ما هو التعلم العميق؟

التعلم العميق هو واحد من أكثر المجالات تأثيرًا وأسرعها نموًا في الذكاء الاصطناعي. ومع ذلك، يمكن أن يكون الحصول على فهم直觉 للتعلم العميق أمرًا صعبًا لأن مصطلح التعلم العميق يغطي مجموعة متنوعة من الخوارزميات والتقنيات المختلفة. التعلم العميق هو أيضًا تخصص فرعي من التعلم الآلي بشكل عام، لذلك من المهم فهم ما هو التعلم الآلي لفهم التعلم العميق.

ما هو التعلم الآلي؟

التعلم العميق هو امتداد لبعض المفاهيم المنبثقة من التعلم الآلي، لذلك دعونا نأخذ لحظة لشرح ما هو التعلم الآلي.

ببساطة، التعلم الآلي هو طريقة تمكن الحواسيب من أداء مهام محددة دون كتابة كل سطر من الخوارزميات المستخدمة في أداء تلك المهام. هناك العديد من خوارزميات التعلم الآلي المختلفة، ولكن واحدة من أكثر الخوارزميات المستخدمة شيوعًا هي الخوارزمية متعددة الطبقات. الخوارزمية متعددة الطبقات تعرف أيضًا باسم الشبكة العصبية، وتتكون من سلسلة من العقد/الخلايا العصبية المرتبطة ببعضها. هناك ثلاث طبقات مختلفة في الخوارزمية متعددة الطبقات: طبقة الإدخال، الطبقة المخفية، وطبقة الإخراج.

طبقة الإدخال تأخذ البيانات إلى الشبكة، حيث يتم تحليلها بواسطة العقد في الطبقة الوسطى/المخفية. العقد في الطبقة المخفية هي دوال رياضية يمكنها تحليل البيانات القادمة من طبقة الإدخال، واستخراج الأنماط ذات الصلة من البيانات الإدخالية. هذا هو كيفية تعلم الشبكة العصبية. الشبكات العصبية تحصل على اسمها من حقيقة أنها مستوحاة من هيكل ووظيفة الدماغ البشري.

الروابط بين العقد في الشبكة لها قيم تسمى الأوزان. هذه القيم هي أساسًا افتراضات حول كيفية関係 البيانات في طبقة معينة مع البيانات في الطبقة التالية. مع تدريب الشبكة، يتم تعديل الأوزان، والهدف هو أن الأوزان/الافتراضات حول البيانات في النهاية سوف تتقارب على قيم تمثل الأنماط المهمة بدقة داخل البيانات.

الدوال التنشيطية موجودة في العقد في الشبكة، وتحول هذه الدوال التنشيطية البيانات بطريقة غير خطية، مما يسمح للشبكة بتعلم تمثيلات معقدة للبيانات. الدوال التنشيطية تضرب القيم الإدخالية بالأوزان وambah نهاية تحيز.

ما هو التعلم العميق؟

التعلم العميق هو المصطلح الممنوح لعمليات التعلم الآلي التي تجمع العديد من الخوارزميات متعددة الطبقات معًا، بحيث لا يكون هناك طبقة مخفية واحدة فقط بل العديد من الطبقات المخفية. “أعمق” شبكة التعلم العميق، أصبحت الأنماط الأكثر تعقيدًا التي يمكن للشبكة تعلمها.

الشبكات العميقة المكونة من الخلايا العصبية أحيانًا ما يشار إليها باسم الشبكات الكاملة أو الطبقات الكاملة، مع الإشارة إلى حقيقة أن خلية عصبية معينة تحتفظ بالارتباط مع جميع الخلايا العصبية المحيطة بها. الشبكات الكاملة يمكن دمجها مع وظائف التعلم الآلي الأخرى لإنشاء هياكل تعلم عميق مختلفة.

أنواع مختلفة من التعلم العميق

هناك مجموعة متنوعة من هياكل التعلم العميق المستخدمة من قبل الباحثين والمهندسين، وكل واحدة من الهياكل المختلفة لها حالة استخدام خاصة بها.

شبكات العصبية التجميعية

شبكات العصبية التجميعية، أو CNNs، هي هيكل الشبكة العصبية الذي يُستخدم بشكل شائع في إنشاء أنظمة الرؤية الحاسوبية. هيكل شبكات العصبية التجميعية يسمح لها بتفسير البيانات الصورية، وتحويلها إلى أرقام يمكن للشبكة الكاملة تفسيرها. شبكة عصبية تجميعية لها أربعة مكونات رئيسية:

• طبقات التجميع
• طبقات العينة/التصغير
• الدوال التنشيطية
• الطبقات الكاملة

الطبقات التجميعية هي التي تأخذ الصور كمدخلات إلى الشبكة، وتحليل الصور، واخذ قيم البكسل. العينة أو التصغير هو حيث يتم تحويل قيم الصور/تقليلها لتبسيط تمثيل الصور وتقليل حساسية مرشحات الصور للضوضاء. الدوال التنشيطية تتحكم في كيفية تدفق البيانات من طبقة إلى أخرى، والطبقات الكاملة هي التي تحليل القيم التي تمثل الصور وتتعلم الأنماط الموجودة في تلك القيم.

شبكات العصبية المتكررة/الذاكرة الطويلة القصيرة الأمد

شبكات العصبية المتكررة، أو RNNs، هي شائعة في المهام التي يهم فيها ترتيب البيانات، حيث يجب على الشبكة تعلم تسلسل البيانات. RNNs تُستخدم بشكل شائع في مشاكل مثل معالجة اللغة الطبيعية، حيث يهم ترتيب الكلمات عند فك شفرة معنى الجملة. الجزء “متكرر” من مصطلح الشبكة العصبية المتكررة يأتي من حقيقة أن الإخراج لعنصر معين في تسلسل يعتمد على الحساب السابق بالإضافة إلى الحساب الحالي. على عكس أشكال الشبكات العصبية العميقة الأخرى، فإن RNNs لها “ذاكرة”، والمعلومات المحسوبة في الخطوات الزمنية المختلفة في التسلسل تُستخدم لحساب القيم النهائية.

هناك أنواع متعددة من RNNs، بما في ذلك RNNs ثنائية الاتجاه، التي تأخذ في الاعتبار العناصر المستقبلية في التسلسل، بالإضافة إلى العناصر السابقة، عند حساب قيمة عنصر. نوع آخر من RNNs هو ذاكرة طويلة قصيرة الأمد، أو LSTM. LSTMs هي أنواع من RNNs يمكنها التعامل مع سلاسل بيانات طويلة. RNNs العادية قد تتعرض لمشكلة تسمى “مشكلة التدرج المتفجر”. هذا المشكلة تحدث عندما يصبح سلسلة البيانات الإدخالية طويلة جدًا، ولكن LSTMs لها تقنيات لمكافحة هذه المشكلة.

الترميز التلقائي

معظم هياكل التعلم العميق المذكورة حتى الآن تُستخدم لمشاكل التعلم الإشرافي، بدلاً من مهام التعلم غير الإشرافي. الترميز التلقائي يمكن تحويل البيانات غير الإشرافية إلى صيغة إشرافية، مما يسمح للشبكات العصبية أن تُستخدم على المشكلة.

الترميز التلقائي يُستخدم بشكل متكرر لاكتشاف الشذوذ في مجموعات البيانات، وهو مثال على التعلم غير الإشرافي، حيث أن طبيعة الشذوذ غير معروفة. أمثلة على اكتشاف الشذوذ تشمل اكتشاف الاحتيال لمؤسسات مالية. في هذا السياق، الغرض من الترميز التلقائي هو تحديد خط قاعدي للأنماط العادية في البيانات وتحديد الشذوذ أو القيم الشاذة.

هيكل الترميز التلقائي غالبًا ما يكون متناظرًا، مع طبقات مخفية مصفوفة بحيث ي似 الإخراج للشبكة الإدخال. هناك أربعة أنواع من الترميز التلقائي التي تُستخدم بشكل متكرر:

• الترميز التلقائي العادي/الأساسي
• الترميز التلقائي المتعدد الطبقات
• الترميز التلقائي التجميعي
• الترميز التلقائي المنظم

الترميز التلقائي العادي/الأساسي هو شبكة عصبية مع طبقة مخفية واحدة، بينما الترميز التلقائي المتعدد الطبقات هو شبكة عميقة مع أكثر من طبقة مخفية. الترميز التلقائي التجميعي يستخدم طبقات تجميعية بدلاً من الطبقات الكاملة، أو بالإضافة إليها. الترميز التلقائي المنظم يستخدم نوعًا معينًا من دالة الخسارة التي تسمح للشبكة العصبية بأداء وظائف أكثر تعقيدًا، مثل وظائف أخرى غير مجرد نسخ الإدخالات إلى الإخراجات.

شبكات المنافسة التوليدية

شبكات المنافسة التوليدية (GANs) هي في الواقع شبكات عصبية متعددة بدلاً من شبكة واحدة. يتم تدريب نموذجين للتعلم العميق في نفس الوقت، ويتم تغذية مخرجاتهما إلى الشبكة الأخرى. الشبكات في منافسة مع بعضها البعض، وبما أن لديهم الوصول إلى بيانات الإخراج الخاصة ببعضهما البعض، فإنهما يتعلمان من هذه البيانات ويتحسنان. الشبكات في الأساس تلعب لعبة التزوير والكشف، حيث يحاول النموذج التوليدي إنشاء مثيلات جديدة ستخدع نموذج الكشف/المنظم. أصبحت GANs شائعة في مجال الرؤية الحاسوبية.

ملخص التعلم العميق

التعلم العميق يمدد مبادئ الشبكات العصبية لإنشاء نماذج معقدة يمكنها تعلم أنماط معقدة وgeneralize تلك الأنماط إلى مجموعات بيانات مستقبلية. شبكات العصبية التجميعية تُستخدم لتفسير الصور، بينما RNNs/LSTMs تُستخدم لتفسير البيانات التسلسلية. الترميز التلقائي يمكن تحويل مهام التعلم غير الإشرافي إلى مهام إشرافية. وأخيرًا، GANs هي شبكات متعددة تتنافس مع بعضها البعض وهي خاصة لtasks الرؤية الحاسوبية.