الشبكات العصبية للدمى: دليل شامل

إن دماغنا عبارة عن آلة لا تصدق للتعرف على الأنماط. إنه يعالج "المدخلات" من العالم الخارجي ، ويصنفها (هذا كلب ؛ هذه شريحة بيتزا ؛ أوه ، هذه حافلة قادمة نحوي!) ، ثم يولد "إخراجًا" (يداعب الكلب ؛ طعم لذيذ من تلك البيتزا ؛ الابتعاد عن طريق الحافلة!).
كل هذا بقليل من الجهد الواعي ، بشكل اندفاعي تقريبًا. إنه نفس النظام الذي يستشعر ما إذا كان شخص ما غاضبًا منا ، أو يلاحظ بشكل لا إرادي إشارة التوقف أثناء تجاوزنا لها. يسمي علماء النفس هذا النمط من التفكير "النظام 1" ، وهو يتضمن المهارات الفطرية - مثل الإدراك والخوف - التي نشاركها مع الحيوانات الأخرى. (هناك أيضًا "النظام 2" ، لمعرفة المزيد عنه ، تحقق من التفكير المفيد للغاية ، السريع والبطيء من تأليف دانيال كانيمان ).
تسأل كيف يرتبط كل هذا بالشبكات العصبية ؟ انتظر ، سنصل إلى هناك في ثانية.

انظر إلى الصورة أعلاه ، فقط أرقامك العادية ، مشوهة لمساعدتك على شرح تعلم الشبكات العصبية بشكل أفضل. حتى إذا نظرت بسرعة ، فإن عقلك سيطالبك بالكلمات "192".
أنت بالتأكيد لم تذهب "آه ، هذا يبدو وكأنه خط مستقيم ، أعتقد أنه 1". أنت لم تحسبها - لقد حدث ذلك على الفور.
رائعة ، أليس كذلك؟
هناك سبب بسيط جدًا لذلك - لقد صادفت الرقم مرات عديدة في حياتك ، من خلال التجربة والخطأ ، يتعرف دماغك تلقائيًا على الرقم إذا قدمته بشيء قريب منه حتى عن بعد.
ما الفرق بين علم البيانات والتعلم الآلي والبيانات الضخمة؟

دعونا نقطع إلى المطاردة.

ما هي بالضبط الشبكة العصبية ؟ كيف يعمل؟

بحكم التعريف ، الشبكة العصبية هي نظام من الأجهزة أو البرامج ، منقوشة بعد عمل الخلايا العصبية في دماغ الإنسان. في الأساس ، تساعد أجهزة الكمبيوتر على التفكير والتعلم مثل البشر. مثال سيجعل هذا أكثر وضوحا:
كطفل ، إذا لمسنا كوبًا ساخنًا من القهوة وأحرقنا ، فقد حرصنا على عدم لمس كوب ساخن مرة أخرى. لكن هل كان لدينا أي مفهوم من هذا القبيل للأذى في ضميرنا قبل أن نلمسها؟ ليس صحيحا.
يعتمد هذا التعديل في معرفتنا وفهمنا للعالم من حولنا على التعرف على الأنماط. ومثلنا ، تتعلم أجهزة الكمبيوتر أيضًا من خلال نفس النوع من التعرف على الأنماط. يشكل هذا التعلم الأساس الكامل لعمل الشبكات العصبية .
تعمل برامج الكمبيوتر التقليدية على أشجار المنطق - إذا حدث A ، فإن B يحدث. يمكن برمجة جميع النتائج المحتملة لكل نظام مسبقًا. ومع ذلك ، فإن هذا يلغي نطاق المرونة. لا يوجد تعلم هناك.
وهنا يأتي دور الشبكات العصبية ! يتم إنشاء الشبكة العصبية بدون أي منطق محدد. في الأساس ، هو نظام مُدرب على البحث عن الأنماط داخل البيانات والتكيف معها. تم تصميمه على غرار بالضبط كيف يعمل دماغنا. كل خلية عصبية (فكرة) متصلة عبر المشابك. كل مشابك له قيمة تمثل احتمالية أو احتمالية حدوث اتصال بين خليتين عصبيتين. انظر للصورة ادناه:

ما هي بالضبط الخلايا العصبية ، تسأل؟
ببساطة ، الخلية العصبية هي مجرد مفهوم فريد. الكوب ، اللون الأبيض ، الشاي - ، الإحساس بالحرق عند لمس كوب ساخن ، أي شيء في الأساس. كل هذه الخلايا العصبية المحتملة. يمكن توصيلهم جميعًا ، وتتحدد قوة اتصالهم بقيمة المشبك الخاص بهم. كلما زادت القيمة ، كان الاتصال أفضل. دعنا نرى اتصال شبكة عصبية أساسي واحد لتجعلك تفهم بشكل أفضل:

كل خلية عصبية هي العقدة والخطوط التي تربطهم هي نقاط الاشتباك العصبي. تمثل قيمة المشبك احتمالية العثور على خلية عصبية واحدة بجانب الأخرى. لذلك ، من الواضح جدًا أن الرسم البياني الموضح في الصورة أعلاه يصف كوبًا يحتوي على قهوة ، وهي بيضاء اللون وساخنة للغاية.
توليد اللغة الطبيعية: أهم الأشياء التي تحتاج إلى معرفتها

جميع الأكواب لا تحتوي على خصائص مثل تلك التي في السؤال. يمكننا توصيل العديد من الخلايا العصبية الأخرى بالكوب. الشاي ، على سبيل المثال ، من المحتمل أن يكون أكثر شيوعًا من القهوة. يتم تحديد احتمال اتصال اثنين من الخلايا العصبية من خلال قوة المشبك الذي يربط بينهما. كلما زاد عدد الأكواب الساخنة ، كلما كان المشبك أقوى.
ومع ذلك ، في عالم لا تُستخدم فيه الأكواب لحمل المشروبات الساخنة ، سينخفض ​​عدد الأكواب الساخنة بشكل كبير. وبالمناسبة ، سيؤدي هذا الانخفاض أيضًا إلى تقليل قوة المشابك التي تربط الأكواب بالحرارة.
وبالتالي،

يصبح

يمثل هذا الوصف الصغير وغير المهم على ما يبدو للقدح البناء الأساسي للشبكات العصبية .
نلمس كوبًا محفوظًا على منضدة - نجد أنه ساخن. يجعلنا نعتقد أن جميع الأكواب ساخنة. بعد ذلك ، نلمس كوبًا آخر - هذه المرة ، الكوب المحفوظ على الرف - ليس حارًا على الإطلاق. نستنتج أن الأكواب في الرف ليست ساخنة. بينما ننمو ، نتطور.
كان دماغنا يأخذ البيانات طوال هذا الوقت. هذه البيانات تجعلها تحدد احتمالية دقيقة فيما إذا كان الكوب الذي نحن على وشك لمسه سيكون ساخنًا أم لا. الشبكات العصبية تتعلم بنفس الطريقة بالضبط.
الآن ، لنتحدث قليلاً عن النموذج الأول والأكثر أساسية للشبكة العصبية : Perceptron!

ما هو بيرسبترون؟

المدرك الحسي هو النموذج الأساسي للشبكة العصبية. يأخذ مدخلات ثنائية متعددة: x1 ، x2 ، ... ، وينتج مخرجات ثنائية واحدة.

دعنا نفهم الشبكة العصبية المذكورة أعلاه بشكل أفضل بمساعدة القياس.
قل أنك تمشي إلى العمل. يعتمد قرارك بالذهاب إلى العمل على عاملين رئيسيين: الطقس ، وما إذا كان يومًا من أيام الأسبوع أم لا. لا يزال عامل الطقس قابلاً للإدارة ، لكن العمل في عطلات نهاية الأسبوع يعد أمرًا رائعًا! نظرًا لأنه يتعين علينا العمل بمدخلات ثنائية ، فلنقترح الشروط على شكل أسئلة نعم أو لا. هل الطقس جيد؟ 1 لـ "نعم" ، 0 لـ "لا". هل هو يوم من أيام الأسبوع؟ 1 نعم ، 0 لا.
دليل المبتدئين لفهم اللغة الطبيعية

تذكر ، لا يمكننا إخبار الشبكة العصبية صراحة بهذه الشروط ؛ سيتعين عليها تعلمها بنفسها. كيف ستقرر أولوية هذه العوامل عند اتخاذ القرار؟ باستخدام شيء يعرف باسم "الأوزان". الأوزان هي مجرد تمثيل رقمي للتفضيلات. الوزن الأعلى سيجعل الشبكة العصبية تعتبر هذا الإدخال ذا أولوية أعلى من الآخرين. يتم تمثيل ذلك بواسطة w1 ، w2 ... في المخطط الانسيابي أعلاه.
"حسنًا ، كل هذا رائع جدًا ، ولكن أين تجد الشبكات العصبية العمل في سيناريو عملي؟"

تطبيقات الحياة الواقعية للشبكات العصبية

إذا لم تكن قد اكتشفت ذلك بعد ، فإذن هنا ، يمكن للشبكة العصبية أن تفعل كل شيء تقريبًا طالما أنك قادر على الحصول على بيانات كافية وجهاز فعال للحصول على المعلمات الصحيحة. أي شيء يتطلب تعلمًا آليًا عن بُعد يتحول إلى الشبكات العصبية للحصول على المساعدة. التعلم العميق هو مجال آخر يستخدم الشبكات العصبية على نطاق واسع. إنها واحدة من العديد من خوارزميات التعلم الآلي التي تمكن الكمبيوتر من أداء عدد كبير من المهام مثل التصنيف أو التجميع أو التنبؤ.

• بمساعدة الشبكات العصبية ، يمكننا إيجاد حل لمثل هذه المشكلات التي تكون فيها طريقة الخوارزمية التقليدية باهظة الثمن أو غير موجودة.
• يمكن للشبكات العصبية أن تتعلم من خلال الأمثلة ، وبالتالي ، لا نحتاج إلى برمجتها إلى حد كبير.
• الشبكات العصبية دقيقة وأسرع بكثير من السرعات التقليدية.

نظرًا للأسباب المذكورة أعلاه وأكثر من ذلك ، فإن التعلم العميق ، من خلال الاستفادة من الشبكات العصبية ، يجد استخدامًا مكثفًا في المجالات التالية:

• التعرف على الكلام: خذ على سبيل المثال Amazon Echo Dot - مكبرات الصوت السحرية التي تسمح لك بطلب الطعام والحصول على الأخبار وتحديثات الطقس أو ببساطة شراء شيء عبر الإنترنت بمجرد التحدث عنه.
• التعرف على خط اليد: يمكن تدريب الشبكات العصبية على فهم الأنماط في خط يد شخص ما. ألقِ نظرة على تطبيق إدخال خط اليد من Google - والذي يستخدم التعرف على خط اليد لتحويل خربشاتك بسلاسة إلى نصوص ذات معنى.
• التعرف على الوجه: من تحسين الأمان على هاتفك (معرف الوجه) إلى فلاتر سناب شات الرائعة - التعرف على الوجوه موجود في كل مكان. إذا قمت بتحميل صورة على Facebook وطُلب منك تمييز الأشخاص الموجودين في صورتك ، فأنت تعرف ما هو التعرف على الوجوه!
• توفير الذكاء الاصطناعي في الألعاب: إذا سبق لك أن لعبت الشطرنج ضد جهاز كمبيوتر ، فأنت تعرف بالفعل كيف يعمل الذكاء الاصطناعي على تشغيل الألعاب وتطوير الألعاب. إلى الحد الذي يستخدم فيه اللاعبون الذكاء الاصطناعي لتحسين تكتيكاتهم وتجربة استراتيجياتهم بأنفسهم .

ختاما…
تشكل الشبكات العصبية العمود الفقري لكل تقنية أو اختراع كبير تراه اليوم. من العدل أن نقول إن تخيل التعلم العميق / الآلي بدون شبكات عصبية هو أقرب إلى المستحيل. اعتمادًا على الطريقة التي تنفذ بها الشبكة ونوع التعلم الذي تستخدمه ، يمكنك تحقيق الكثير من الشبكة العصبية ، مقارنة بنظام الكمبيوتر التقليدي.

تعلم دورات تعلم الآلة من أفضل الجامعات في العالم. احصل على درجة الماجستير أو برنامج PGP التنفيذي أو برامج الشهادات المتقدمة لتسريع مسار حياتك المهنية.