ما هي الشبكات العصبية؟

ما هي الشبكات العصبية الاصطناعية؟

العديد من أكبر التطورات في الذكاء الاصطناعي هي مدفوعة بشبكات عصبية اصطناعية. الشبكات العصبية الاصطناعية (ANNs) هي عبارة عن ربط وظائف رياضية مجمعة معًا بتنسيق مستوحى من الشبكات العصبية الموجودة في الدماغ البشري. هذه الشبكات العصبية الاصطناعية قادرة على استخراج أنماط معقدة من البيانات، وتطبيق هذه الأنماط على البيانات غير المرئية لتصنيف/التعرف على البيانات. وبهذه الطريقة "تتعلم" الآلة. هذه نبذة سريعة عن الشبكات العصبية، ولكن دعونا نلقي نظرة فاحصة على الشبكات العصبية لفهم ماهيتها وكيفية عملها بشكل أفضل.

شرح متعدد الطبقات Perceptron

قبل أن ننظر إلى الشبكات العصبية الأكثر تعقيدًا ، سنتوقف لحظة للنظر في نسخة بسيطة من ANN ، متعدد الطبقات Perceptron (MLP).

تخيل وجود خط تجميع في مصنع. في خط التجميع هذا ، يتلقى أحد العمال عنصرًا ، ويقوم ببعض التعديلات عليه ، ثم يمرره إلى العامل التالي في السطر الذي يفعل الشيء نفسه. تستمر هذه العملية حتى يضع آخر عامل في الخط اللمسات الأخيرة على العنصر ويضعه على حزام يخرجه من المصنع. في هذا القياس ، هناك "طبقات" متعددة لخط التجميع ، وتتحرك المنتجات بين الطبقات أثناء انتقالها من عامل إلى عامل. يحتوي خط التجميع أيضًا على نقطة دخول ونقطة خروج.

يمكن اعتبار Multi-Layer Perceptron كخط إنتاج بسيط للغاية ، مكون من ثلاث طبقات إجمالية: طبقة إدخال ، وطبقة مخفية ، وطبقة إخراج. طبقة الإدخال هي المكان الذي يتم فيه تغذية البيانات في MLP ، وفي الطبقة المخفية يتعامل عدد من "العمال" مع البيانات قبل تمريرها إلى طبقة الإخراج التي تعطي المنتج إلى العالم الخارجي. في حالة MLP ، يُطلق على هؤلاء العمال "الخلايا العصبية" (أو أحيانًا العقد) وعندما يتعاملون مع البيانات ، يتعاملون معها من خلال سلسلة من الوظائف الرياضية.

داخل الشبكة ، توجد هياكل تربط العقدة بالعقدة تسمى "الأوزان". الأوزان هي افتراض حول كيفية ارتباط نقاط البيانات أثناء تحركها عبر الشبكة. بعبارة أخرى ، تعكس الأوزان مستوى تأثير خلية ما على خلية عصبية أخرى. تمر الأوزان عبر "وظيفة التنشيط" لأنها تغادر العقدة الحالية ، وهي نوع من الوظائف الرياضية التي تحول البيانات. يقومون بتحويل البيانات الخطية إلى تمثيلات غير خطية ، والتي تمكن الشبكة من تحليل الأنماط المعقدة.

يأتي التشابه مع الدماغ البشري من خلال "الشبكة العصبية الاصطناعية" من حقيقة أن الخلايا العصبية التي يتكون منها الدماغ البشري مرتبطة ببعضها البعض بطريقة مشابهة لكيفية ارتباط العقد في ANN.

في حين أن الإدراك متعدد الطبقات موجود منذ الأربعينيات ، كان هناك عدد من القيود التي حالت دون أن تكون مفيدة بشكل خاص. ومع ذلك ، على مدار العقدين الماضيين ، ظهرت تقنية تسمى "انتشار عكسي"تم إنشاؤه مما سمح للشبكات بضبط أوزان الخلايا العصبية وبالتالي التعلم بشكل أكثر فعالية. يؤدي الانتشار العكسي إلى تغيير الأوزان في الشبكة العصبية، مما يسمح للشبكة بالتقاط الأنماط الفعلية داخل البيانات بشكل أفضل.

الشبكات العصبية العميقة

تأخذ الشبكات العصبية العميقة الشكل الأساسي لـ MLP وتجعله أكبر بإضافة المزيد من الطبقات المخفية في منتصف النموذج. لذا فبدلاً من وجود طبقة إدخال وطبقة مخفية وطبقة إخراج ، هناك العديد من الطبقات المخفية في المنتصف وتصبح مخرجات إحدى الطبقات المخفية مدخلات للطبقة المخفية التالية حتى تنتهي البيانات من الوصول إليها. من خلال الشبكة وإعادتها.

الطبقات المخفية المتعددة للشبكة العصبية العميقة قادرة على تفسير أنماط أكثر تعقيدًا من الإدراك الحسي متعدد الطبقات التقليدي. تتعرف الطبقات المختلفة للشبكة العصبية العميقة على أنماط أجزاء مختلفة من البيانات. على سبيل المثال ، إذا كانت بيانات الإدخال تتكون من صور ، فقد يفسر الجزء الأول من الشبكة سطوع أو ظلام وحدات البكسل بينما ستختار الطبقات اللاحقة الأشكال والحواف التي يمكن استخدامها للتعرف على الكائنات في الصورة.

أنواع مختلفة من الشبكات العصبية

هناك أنواع مختلفة من الشبكات العصبية ، ولكل نوع من أنواع الشبكات العصبية المختلفة مزاياها وعيوبها (وبالتالي حالات الاستخدام الخاصة بها). نوع الشبكة العصبية العميقة الموصوفة أعلاه هو النوع الأكثر شيوعًا للشبكات العصبية ، وغالبًا ما يشار إليها باسم الشبكة العصبية المغذية.

أحد الاختلافات في الشبكات العصبية هو الشبكة العصبية المتكررة (RNN). في حالة الشبكات العصبية المتكررة، تُستخدم آليات التكرار للاحتفاظ بالمعلومات من حالات التحليل السابقة، مما يعني أنها تستطيع تفسير البيانات عندما يكون الترتيب مهمًا. تعتبر شبكات RNN مفيدة في استخلاص الأنماط من البيانات التسلسلية/الزمنية. يمكن أن تكون الشبكات العصبية المتكررة إما أحادية الاتجاه أو ثنائية الاتجاه. في حالة الشبكة العصبية ثنائية الاتجاه، يمكن للشبكة أن تأخذ المعلومات من وقت لاحق في التسلسل بالإضافة إلى الأجزاء السابقة من التسلسل. نظرًا لأن شبكة RNN ثنائية الاتجاه تأخذ المزيد من المعلومات في الاعتبار، فهي أكثر قدرة على رسم الأنماط الصحيحة من البيانات.

الشبكة العصبية التلافيفية هي نوع خاص من الشبكات العصبية التي تتمتع بمهارة في تفسير الأنماط الموجودة داخل الصور. تعمل شبكة CNN عن طريق تمرير مرشح فوق بكسلات الصورة وتحقيق تمثيل رقمي للبكسلات داخل الصورة، والتي يمكنها بعد ذلك تحليل الأنماط. تم تصميم شبكة CNN بحيث تأتي الطبقات التلافيفية التي تسحب وحدات البكسل من الصورة أولاً، ثم تأتي طبقات التغذية الأمامية المتصلة بكثافة، تلك التي ستتعلم بالفعل التعرف على الكائنات، تأتي بعد ذلك.