أهم أنواع نماذج التعلم العميق يجب أن يتعلمها مهندسو الذكاء الاصطناعي في عام 2022

مقدمة

التعلم العميق عبارة عن تقنية تعلم آلي تستفيد من طبقات مختلفة من معالجة المعلومات غير الخطية للتحويل غير الخاضع للإشراف والإشراف ، واستخراج الميزات ، والتصنيف ، وتحليل الأنماط.

عندما يتعلق الأمر بمعالجة المعلومات بطريقة غير خطية ، فإنها تتكون من طبقات هرمية مختلفة. هنا ، بعض المفاهيم ذات المستوى المنخفض قادرة على تحديد مفاهيم المستوى الأعلى. التعلم الخاضع للإشراف هو شكل من أشكال التعلم الآلي ، مجموعة تدريب ، ويتم تقديم مجموعة من الأمثلة كمدخلات في النظام خلال مرحلة التدريب.

نظرًا لأن كل إدخال يتم تسميته بقيمة إخراج ، فإن النظام يعرف الإخراج عند توفير مجموعة من المدخلات. من ناحية أخرى ، في التعلم غير الخاضع للإشراف ، لا يتم تصنيف المدخلات مع الفصل الذي تنتمي إليه. ومن ثم ، فإن الأمر متروك للنظام لتطوير وتنظيم البيانات من خلال البحث عن الخصائص المشتركة وإجراء التغييرات اللازمة بناءً على المعرفة الداخلية.

الشبكات العصبية الاصطناعية ضحلة. وبالتالي ، لا يمكنهم التعامل مع البيانات المعقدة كما هو موجود في التطبيقات اليومية مثل الصور والكلام الطبيعي واسترجاع المعلومات وتطبيقات معالجة المعلومات الشبيهة بالبشر. بالنسبة لهذه الأنواع من التطبيقات ، تعد نماذج التعلم العميق مثالية. بمساعدة التعلم العميق ، من الممكن تصنيف أنماط البيانات والتعرف عليها وتصنيفها لآلة بجهد أقل.

مقالة ذات صلة: أهم تقنيات التعلم العميق

أنواع نماذج التعلم العميق

لقد تم تطوير نماذج التعلم العميق ، ومعظمها يعتمد على الشبكات العصبية الاصطناعية. وأهمها الشبكات العصبية التلافيفية (سي إن إن). كما أنه يشمل المتغيرات الكامنة والصيغ المقترحة المنظمة من حيث الطبقة في النماذج التوليدية العميقة.

أجهزة التشفير التلقائي

إنها شبكة عصبية اصطناعية ، يمكنها التعلم من أنماط الترميز المختلفة. يشبه المشفر التلقائي المدرك متعدد الطبقات الذي يحتوي على طبقة إدخال أو طبقة مخفية أو طبقة إخراج في أبسط أشكالها. تمتلك طبقة الإخراج نفس عدد العقد مثل طبقة الإخراج. لا يتنبأ بالقيم المستهدفة بناءً على ناقل الإخراج ؛ بدلاً من ذلك ، يمكن لـ Autoencoder التنبؤ بإدخاله. يمكن تحديد آلية التعلم هذه على النحو التالي:

لكل إدخال x ،

• حساب التنشيط عن طريق السماح لمرور التغذية إلى الأمام في كل طبقة مخفية وطبقات الإخراج
• استخدم وظائف الخطأ المناسبة لاكتشاف الانحراف بين القيم المحسوبة
• قم بتحديث الأوزان عن طريق نشر الخطأ للخلف
• استمر في تكرار المهمة حتى تنتج مخرجات مرضية

إذا كانت الطبقة المخفية تحتوي على عدد أقل من العقد من عقد الإدخال والإخراج ، فسيتم اعتبار تنشيط الطبقة المخفية الأخيرة بمثابة تمثيل مضغوط للمدخلات. إذا كانت عُقد الطبقة المخفية أكبر من حيث العدد ، فسوف يتعلم المشفر التلقائي وظيفة الهوية ويثبت عدم جدواها في معظم الحالات.

شبكة الإيمان العميق

يوفر حلاً للتعامل مع الوظائف الموضوعية الدنيا وغير المحدبة التي تمتلك إدراكًا نموذجيًا متعدد الطبقات. يمكنك التفكير في الأمر على أنه نوع بديل من التعلم العميق يتكون من طبقات متعددة من المتغيرات الكامنة المترابطة مع طبقات أخرى. إنها نسخة محدودة من آلات Boltzmann.

هنا ، ستعمل الطبقات المخفية لكل شبكة فرعية كطبقة إدخال مرئية للطبقة المجاورة للشبكة. وبالتالي ، فإنه يجعل أدنى طبقة مرئية مجموعة تدريب للطبقة المجاورة للشبكة. وبالتالي ، يمكن تدريب كل طبقة من طبقات الشبكة بجشع واستقلالية. تستخدم كل طبقة من البنية العميقة المتغيرات الخفية كمتغيرات ملحوظة لتدريب كل طبقة من الهيكل العميق. خوارزمية تدريب شبكة المعتقدات العميقة هي كما يلي:

• ضع في اعتبارك متجهات المدخلات
• استخدم ناقل الإدخال لتدريب آلة Boltzmann واحصل على مصفوفة الوزن
• استخدم مصفوفة الوزن لتدريب طبقتين سفليتين من الشبكة
• استخدم شبكة RBM لتوليد متجه إدخال جديد من خلال التنشيط المتوسط ​​وأخذ عينات من الوحدات المخفية.
• استمر في تكرار الإجراء حتى تصل إلى أعلى طبقتين من الشبكة.

اقرأ أيضًا: التعلم العميق مقابل الشبكات العصبية

الشبكات العصبية التلافيفية (CNN)

إنه متغير آخر من منظور متعدد الطبقات يعتمد على feedforward. ينظم الخلايا العصبية الفردية بطريقة تستجيب لجميع المناطق المتداخلة في المنطقة المرئية. إنها إحدى خوارزميات التعلم العميق القادرة على التقاط صورة إدخال وإعطاء أهمية للتحيزات والأوزان القابلة للتعلم من مختلف الجوانب / الكائنات في الصورة.

يمكن أن يفرق أحدهما عن الآخر. تعد الحاجة إلى المعالجة المسبقة في CNN منخفضة جدًا عند مقارنتها بخوارزميات التصنيف الأخرى. تمتلك CNN القدرة على تعلم هذه الخصائص والمرشحات.

CNN هي إحدى الفئات الرئيسية لما يلي:

كشف الأشياء

تصنيفات الصور

التعرف على الصور

التعرف على الوجه وما إلى ذلك.

هذه بعض المجالات القليلة التي يمكن استخدام CNN فيها على نطاق واسع.

لتصنيف الصور ، ستقبل CNN صورة إدخال ومعالجتها وإجراء التصنيف ضمن فئات مختلفة. تصور أجهزة الكمبيوتر الصور المدخلة كمصفوفة من البكسل ، وهي متغيرة لدقة الصورة. من الناحية الفنية ، ستخضع نماذج CNN كل صورة إدخال من خلال عدة طبقات تلافيفية مع مرشحات للتدريب والاختبار.

تُعرف الطبقة الأولى باسم Convolution ، والتي يتم تعيينها لاستخراج المعالم من صورة الإدخال. يمكن أن يحافظ الالتفاف على العلاقات بين وحدات البكسل حيث يمكنه التعرف على ميزات الصورة من خلال استخدام مربعات صغيرة من بيانات الإدخال. ينفذ عملية حسابية بأخذ مدخلين: مصفوفة صورة ومرشح أو نواة.

عندما يتم توفير التفاف للصورة بفلاتر مختلفة ، فإنها ستصبح قادرة على تنفيذ عمليات مثل اكتشاف الحواف والتوضيح والتشويش من خلال المرشحات.

في السنوات القليلة الماضية ، شهد مجال رؤية الكمبيوتر تقدمًا كبيرًا. CNN هي واحدة من أكبر التطورات. تطورت شبكات CNN العميقة لتصبح أكثر تطبيقات الرؤية الحاسوبية خيالية المستخدمة في التعرف على الإيماءات ، والسيارات ذاتية القيادة ، ووضع العلامات التلقائي على الأصدقاء في الصور المنشورة على Facebook ، وميزات أمان الوجه ، والتعرف الآلي على لوحة الأرقام.

الشبكات العصبية المتكررة

إنه نوع من الشبكات العصبية حيث يمكن تغذية ناتج الخطوة السابقة كمدخل إلى الخطوة الحالية. المدخلات والمخرجات في الشبكة العصبية التقليدية مستقلة عن بعضها البعض. ومع ذلك ، في الحالات التي توجد فيها حاجة للتنبؤ بالكلمات المتتالية في الجملة ، ستكون هناك حاجة لتذكر الكلمات السابقة.

يعد ظهور RNN بحل هذه المشكلة بمساعدة طبقة مخفية. إحدى السمات الرئيسية لـ RNN هي الحالة المخفية القادرة على تذكر بعض المعلومات في تسلسل.

تم تجهيز RNN بذاكرة يمكنها تذكر جميع المعلومات حول العمليات الحسابية. يمكنه استخدام نفس المعلمات لكل إدخال لأداء نفس المهام على جميع المدخلات أو الطبقات المخفية لإنتاج المخرجات المطلوبة. سيقلل بشكل كبير من تعقيد المعلمات ، والتي تتناقض بشكل حاد مع الشبكات العصبية الأخرى.

افكار اخيرة

حساب التدرجات لا يعتمد فقط على الخطوة الحالية ولكن أيضًا على الخطوة السابقة. هناك متغير يسمى الشبكة العصبية المتكررة ثنائية الاتجاه التي تستخدمها العديد من التطبيقات. هنا ، تأخذ الشبكة في الاعتبار المخرجات السابقة والمتوقعة في المستقبل. من خلال تقديم طبقات مخفية متعددة ، يمكن تحقيق التعلم العميق في اتجاهين مباشر وشبكات عصبية متكررة.

إذا كنت مهتمًا بمعرفة المزيد حول تقنيات التعلم العميق ، والتعلم الآلي ، فراجع IIIT-B & upGrad's PG Certification في التعلم الآلي والتعلم العميق المصمم للمهنيين العاملين ويقدم أكثر من 240 ساعة من التدريب الصارم ، وأكثر من 5 دراسات حالة والتعيينات ، وحالة خريجي IIIT-B والمساعدة في العمل مع الشركات الكبرى.