• طبقات الاختزال / التجميع
• وظائف التنشيط
• طبقات متصلة بالكامل

الطبقات التلافيفية هي ما يأخذ الصور كمدخلات في الشبكة ، وتحليل الصور والحصول على قيم البكسل. الاختزال أو التجميع هو المكان الذي يتم فيه تحويل / تقليل قيم الصورة لتبسيط تمثيل الصور وتقليل حساسية مرشحات الصورة للضوضاء. تتحكم وظائف التنشيط في كيفية تدفق البيانات من طبقة إلى الطبقة التالية ، والطبقات المتصلة بالكامل هي التي تحلل القيم التي تمثل الصورة وتتعرف على الأنماط الموجودة في تلك القيم.

RNNs / LSTMs

الشبكات العصبية المتكررة، أو RNNs، شائعة في المهام التي يكون فيها ترتيب البيانات مهمًا، حيث يجب أن تتعرف الشبكة على تسلسل البيانات. يتم تطبيق RNNs بشكل شائع على مشاكل مثل معالجة اللغة الطبيعية، حيث أن ترتيب الكلمات مهم عند فك تشفير معنى الجملة. يأتي الجزء "المتكرر" من مصطلح الشبكة العصبية المتكررة من حقيقة أن إخراج عنصر معين في تسلسل يعتمد على الحساب السابق بالإضافة إلى الحساب الحالي. على عكس الأشكال الأخرى من الشبكات العصبية العميقة، تحتوي شبكات RNN على "ذاكرة"، ويتم استخدام المعلومات المحسوبة في الخطوات الزمنية المختلفة في التسلسل لحساب القيم النهائية.

هناك أنواع متعددة من شبكات RNN، بما في ذلك شبكات RNN ثنائية الاتجاه، والتي تأخذ العناصر المستقبلية في التسلسل في الاعتبار، بالإضافة إلى العناصر السابقة، عند حساب قيمة العنصر. نوع آخر من RNN هو أ الذاكرة طويلة المدى ، أو LSTM، شبكة. LSTMs هي أنواع من RNN يمكنها التعامل مع سلاسل طويلة من البيانات. قد تقع RNNs العادية ضحية لشيء يسمى "مشكلة التدرج المتفجر". تحدث هذه المشكلة عندما تصبح سلسلة بيانات الإدخال طويلة للغاية ، ولكن لدى LSTM تقنيات لمكافحة هذه المشكلة.

الترميز التلقائي

يتم تطبيق معظم بنيات التعلم العميق المذكورة حتى الآن على مشاكل التعلم الخاضعة للإشراف، بدلاً من مهام التعلم غير الخاضعة للإشراف. تستطيع أجهزة التشفير التلقائي تحويل البيانات غير الخاضعة للرقابة إلى تنسيق خاضع للإشراف، مما يسمح باستخدام الشبكات العصبية في حل المشكلة.

الترميز التلقائي تُستخدم كثيرًا لاكتشاف الحالات الشاذة في مجموعات البيانات ، مثال على التعلم غير الخاضع للإشراف لأن طبيعة الحالة الشاذة غير معروفة. تتضمن مثل هذه الأمثلة للكشف عن الحالات الشاذة كشف الاحتيال للمؤسسات المالية. في هذا السياق ، يتمثل الغرض من أداة التشفير التلقائي في تحديد خط الأساس للأنماط المنتظمة في البيانات وتحديد الانحرافات أو القيم المتطرفة.

غالبًا ما يكون هيكل المشفر التلقائي متماثلًا ، مع طبقات مخفية مرتبة بحيث يشبه إخراج الشبكة الإدخال. الأنواع الأربعة من أجهزة التشفير التلقائي التي ترى الاستخدام المتكرر هي:

• أجهزة التشفير التلقائية العادية / العادية
• التشفير متعدد الطبقات
• التشفير التلافيفي
• المشفرات المنتظمة

أجهزة التشفير التلقائية العادية / العادية هي مجرد شبكات عصبية ذات طبقة مخفية واحدة ، في حين أن التشفير التلقائي متعدد الطبقات عبارة عن شبكات عميقة بها أكثر من طبقة مخفية واحدة. تستخدم أجهزة التشفير التلقائية التلافيفية الطبقات التلافيفية بدلاً من الطبقات المتصلة بالكامل أو بالإضافة إليها. تستخدم أجهزة التشفير التلقائية المنتظمة نوعًا معينًا من وظيفة الخسارة التي تتيح للشبكة العصبية القيام بوظائف أكثر تعقيدًا ، ووظائف أخرى بخلاف نسخ المدخلات إلى المخرجات.

شبكات الخصومة التوليدية

شبكات الخصومة التوليدية (GANs) هي في الواقع عدة شبكات عصبية عميقة بدلاً من شبكة واحدة فقط. يتم تدريب نموذجين للتعلم العميق في نفس الوقت ، ويتم تغذية مخرجاتهما إلى الشبكة الأخرى. تتنافس الشبكات مع بعضها البعض ، وبما أنهما تحصلان على إمكانية الوصول إلى بيانات الإخراج الخاصة ببعضهما البعض ، فإن كلاهما يتعلم من هذه البيانات ويتحسن. تلعب الشبكتان أساسًا لعبة التزوير والكشف ، حيث يحاول النموذج التوليدي إنشاء حالات جديدة من شأنها أن تخدع النموذج المحقق / أداة التمييز. أصبحت شبكات GAN شائعة في مجال رؤية الكمبيوتر.

ملخص التعلم العميق

يوسع التعلم العميق مبادئ الشبكات العصبية لإنشاء نماذج معقدة يمكنها تعلم الأنماط المعقدة وتعميم هذه الأنماط على مجموعات البيانات المستقبلية. تُستخدم الشبكات العصبية التلافيفية لتفسير الصور ، بينما تُستخدم RNNs / LSTMs لتفسير البيانات المتسلسلة. يمكن للمشفرات التلقائية تحويل مهام التعلم غير الخاضعة للإشراف إلى مهام تعليمية خاضعة للإشراف. أخيرًا ، شبكات GAN عبارة عن شبكات متعددة تتعارض مع بعضها البعض وهي مفيدة بشكل خاص لمهام رؤية الكمبيوتر.