نموذج الشبكة العصبية: مقدمة موجزة ، مسرد و Backpropagation
نشرت: 2020-05-22إذا كنت متحمسًا لهندسة البرمجيات تحاول فهم كيفية عمل الشبكات العصبية ، فأنت في المكان المناسب.
في هذا الدليل ، سنساعد المبتدئين على تعلم معنى الشبكات العصبية ، والحصول على مقدمة حول ماهية نموذج الشبكة العصبية ، وتوسيع معرفتهم إلى مناطق جديدة من المجال.
جدول المحتويات
ما هي الشبكة العصبية؟
قبل الدخول في المصطلحات الحسابية ، دعونا نفهم وجود الشبكات العصبية في حياتنا اليومية.
مصطلح "عصبي" يأتي من "الخلايا العصبية" ، وهو المصطلح المستخدم لخلية عصبية واحدة. هذا صحيح - الشبكة العصبية تعني أساسًا شبكة من الخلايا العصبية التي تؤدي إجراءات بسيطة في حياتنا اليومية.
يعد التعرف على الأنماط واكتشاف الأشياء والذكاء جانبًا رئيسيًا من المشكلات التي نواجهها كل يوم. بينما يتم إجراؤها بسهولة كبيرة لدرجة أننا لا ندركها ، فإن الحقيقة هي أنه من الصعب أتمتة هذه التفاعلات.
مثال:

- الأطفال يحفظون شكل التفاحة
- حيوان يتعرف على أمه أو صاحبه
- إدراك ما إذا كان الشيء ساخنًا أو باردًا
تقوم شبكاتنا العصبية بإجراء هذه الحسابات المعقدة.
أصبح البشر الآن قادرين على بناء نظام حسابي يمكنه الأداء بطريقة مشابهة لنظامنا العصبي. تسمى هذه الشبكات العصبية الاصطناعية (ANNs).
بينما استخدمنا شبكات ANN في البداية لأداء وظائف بسيطة ، فإن الزيادة في قوة الحساب سمحت لنا الآن ببناء بنية شبكة عصبية قوية إلى حد ما لحل المشكلات المعقدة بشكل متزايد.
دعنا نتعرف على ANN بالتفصيل في القسم التالي.
قراءة: برنامج TensorFlow لاكتشاف الأشياء للمبتدئين
ما هو نموذج الشبكة العصبية الاصطناعية؟
تسمى الشبكة العصبية متعددة الطبقات والمتصلة بالكامل والتي تحتوي على طبقة إدخال وطبقات مخفية وطبقة إخراج بالشبكة العصبية الاصطناعية أو ANN.
الصورة أدناه تمثل ANN.
مصدر
إذا رأيت بعناية ، ستلاحظ أن كل عقدة في طبقة واحدة متصلة بكل عقدة في الطبقة المجاورة لها.
كلما زادت عدد الطبقات المخفية ، تصبح الشبكة أعمق.
دعونا نرى كيف تبدو العقدة الفردية في المخرجات أو الطبقة المخفية.
مصدر
كما ترى ، تحصل العقدة على العديد من المدخلات. إنها تلخص جميع الأوزان وتمررها كناتج ، عبر وظيفة تنشيط غير خطية.
يصبح ناتج العقدة هذا هو مدخلات العقدة في الطبقة التالية.
الشيء المهم الذي يجب ملاحظته هنا هو أن الإشارة ستنتقل دائمًا من اليسار إلى اليمين. بمجرد أن تتبع جميع العقد الإجراء ، سيتم إعطاء الإخراج النهائي.
هذا ما تبدو عليه معادلة العقدة.
مصدر
في المعادلة أعلاه ، ب هو تحيز. إنه المدخل إلى جميع العقد ويحمل دائمًا القيمة 1.
يساعد الانحياز على تحريك نتيجة وظيفة التنشيط إلى اليسار أو اليمين.
مسرد نموذج الشبكة العصبية الاصطناعية
لنلقِ نظرة على المصطلحات الأساسية التي يجب أن تعرفها عندما يتعلق الأمر بنموذج الشبكة العصبية الاصطناعية.

المدخلات
يُطلق على البيانات التي يتم إدخالها أولاً إلى الشبكة العصبية من المصدر اسم الإدخال. هدفها هو إعطاء بيانات الشبكة لاتخاذ قرار أو توقع بشأن المعلومات التي يتم إدخالها فيها. عادة ما يقبل نموذج الشبكة العصبية مجموعات القيمة الحقيقية من المدخلات ويجب تغذيتها في خلية عصبية في طبقة الإدخال.
عدة التدريبات
المدخلات التي تعرف بالفعل المخرجات الصحيحة لها تسمى مجموعات التدريب. تُستخدم هذه لمساعدة الشبكة العصبية في الحصول على تدريب وحفظ النتيجة لمجموعة الإدخال المحددة.
النواتج
تولد كل شبكة عصبية ناتجًا كتنبؤ أو قرار بشأن البيانات التي يتم إدخالها فيها. هذا الناتج في شكل مجموعة قيم حقيقية أو قرارات منطقية. فقط من الخلايا العصبية في طبقة الإخراج تولد قيمة الإخراج.
عصبون
تُعرف الخلية العصبية أيضًا باسم المستدعي ، وهي الوحدة الأساسية للشبكة العصبية. يقبل قيمة الإدخال ويولد مخرجات بناءً عليها.
كما تمت مناقشته من قبل ، يتلقى كل خلية عصبية جزءًا من المدخلات ويمررها عبر وظيفة التنشيط غير الخطي إلى العقدة في الطبقة التالية. يمكن أن تكون وظائف التنشيط هذه TanH أو السيني أو ReLu. تساعد الميزة غير الخطية لهذه الوظائف في تدريب الشبكة.
مساحة الوزن
كل خلية عصبية لها وزن رقمي. عندما تقوم بتسليم مدخلات إلى ملاحظة أخرى ، يتم تجميع وزنها مع الآخرين لتوليد مخرجات. من خلال إجراء تغييرات صغيرة على هذه الأوزان ، يتم تدريب الشبكات العصبية. يساعد الضبط الدقيق للأوزان في تحديد المجموعة الصحيحة من الأوزان والتحيزات التي من شأنها أن تولد أفضل النتائج. هذا هو المكان الذي يأتي فيه backpropagation.

ما هو الانتشار العكسي في نموذج الشبكة العصبية؟
إحدى الطرق لاكتشاف التغييرات الصغيرة التي يجب إجراؤها بنجاح على الأوزان لتقليل فقد الشبكة بالكامل هي backpropagation.
- في البداية ، يجب نشر عمليات التنشيط في الاتجاه التصاعدي أو الأمامي.
- الآن ، يجب نشر مشتقات دالة التكلفة في الاتجاه الهبوطي أو العكسي.
بهذه الطريقة ، ستتمكن من تحديد مشتق التكلفة الجزئية مقابل كل وزن. يمكنك بعد ذلك حساب التكلفة التي سيتم تخفيضها عن طريق إجراء التعديلات.
خاتمة
لا ينصح الكثير من مهندسي البرمجيات بنموذج الشبكة العصبية ، لأنهم يشعرون أنه غير فعال إلى حد ما ، نظرًا لأن هناك حاجة إلى العديد من التكرارات للتوصل إلى أكثر الحلول فعالية من حيث التكلفة.
ومع ذلك ، فإن العديد من الخوارزميات الجديدة ، مثل شبكات كبسولة هينتون ، والشبكة العصبية للكبسولة ، تتطلب عددًا أقل بكثير من حالات الضبط للوصول إلى نموذج دقيق. وبالتالي ، من المؤكد أن الشبكات العصبية لديها مجال كبير في المستقبل.
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.
لماذا تحتاج لدراسة الرياضيات للذكاء الاصطناعي؟
على عكس ما يعتقده الكثير منا ، يعتمد الذكاء الاصطناعي بشكل كبير على الرياضيات. يعتمد المفهوم الكامل لتعليم الآلات على التفكير والتصرف بشكل مشابه للبشر على مفاهيم تنتمي إلى فروع مختلفة من الرياضيات ، مثل الاحتمالات والإحصاء ، على سبيل المثال لا الحصر. يأتي علم البيانات أيضًا مع دعائمه المتعلقة بمفاهيم رياضية مختلفة ، من حساب التفاضل والتكامل والجبر الخطي ونظرية اللعبة إلى الانحدارات المتقدمة والتصنيفات والإحصاءات والاحتمالات ونسب التدرج والمزيد. الأساسيات القوية في الرياضيات ضرورية لتطوير فهم فعال لمفاهيم الذكاء الاصطناعي ، مما سيساعدك على بناء مستقبل مهني ناجح في هذا المجال.
هل الشبكة العصبية خوارزمية في التعلم الآلي؟
يمكن تعريف الشبكات العصبية الاصطناعية أو ببساطة ، الشبكات العصبية ، على أنها مجموعة من خوارزميات التعلم الآلي المصممة لتشبه الدماغ البشري وتم إنشاؤها للتعرف على الأنماط بشكل متقدم. تم تصميم الشبكات العصبية لتحديد الأنماط العددية داخل المتجهات التي يتم ترجمة جميع البيانات المتراكمة إليها. من خلال اكتشاف الأنماط داخل البيانات غير المهيكلة أو غير الدقيقة ، تساعد الشبكات العصبية في تصنيف وتشكيل مجموعات لتحسين تخزين البيانات وإدارتها. يتم تفسير البيانات الحسية التي يتم تغذيتها للشبكات العصبية من خلال تصور الآلة الذي يقوم بتسمية أو تجميع بيانات الإدخال.
لماذا هو مطلوب backpropagation في الشبكات العصبية؟
في مجال الشبكات العصبية الاصطناعية ، تشير طريقة الانتشار العكسي في الواقع إلى الانتشار العكسي للأخطاء. هذه تقنية معيارية تُستخدم لتدريب الشبكات العصبية الاصطناعية وتجري بالتكرارات. يتم استخدام Backpropagation لضبط أوزان الشبكة العصبية الاصطناعية ، والمساعدة في تقليل الأخطاء وجعل النظام أكثر دقة وموثوقية. تعمل هذه الطريقة بسرعة ويمكن أيضًا برمجتها ببساطة. إنها تقنية مرنة. لا يحتاج إلى معرفة مسبقة عن الشبكة العصبية. لا يتضمن أي معلمات إضافية ولكنه يقوم فقط بضبط الأرقام التي يتم إدخالها في النظام.