ما هو التعلم العميق الهندسي كل شيء؟

قامت خوارزميات التعلم العميق مثل الشبكات العصبية المتكررة (RNN) والشبكات العصبية التلافيفية (CNN) بعمل مهم في حل المشكلات في مختلف المجالات مثل التعرف على الكلام ورؤية الكمبيوتر وغير ذلك الكثير في السنوات القليلة الماضية. على الرغم من أن النتائج كانت دقيقة للغاية ، إلا أنها عملت في الغالب على البيانات الإقليدية.

ولكن عندما يتعلق الأمر بعلوم الشبكات والفيزياء والأحياء ورسومات الكمبيوتر وأنظمة التوصية ، يتعين علينا التعامل مع البيانات غير الإقليدية ، مثل المشعبات والرسوم البيانية. يتعامل التعلم العميق الهندسي مع هذه البيانات غير الإقليدية بإحساس بتقنيات التعلم العميق ككل للبيانات المتنوعة أو الهيكلية.

ما هو التعلم الهندسي العميق؟

في السنوات القليلة الماضية ، شهدنا تقدمًا كبيرًا في مجال التعلم العميق والتعلم الآلي. تنمو قوة الكمبيوتر بسرعة ، ويتم دمج البيانات المتاحة مع الخوارزميات التي تم تطويرها في 1980 - 1990 لتطبيقاتها الجديدة.

إذا كان هناك مجال استفاد كثيرًا من هذا التطور فسيكون التعلم بالتمثيل. يعد التعلم بالتمثيل جزءًا من التعلم الخاضع للإشراف ، ويسمى أيضًا التعلم المميز. يحل تعلم الميزات محل هندسة الميزات مباشرةً في الكثير من التطبيقات. لمعلوماتك ، تعد هندسة الميزات مجالًا يتعامل مع تطوير الواصفات والميزات لأداء مهام التعلم الآلي الأخرى.

أحد أفضل الأمثلة هو استخدام الشبكات العصبية التلافيفية (CNN) لاكتشاف الأشياء ، وتصنيف الصور ، وتحقيق دقة كبيرة ومن ثم وضع معيار للخوارزميات التقليدية الأخرى. أجرت ImageNet مسابقة في عام 2012 وتفوقت على SOTA التي تعتمد بشكل كبير على هندسة الميزات.

دعونا الآن نفهم المجال الذي له أصل مماثل ومستقبل مزدهر ، التعلم العميق الهندسي.

مصطلح التعلم العميق الهندسي كان أول من أطلق عليه Bronstein et al. في مقالهم المنشور في عام 2017 ، كان عنوان المقالة ، "التعلم العميق الهندسي: تجاوز البيانات الإقليدية".

إنه عنوان قوي يخبرنا أن التعلم الهندسي العميق قادر على توظيف التعلم العميق حتى على البيانات غير الإقليدية. البيانات غير الإقليدية هي مجموعة من البيانات التي لا يمكن احتواؤها في فضاء ثنائي الأبعاد.

عادة ، تخصص رسومي أو شبكة واسعة جدًا في مجال رسومات الكمبيوتر لتصور البيانات غير الإقليدية.

يشير الشكل الموجود على اليسار إلى المسافة الجيوديسية وعلى اليمين يشير إلى المسافة الإقليدية. الشبكة في الشكل أعلاه هي وجه شخص. الآن ، عبر الشبكة ، فإن أقصر مسافة سطحية هي المسافة الجيوديسية بين معلمين. بينما المسافة المحسوبة بين معلمين باستخدام خط مستقيم هي المسافة الإقليدية.

المسافة الجيوديسية هي الميزة الرئيسية لتمثيل أي شبكة في شكل غير إقليدي لأنها أكثر أهمية بالنسبة للمهام التي يتم إجراؤها عليها. لا يعني ذلك أننا لا نستطيع تحويل البيانات غير الإقليدية إلى بيانات إقليدية بطبيعتها ، ولكن ما يحدث هو أن هناك تكلفة عالية في فقدان الأداء والكفاءة.

سيكون الرسم البياني أحد الأمثلة الرئيسية والمهمة على البيانات غير الإقليدية. الرسم البياني هو هيكل بيانات يتكون من كيانات أو عقد متصلة بالعلاقات أو الحواف. يمكن استخدام الرسم البياني لنمذجة كل شيء تقريبًا.

حسنًا ، لا تحتاج إلى فهم نظرية الرسم البياني ، ما عليك سوى قراءة القليل منها حتى تتمكن من استخدام مكتبات البرامج المطلوبة في هذه العملية. يجب أن يكون لديك معرفة أساسية واضحة تمامًا بالتعلم الهندسي العميق للحصول على مقدمة رائعة للرسم البياني ونظريته الأساسية.

لاستخدام البيانات في حل المشكلة بناءً على التعلم الهندسي العميق ، إذا كنت تعرف بالفعل الحالات التي يمكن تحقيقها بناءً على البيانات التي تحتاج إلى التخلص منها ، أو العكس ؛ إذن فهو أفضل سيناريو.

قراءة: الشبكة العصبية التلافيفية

الاستدلال الإحصائي

ما نريد أن نفهمه هو ما يختلف عن التفكير الاستقرائي والاستنتاجي. عندما يتعلق الأمر بالمنطق الاستنتاجي ، يتم استخدام المصطلحات العامة للوصول إلى نتيجة محددة أو لتقديم مطالبة معينة. دعونا نجمع بين هذين التأكيدات لتشكيل مثال.

"سجلت جميع الفتيات 10/10 في الاختبار" و "تايلور فتاة" تعني في النهاية أن "تايلور قد أحرز 10/10 في الاختبار". الاستدلال الاستقرائي هو العكس بالعكس ؛ هنا ، يتم استخلاص فكرة عامة أو استنتاج من مصطلحات معينة. دعونا نأخذ مثالا لتصور المنطق. أجب على هذا السؤال:

أي بقرة تنتج فقط حليبًا طويل الأمد (UHT)؟ إذا قلت "لا شيء" ، فأنت من بين 21٪ من الشباب الذين تمت مقابلتهم. 5٪ من الشباب الذين تمت مقابلتهم وضعوا علامة "Milka-cows" ، و 10٪ وضعوا علامة "all" ، و 2٪ منهم اصطفوا لـ "إناث الأبقار" و "أبقار سوداء وبيضاء" ، و 50٪ منهم لم يكن لديهم إجابة.

اقرأ أيضًا: الشبكة العصبية المتكررة

هناك الكثير من الأمور التي يتعين تحليلها من هذه النتيجة ، لكن دعنا نفكر في فكرة أبقار ميلكا. دعونا نفهم الاستنتاج في شكل التفكير الاستقرائي من وجهة نظر الشباب. أولاً ، "حليب البقر هو سلالة خاصة" ، "الحليب المعقم بدرجة حرارة خاصة" ، مما يؤدي في النهاية إلى "إنتاج الحليب المعقم بواسطة بقرة ميلكا".

ماذا يمكن أن نلخص من هذا؟ التحيز الاستقرائي أو الاستدلال الاستقرائي هو مجموعة من افتراضات المتعلم ، وهي كافية لشرح تداخله الاستقرائي والاستنتاجي. على المرء أن يكون حذرًا للغاية أثناء تصميم خوارزميات التحيز الاستقرائي. يمكن استخدام التداخل الاستقرائي لتحقيق النتائج التي تعادل الاستدلالات الاستنتاجية.

حقيقة مثيرة للاهتمام: من مجموعة الرياضيات في علوم الكمبيوتر الكبرى ، إذا كان هناك أي موضوع أسطوري ليتم التفكير فيه كموضوع صعب ، فهو نظرية الرسم البياني في الرياضيات المنفصلة.

ومع ذلك ، تسمح لنا نظرية الرسم البياني بأداء بعض المهام المثيرة وتقديم رؤى مذهلة مع التعلم العميق.

تجزئة الرسم البياني

تجزئة الرسم البياني هي عملية تصنيف عنصر وجميع مكونات الرسم البياني مثل العقد (الكيانات) والحواف (العلاقات). فكر في السيارات ذاتية القيادة التي تحتاج إلى مراقبة بيئتها بعد فاصل زمني منتظم وتوقع ما سيكون عليه المشاة بعد ذلك.

عادة ، يتم تمثيل المشاة من البشر إما كصناديق إحاطة ضخمة في ثلاثة أبعاد أو كدرجات أكثر من الهياكل العظمية للحركة. مع التجزئة الدلالية ثلاثية الأبعاد الأسرع والأفضل ، سيكون لدى السيارة المستقلة المزيد والمزيد من الخوارزميات التي تجعل الإدراك ممكنًا.

تصنيف الرسم البياني

في تصنيف الرسم البياني ، تحصل الخوارزمية على رسم بياني أو مخطط فرعي كمدخلات وتفسر ناتجًا واحدًا من فئات n المحددة التي لها قيمة يقين مقترنة بالتنبؤ. وهو مكافئ لتصنيف الصور الذي تتكون الشبكة المستخدمة منه من جزأين رئيسيين.

الجزء الأول المهم هو مستخرج الميزات الذي ينشئ تمثيلًا بصريًا لبيانات الإدخال. ثم لتقييد انحدار الإخراج بأبعاد معينة ، يتم استخدام الطبقات المتصلة بالكامل. من ناحية أخرى ، فإن طبقة softmax مطلوبة للتصنيف متعدد الفئات.

يجب أن تقرأ : طرق خطوة بخطوة لبناء نظام الذكاء الاصطناعي الخاص بك اليوم

الخط السفلي

لقد فهمنا التعلم العميق الهندسي بعمق من خلال وضعه في سياق التعلم العميق بشكل عام. يمكننا أن نستنتج أن التعلم الهندسي العميق يتعامل مع البيانات غير المنتظمة ككل ، وتعلمنا عن الرسوم البيانية من خلال توضيح مدى دورها الواعد في تعلم التحيزات.

إذا كنت مهتمًا بمعرفة المزيد حول تقنيات التعلم العميق ، والتعلم الآلي ، فراجع IIIT-B & upGrad's دبلوم PG في التعلم الآلي والذكاء الاصطناعي المصمم للمهنيين العاملين ويقدم أكثر من 450 ساعة من التدريب الصارم ، وأكثر من 30 دراسة حالة و المهام ، وحالة خريجي IIIT-B ، وأكثر من 5 مشاريع تتويجا عملية ومساعدة وظيفية مع كبرى الشركات.