ما هي الشبكات العصبية البايزية؟ الخلفية والفكرة الأساسية والوظيفة

مقدمة

تتناول هذه المقالة المفهوم الأساسي للشبكات العصبية Bayesian. يأتي هذا المفهوم الخاص للشبكات العصبية Bayesian للعب عندما يتم تغذية البيانات غير المرئية في الشبكة العصبية ، مما يخلق حالة من عدم اليقين.

مقياس عدم اليقين هذا في التنبؤ ، الذي يفتقده معماريات الشبكة العصبية ، هو ما يفسره Bayesian Neural Nets. إنه يعالج فرط التجهيز ولكنه يساعد أيضًا في الميزات الإضافية مثل تقدير عدم اليقين وتوزيع الاحتمالات. تم شرح مفهوم الشبكات العصبية أيضًا.

اقرأ: أنواع التعلم الخاضع للإشراف

خلفية شبكة بايزي العصبية

بمقارنة أحد أفضل أنظمة الذكاء الاصطناعي أداءً في السنوات العشر الماضية ، فإن كل هذه الآلات تشترك في شيء واحد - أنها تتضمن تقنية معقدة تسمى التعلم العميق.

قطع مفهوم التعلم العميق ، يمكن ملاحظة أنه اسم سمح بنهج جديد نسبيًا للذكاء الاصطناعي ، يسمى الشبكات العصبية ، والتي كانت في الاتجاه غير المتسق لأكثر من 70 عامًا. على سبيل المثال ، لوحظ أن مفهوم الشبكات العصبية يعتمد بشكل غامض على الدماغ البشري ، والذي يتكون من ملايين عقد المعالجة المتصلة كشبكة كثيفة تمامًا مثل الأسلاك المتشابكة.

وبالتالي ، تتعامل شبكات Bayesian Neural Networks بشكل ملائم مع مسألة عدم اليقين في بيانات التدريب التي يتم تغذيتها على هذا النحو.

الفكرة الأساسية لشبكة بايزي العصبية

الشبكات العصبية ، المعروفة أكثر باسم الشبكات العصبية ، هي طريقة فعالة للتعلم الآلي ، حيث يتعلم الكمبيوتر ويحلل ويؤدي المهام من خلال تحليل أمثلة التدريب. يتم تمييز الأمثلة المستخدمة يدويًا في الغالب مسبقًا. على سبيل المثال ، خذ نظام التعرف على الأشياء.

يتم تقديم أو تغذية المعلومات المتعلقة بالصور المصنفة للسيارات أو السيارات أو المنازل أو أي شيء. ثم يصوغ استنتاجًا منطقيًا في النمط المرئي المُدرج كبيانات يجب أن تكون مرتبطة باستمرار مع تسميات محددة أخرى.

لقد انتصر المهندسون المعماريون الذين يعملون مع Neural Nets في تحليل وتعلم تعيينات المدخلات والمخرجات المعقدة للغاية من البيانات. ومع ذلك ، فإن المعرفة الأساسية لنفس المدخلات ونظام رسم الخرائط عادة ما ينتهي بها الأمر بعدم إرضاء معظم المواقف ، خاصة عندما تكون هناك حاجة لتكامل الاعتقاد بنموذج معين أو في الظروف التي تكون فيها البيانات محدودة.

الشبكات العصبية البايزية هي تلك المعايير أو المعلمات التي يتم التعبير عنها في معظم الظروف كتوزيع وعادة ما يتم تعلمها من خلال مفهوم الاستدلال البايزي ، مقارنة بالقيمة الحتمية. لديهم قدرة داخلية على هضم الوظيفة المعقدة غير الخطية من البيانات ثم التعبير عن عدم اليقين - كلاهما في نفس الوقت. ومن ثم فقد قادهم أيضًا إلى دور أعلى في السعي للحصول على ذكاء اصطناعي أكثر موثوقية وكفاءة وبناءه.

يجب أن تقرأ: أنواع نماذج الانحدار في التعلم الآلي

ما هي الشبكات العصبية البايزية؟

ومن ثم ، تشير شبكة Bayesian Neural Network إلى امتداد الشبكة القياسية فيما يتعلق بالاستدلال السابق. أثبتت شبكات Bayesian Neural Networks أنها فعالة للغاية في ظروف معينة عندما يكون عدم اليقين مرتفعًا ومطلقًا. هذه الظروف هي بالتحديد نظام اتخاذ القرار ، أو مع إعداد بيانات أقل نسبيًا ، أو أي نوع من التعلم القائم على النموذج.

تميل الشبكات العصبية العميقة (DNN) إلى صياغة استدلال منطقي بالبيانات المعينة دون وجود أي خبرة سابقة مع مجموعة البيانات. ونتيجة لذلك ، فإنهم يؤدون أداءً جيدًا بشكل استثنائي مع البيانات غير الخطية بطبيعتها ، وبالتالي ، تتطلب قدرًا كبيرًا من البيانات لغرض التدريب الوحيد. بسبب تحميل المزيد من المعلومات ، فإن مشكلة تجهيز الأسطح.

المأزق الذي ينشأ في الوضع الحالي هو أن الشبكات العصبية ، كما لوحظ من قبل ، تعمل بشكل جيد للغاية مع البيانات التي يتم تغذيتها لغرض التدريب فقط ولكنها تميل إلى الأداء الضعيف عندما يتم إدخال بيانات جديدة وأجنبية في النظام. يؤدي هذا إلى تعمية Nets عن بعض أوجه عدم اليقين في بيانات التدريب نفسها ، مما يؤدي بهم إلى الإفراط في الثقة في تنبؤاتهم ، الأمر الذي قد يكون مضللًا. للتخلص من مثل هذه الأخطاء ، يتم استخدام شبكات Bayesian Neural Networks.

كيف تعمل شبكات بايزي العصبية (BNN)؟

يتمثل الهدف الرئيسي والفكرة الكامنة وراء شبكات Bayesian Neural Network في أن كل وحدة مرتبطة بتوزيع الاحتمالات ، والذي يتضمن الأوزان والتحيزات.

تُعرف باسم المتغيرات العشوائية ، والتي ستوفر قيمة مختلفة تمامًا في كل مرة عند الوصول إليها.

بأخذ مثال ، إذا كان X متغيرًا ومتغيرًا عشوائيًا تمامًا ، فإنه يمثل التوزيع الطبيعي. في كل مرة يتم فيها الوصول إلى X ، يتم إعطاء قيمة متباينة لـ X. تسمى عملية الحصول على قيمة متباينة في كل مرة يتم فيها استرداد قيمة X بأخذ العينات. القيمة المشتقة من كل عينة تعتمد على توزيع الاحتمالات.

مع ارتفاع نطاق التوزيع الاحتمالي ، يكون عدم اليقين متناسبًا بشكل مباشر ؛ نتيجة لذلك ، يرتفع أيضًا. عادة في الشبكة العصبية ، يجب أن تحتوي كل طبقة على أوزان ثابتة ، مع التحيزات التي تعطي عادةً حسابًا للمخرجات. من ناحية أخرى ، سيكون لشبكة بايز التوزيع الاحتمالي الذي سيتم إرفاقه بالطبقة نفسها.

يتم تنفيذ تمريرة متعددة للأمام في كل مرة ، مع مجموعة جديدة من الأوزان وكذلك التحيزات. ومن ثم فهو يستخدم للتعامل مع مسألة التصنيف. يتم توفير الإخراج لكل تمريرة يتم إجراؤها بطريقة أمامية. البيانات التي يتم تحميلها كصورة إدخال هي ما يؤدي إلى زيادة عدم اليقين. في مثل هذه الحالة ، فهي صورة لم تصادفها الشبكة من قبل لفئات المخرجات.

خاتمة

من الآمن أن نستنتج أن الشبكات العصبية البايزية نعمة عندما يتعلق الأمر بالتكامل والتعامل مع حالات عدم اليقين. لقد تجلى أيضًا في تحسين أداء التنبؤ.

إن المشكلات الأساسية الأساسية التي تحدث في تطوير شبكة Bayesian Neural Network أو أي نموذج يعتمد على الاحتمالية هي الحسابات المستعصية للتوزيع السابق والتوقعات الخاصة بكل منها. علاوة على ذلك ، من الواضح بشكل استثنائي أن مشكلة فرط التجهيز يتم التعامل معها بقوة من قبل شبكات Bayesian.

إذا كنت مهتمًا بمعرفة المزيد حول التعلم الآلي ، فراجع دبلوم PG في IIIT-B & upGrad في التعلم الآلي والذكاء الاصطناعي المصمم للمهنيين العاملين ويقدم أكثر من 450 ساعة من التدريب الصارم ، وأكثر من 30 دراسة حالة ومهمة ، IIIT- حالة الخريجين B ، أكثر من 5 مشاريع تتويجا عملية ومساعدة وظيفية مع أفضل الشركات.