خوارزمية التعلم Perceptron: كيف تعمل؟

الدماغ البشري هو عضو معقد ومثير للاهتمام. قدراتها تتجاوز بكثير ما تراه العين. تشكل الوظائف الفسيولوجية والنفسية والعاطفية المعقدة مجرد قمة جبل الجليد عندما يتعلق الأمر بما يستطيع العقل البشري القيام به. هذه الطبيعة الرائعة للغاية هي التي تلهم العلم.

لدى البشر نزعة غير عادية لتكرار الطبيعة. رأينا طيورًا تطير ، وأردنا الحصول على أجسام طيران خاصة بنا. كانت الطائرات ، التي كانت في البداية مثل هذه الأشياء التي يمكن أن تطير ، نتيجة مباشرة لتلك الملاحظة والاستعداد لتكرار ما رأيناه ووجدناه جديراً. الطبيعة هي مركز كل ابتكار من هذا القبيل.

لقد تخطى العلم جميع القيود وحاول استنساخ الدماغ البشري. لقد تم إجراء الكثير من الأبحاث لفهم كيفية عمل الدماغ البشري ومدى سهولة حمله وتفسيره وإدارة الكثير من المعلومات. يستمد مفهوم الشبكات العصبية الاصطناعية الإلهام من تمثيل صغير ولكنه دقيق للشبكات العصبية البيولوجية لدماغنا.

لدينا الآن آلات تقوم بتكرار عمل الدماغ - على الأقل من وظائف قليلة. لقد أعطانا الذكاء الاصطناعي آلات يمكنها تصنيف الأشياء والتواصل معنا والتنبؤ بالمستقبل وممارسة الألعاب بشكل أفضل منا.

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

• جدول المحتويات

  ما هي الشبكة العصبية؟

تتشكل الشبكة العصبية عندما يتم ربط مجموعة من العقد أو الخلايا العصبية من خلال اتصالات متشابكة. هناك ثلاث طبقات في كل شبكة عصبية اصطناعية - طبقة الإدخال والطبقة المخفية وطبقة الإخراج. طبقة الإدخال التي تتكون من مجموعة من عدة عقد أو عصبونات تتلقى المدخلات. كل خلية عصبية في الشبكة لها وظيفة ، ولكل اتصال قيمة وزن مرتبطة بها. تنتقل المدخلات بعد ذلك من طبقة الإدخال إلى طبقة مكونة من مجموعة منفصلة من الخلايا العصبية - الطبقة المخفية. طبقة الإخراج تعطي النواتج النهائية.

• ما هي خوارزمية التعلم؟

إنها طريقة تكيفية تقوم بالترتيب الذاتي لشبكة من وحدات الحوسبة لتنفيذ السلوك المطلوب. تقوم بعض هذه الخوارزميات بذلك عن طريق تقديم بعض الأمثلة على تعيين المدخلات والمخرجات المطلوبة أمام الشبكة. يتم تنفيذ تكرار خطوة التصحيح بشكل مستمر حتى تنتج الشبكة الاستجابة المطلوبة. يمكن أيضًا الإشارة إلى خوارزمية التعلم على أنها حلقة مغلقة تتميز بالتصحيحات والأمثلة المقدمة إلى الشبكة.

• ما هي خوارزمية التعلم الإدراكي؟

يُصنف المُدرك ، وهو نموذج أولي حسابي للخلايا العصبية ، على أنه أبسط شكل للشبكة العصبية. اخترع فرانك روزنبلات البيرسبترون في مختبر كورنيل للطيران في عام 1957. يمتلك المدرك واحدًا أو أكثر من المدخلات ، وهي عملية ومخرج واحد فقط.

يلعب مفهوم Perceptron دورًا مهمًا في التعلم الآلي. يتم استخدامه كخوارزمية أو مصنف خطي لتسهيل التعلم الخاضع للإشراف للمصنفات الثنائية. التعلم الخاضع للإشراف هو من بين أكثر مشاكل التعلم بحثًا. تتكون عينة التعلم الخاضع للإشراف دائمًا من مدخلات ومخرجات صحيحة / صريحة. الهدف من مشكلة التعلم هذه هو استخدام البيانات ذات الملصقات الصحيحة لعمل تنبؤات حول البيانات المستقبلية ، لتدريب نموذج. تتضمن بعض المشكلات الشائعة للتعلم الخاضع للإشراف التصنيف للتنبؤ بتسميات الفصل.

مُصنِّف خطي يُصنف المُدرك على أنه خوارزمية تصنيف ، والتي تعتمد على وظيفة توقع خطي لعمل تنبؤات. تستند تنبؤاتها على مجموعة تتضمن الأوزان وناقل الميزات. يقترح المصنف الخطي فئتين لتصنيف بيانات التدريب. هذا يعني أنه إذا تم التصنيف لفئتين ، فإن بيانات التدريب بأكملها ستندرج تحت هاتين الفئتين.

تجد خوارزمية الإدراك الحسي ، في أبسط أشكالها ، استخدامها في التصنيف الثنائي للبيانات. يأخذ Perceptron اسمه من الوحدة الأساسية للخلايا العصبية ، والتي تحمل أيضًا الاسم نفسه.

في بعض السيناريوهات ومشكلات التعلم الآلي ، يمكن العثور على خوارزمية تعلم الإدراك الحسي ، إذا أردت. يمكن أن تظهر قيودًا لم تكن تعلم بوجودها من قبل. ولكن بعد ذلك ، هذه هي مشكلة معظم ، إن لم يكن كل ، خوارزميات التعلم. إنها مثالية لبعض المشاكل ، وليس كذلك بالنسبة للآخرين. في مرحلة ما ، تم العثور أيضًا على شبكات الإدراك الحسي غير قادرة بشكل كافٍ على تنفيذ بعض الوظائف الأساسية. ومع ذلك ، تم التعامل مع هذه المشكلة بمجرد ظهور شبكات الإدراك متعدد الطبقات وقواعد التعلم المحسنة في الصورة.

أصبح Perceptron اليوم خوارزمية تعليمية مهمة في عالم الذكاء الاصطناعي والتعلم الآلي. يعتبر حلاً موثوقًا وسريعًا لفئة المشكلات التي لديه القدرة على حلها. أيضًا ، إذا طورت فهمًا لكيفية عمل المدرك ، فستجد مهمة فهم الشبكات الأكثر تعقيدًا أسهل كثيرًا.

• ما هي المكونات الأساسية للإدراك الحسي؟

1. المدخلات: يتم أخذ الميزات كمدخلات في خوارزمية الإدراك الحسي. يُشار إلى المدخلات على أنها x1 ، x2 ، x3 ، x4 ، .xn - يشير 'x' في هذه المدخلات إلى قيمة الميزة و 'n' إجمالي التواجدات لهذه الميزات. يوجد أيضًا نوع إدخال خاص يسمى التحيز. سنحدد التحيز بعد ذلك بقليل.
2. الأوزان: هي القيم التي يتم حسابها أثناء تدريب النموذج. يتم إعطاء الأوزان قيمة أولية في البداية. مع كل حدوث خطأ في التدريب ، يتم تحديث قيم الأوزان. يتم تمثيل الأوزان بالصيغة w1، w2، w3، w4، ..wn.
3. التحيز: كما أشرنا سابقًا ، التحيز هو نوع خاص من المدخلات. يسمح للمصنف بتحريك حدود القرار من موضعه الأصلي إلى اليمين أو اليسار أو لأعلى أو لأسفل. من حيث الجبر ، يسمح التحيز للمصنف بتغيير حدود قراره. الهدف من التحيز هو تحويل كل نقطة في اتجاه معين لمسافة محددة. يسمح التحيز بتدريب نموذج عالي الجودة وأسرع. يمكن تصنيف خوارزميات Perceptron إلى تصورات أحادية الطبقة ومتعددة الطبقات. ينظم النوع أحادي الطبقة الخلايا العصبية في طبقة واحدة بينما يرتب النوع متعدد الطبقات الخلايا العصبية في طبقات متعددة. في السيناريو متعدد الطبقات ، تأخذ كل خلية عصبية من الطبقة الأولى مدخلات وتعطي استجابة لمجموعة الخلايا العصبية الموجودة في الطبقة الثانية. تستمر هذه العملية حتى يتم الوصول إلى الطبقة الأخيرة.
4. التنشيط / وظيفة الخطوة: يتم استخدام التنشيط أو وظائف الخطوة لإنشاء شبكات عصبية غير خطية. يمكن لهذه الوظائف تغيير قيمة الشبكات العصبية إلى 0 أو 1. يتم تحويل القيمة لتسهيل تصنيف مجموعة البيانات. يمكننا استخدام دالة الخطوة حسب القيمة المطلوبة. يمكن استخدام الدالة السينية ودوال الإشارة للقيم بين 0 و 1 و 1 و -1 ، على التوالي. وظيفة الإشارة هي وظيفة ظل زائدية مثالية للشبكات العصبية متعددة الطبقات. الوحدة الخطية المصححة (ReLu) هي دالة خطوة أخرى يمكن استخدامها للقيم التي تقترب من الصفر - القيمة أقل من أو أكثر من الصفر. ومع ذلك ، يتطلب التصنيف الخطي أن يكون المدرك خطيًا.
5. التجميع الموزون: إن مضاعفة كل ميزة أو قيمة إدخال (xn) مرتبطة بقيم الوزن المقابلة (wn) يعطينا مجموع القيم التي تسمى التجميع الموزون. يتم تمثيل التجميع الموزون على أنه ∑wixi لجميع i -> [1 إلى n].

• خطوات تنفيذ خوارزمية تعلم الإدراك الحسي

1. قم بتغذية ميزات النموذج المطلوب تدريبه كمدخلات في الطبقة الأولى.
2. سيتم ضرب جميع الأوزان والمدخلات - ستتم إضافة النتيجة المضاعفة لكل وزن ومدخل
3. ستتم إضافة قيمة الانحياز لتحويل وظيفة الإخراج
4. سيتم تقديم هذه القيمة إلى وظيفة التنشيط (سيعتمد نوع وظيفة التنشيط على الحاجة)
5. القيمة المتلقاة بعد الخطوة الأخيرة هي قيمة الإخراج.

إذا كانت هناك خوارزميات تصنيف أخرى ، مثل KNN التي يمكننا استخدامها في مشاكل التعلم هذه ، فلماذا إذن خوارزمية التعلم الإدراكي؟

تعد خوارزمية Perceptron هي الأنسب للمشكلات التي تتعامل مع مجموعات البيانات المعقدة مثل التعرف على الصور. إنها مهمة صعبة تدريب الخوارزمية باستخدام KNN وطرق التصنيف العامة الأخرى في هذه الحالات. تعد المستشعرات متعددة الطبقات مثالية للمشكلات المتعلقة بمجموعات البيانات المعقدة. تعد وظيفة التنشيط مكونًا مهمًا في خوارزمية تعلم الإدراك الحسي. يمكننا استخدام وظائف تنشيط مختلفة إذا كان معدل التعلم بطيئًا.

إذا كنت ترغب في التفوق في التعلم الآلي ، فيجب أن تجمع خبرة عملية في مشاريع التعلم الآلي هذه. فقط من خلال العمل مع أدوات ML وخوارزميات ML يمكنك فهم كيفية عمل البنى التحتية ML في الواقع. انطلق الآن واختبر كل المعارف التي جمعتها من خلال الكتب المدرسية والبرامج التعليمية لبناء مشاريع التعلم الآلي الخاصة بك!

إذا كان لديك شغف وترغب في معرفة المزيد عن الذكاء الاصطناعي ، فيمكنك الحصول على دبلوم PG في IIIT-B & upGrad في التعلم الآلي والتعلم العميق الذي يوفر أكثر من 400 ساعة من التعلم والجلسات العملية والمساعدة في العمل وغير ذلك الكثير.