مقدمة في الشبكة العصبية العودية: المفهوم والمبدأ والتنفيذ

الشبكة العصبية العودية هي نوع من الشبكات العصبية العميقة. لذلك ، مع هذا ، يمكنك توقع والحصول على تنبؤ منظم من خلال تطبيق نفس العدد من مجموعات الأوزان على المدخلات المنظمة. باستخدام هذا النوع من المعالجة ، تحصل على شبكة عصبية عميقة نموذجية تُعرف باسم الشبكة العصبية العودية . هذه الشبكات غير خطية بطبيعتها.

الشبكات العودية هي نماذج تكيفية قادرة على تعلم سعة الاطلاع العميقة المنظمة. لذلك ، يمكنك القول أن الشبكات العصبية العودية هي من بين سلاسل متأصلة معقدة. دعونا نناقش علاقتها بمفاهيم التعلم العميق.

مصدر

مفهوم التعلم العميق

مصدر

لا يمكن لأحد أن ينكر العامل القائل بأن التعلم العميق هو أسلوب مذهل للتعلم الآلي.

لقد علمت حتى أجهزة الكمبيوتر كيفية التصرف والاستجابة بشكل طبيعي ، على غرار ما يفترض أن يفعله الإنسان ؛ نفس التعاليم مبرمجة افتراضيًا في أجهزة الكمبيوتر هذه الأيام. ومن ثم ، عليهم دائمًا اتباع مثال والتعلم من خلاله. لذا ، إذا أراد أي شخص التنبؤ بأي شيء لا يمكن التنبؤ به ، فقد أصبح ذلك ممكنًا الآن من خلال التعلم العميق.

كثير من الباحثين وحتى المهندسين مشغولون بتطوير الذكاء الاصطناعي. إنهم يستخدمون مجموعة من الشبكات غير الحيوية العصبية جنبًا إلى جنب مع الذكاء الطبيعي لفرز جميع الحلول. لذلك يمكننا القول أن التعلم العميق الآن يتجاوز التعلم الآلي تقريبًا. في الواقع ، جنبًا إلى جنب مع تقنيات الخوارزميات الخاصة بها ، والتي تخضع للإشراف أو حتى بدون إشراف.

يتم استخدام العديد من طبقات وحدات المعالجة غير الخطية لهذه المهام ، مثل استخراج الميزات والتحولات المعينة في التعلم العميق. لقد أصبحت هذه ثورة في الصناعات الحالية لأن قدراتها التوضيحية قريبة جدًا من القدرات والدقة على المستوى البشري في معظم المهام التي تؤديها. لذلك ، إذا تحدثنا عن مهمة مثل التعرف على الأنماط ، أو إذا قلنا تصنيفًا للصور ، فلن يكون ذلك فحسب ، بل يشمل أيضًا فك تشفير الصوت أو النص ممكنًا أيضًا مع العديد من هذه الخيارات باستخدام خوارزميات التعلم العميق.

التعلم العميق هو من بين بعض التقنيات الرئيسية في الوقت الحاضر والتي تستخدم بشكل كبير للتحكم في الأوامر الصوتية في الأجهزة المحمولة مثل الهواتف الذكية وأجهزة تلفزيون أندرويد ومكبرات الصوت التي تدعم الأوامر الصوتية من Alexa والمزيد من الأجهزة المماثلة. لقد أدخلنا حتى السيارات ذاتية القيادة من خلال تقنية التعلم العميق. وقد مكنهم ذلك من التعرف على معالجة الصور المختلفة ، مثل علامات التوقف. كما جعلهم يتعلمون التمييز حتى بين الصور مثل المشاة قادمًا من عمود إنارة بعيد.

لذلك ، جعلت DL اسمها بالفعل في مجالات مثل معالجة الصور وتصنيف الصور. كما أنها تتعرف بشكل فعال على الكلام بدقة عالية. ومن ثم ، إذا قلنا أن تقنية التعلم العميق تمهد طريقها إلى معدل نجاح حاسم ، فلن نكون مخطئين. لقد استحوذ على انتباه جميع الكائنات الحية بتدوين جيد.

لقد أثبت إمكاناته بلا حصر من خلال تحقيق الكثير من النتائج ، والتي تبدو مستحيلة في وقت سابق. هنا ، يجب أن يتقدم قادة مجتمعات الأعمال والمطورين المعروفين ويحصلوا على تحليل شامل في إمكاناته الإضافية لإبراز الفاعلية على ما يمكن أن يفعله وكيف يمكن أن تفيد البرمجة اللغوية العصبية والتعلم العميق البشر في جميع المجالات.

الشبكة العصبية العودية

مصدر

بكلمات بسيطة ، إذا قلنا أن الشبكة العصبية العودية هي عائلة من شبكة عصبية عميقة ، فيمكننا التحقق من صحتها. لذلك ، إذا تم تطبيق نفس مجموعة الأوزان بشكل متكرر على إدخال منظم ، فستولد الشبكة العصبية العودية. لذلك ، سيستمر حدوث ذلك لجميع العقد ، كما هو موضح أعلاه. تتكون الشبكات العصبية العودية من فئة معمارية ، والتي تعمل بشكل رئيسي على مدخلات منظمة. يتم توجيه RNN بشكل خاص على الرسوم البيانية غير الدورية.

إنها بنية شجرية عميقة. لظروف مثل هناك حاجة لتحليل الجملة الكاملة ، يتم استخدام الشبكات العصبية العودية. لها طوبولوجيا شبيهة بالشجرة. تسمح RNN's بتفرع الاتصالات والهياكل مع التسلسلات الهرمية.

يستخدمون بشكل أساسي الشبكات العصبية العودية للتنبؤ بالمخرجات المنظمة. يتم إجراؤه على هياكل إدخال متغيرة الحجم. كما أنه يجتاز هيكلًا معينًا بترتيب طوبولوجي أيضًا. يفعلون ذلك أيضًا للتنبؤات العددية. ولكن تجدر الإشارة هنا إلى أن الشبكة العصبية العودية لا تستجيب فقط لمدخلات منظمة ، ولكنها تعمل أيضًا في السياقات.

تتم معالجة كل سلسلة زمنية بشكل منفصل. هناك نقطة مثيرة للاهتمام يجب التفكير فيها وهي أن الإدخال الأول لـ RNN حدث عندما ظهرت الحاجة إلى تعلم تمثيلات البيانات الموزعة لشبكات هيكلية مختلفة. على سبيل المثال ، المصطلحات المنطقية.

الشبكة العصبية المتكررة مقابل الشبكات العصبية التكرارية

مصدر

وفقًا للمصادر المذكورة في ويكيبيديا ، فإن الشبكة العصبية المتكررة هي شبكة عصبية متكررة. يتم الإشارة إلى كل من الشبكات العصبية بنفس الاختصار - RNN. إذا كانت الشبكات العصبية تتكرر على مدار فترة زمنية أو تقول إنها نوع سلسلة شبكات متكررة ، فهي شبكة عصبية متكررة. للتعميم ، ينتمي إلى الشبكة العودية.

الصورة أعلاه تصور الشبكة العصبية العودية. هنا ، إذا رأيت ، ستجد أن كل عقد من العقد الأصلية ، وأبنائها هي عقدة مشابهة تمامًا للعقدة الأصلية. لذلك ، من الواضح أن الشبكة العصبية المتكررة تشبه نوع الشبكة الهرمية. يمكنك أن ترى بوضوح أنه لا يوجد مفهوم لمعالجة المدخلات والمخرجات المنظمة هنا. يتم تنفيذه فقط بطريقة هرمية تشبه الشجرة حيث لا توجد مواصفات زمنية وتبعيات مرتبطة.

وبالتالي ، من الواضح أن الاختلاف الرئيسي بين الشبكة العصبية العودية والشبكات العصبية المتكررة غير محدد جيدًا. يُلاحظ أن كفاءة أي شبكة عصبية تكرارية أفضل بكثير مقارنة بشبكة التغذية الأمامية. يتم إنشاء الشبكات العصبية المتكررة في بنية تشبه السلسلة. لا توجد طرق متفرعة ، ولكن يتم إنشاء الشبكات العصبية المتكررة في شكل بنية شجرية عميقة.

الشبكات العصبية العودية | تعريف المبدأ

لذلك ، للتعميم هنا ، لا تختلف الشبكات المتكررة عن الشبكات العصبية العودية. لكنها في الحقيقة شبكة عصبية تكرارية. هناك حقيقة تتعلق بأن الشبكات العودية معقدة بطبيعتها ، وبالتالي فهي غير مقبولة على منصة أوسع. تعد RNN هذه أكثر تكلفة في جميع مراحل ومراحل التعلم الحسابي.

يمكنك تعلم هذه النماذج الحسابية المناسبة جيدًا للتصنيف بالإضافة إلى مشاكل الانحدار. سجّل اليوم في دورة upGrad عبر الإنترنت لتعرف كيف يمكنها حل أي مهام تعليمية خاضعة للإشراف أو غير خاضعة للإشراف. سجل اليوم! تعلم من خبراء البرمجة اللغوية العصبية والتعلم الآلي.

تنفيذ الشبكة العصبية التكرارية

نحن نستخدم الشبكة العصبية العودية لتحليل المشاعر في الجمل. يعد تحليل المشاعر للجمل من بين المهام الرئيسية لـ NLP (معالجة اللغة الطبيعية) ، والتي يمكنها تحديد الكتاب الذين يكتبون النغمة والمشاعر في أي جمل محددة. عندما يعبر الكاتب عن أي مشاعر ، يتم تحديد العلامات الأساسية حول نبرة الكتابة. على سبيل المثال ، ما إذا كان المعنى شكلاً بناءً من الكتابة أو اختيارات الكلمات السلبية.

على سبيل المثال ، في الحالة المذكورة أدناه لمجموعة البيانات المتغيرة ، فإنها تعبر عن كل عاطفة في فئات مميزة.

مصدر

لذلك ، إذا رأيت الصورة أعلاه لتحليل المشاعر ، فسيتم تنفيذها بالكامل بمساعدة خوارزميات الشبكات العصبية العودية. ال RNN هو شكل من أشكال الشبكة العصبية العودية التي لها هيكل شجرة.

خاتمة

نأمل أن يكون هذا المقال قد أوضح بعض أساسيات التعلم العميق وخوارزميات الشبكة العصبية العودية. يمكن أن تساعد معرفة خوارزميات التعلم الآلي ونوعها أي شخص على فهم مقدار الإمكانات التي تحملها للثورة المستقبلية.

من خلال تعلم خوارزميات اللغة الآلية ، قد تحصل على فكرة عن المعالجة الحسابية في مجموعات البيانات ، وجودتها على الرغم من طبيعتها وأحجامها. من خلال الحصول على هذه المعارف ، يمكن للمرء استخراج معلومات أكثر صلة ومفيدة من مجموعة البيانات المستخدمة كمورد مفيد. لذا ، تفضل. تعلم خوارزمية لغة الآلة هذا الموسم. لا تقلق نؤكد لك أنه لن يعقد معرفتك الأساسية حول الترميز أو المصطلحات المنطقية ولكنه سيساعدك على تحسين جميع مواصفات NPL.

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.