الأنواع السبعة للشبكات العصبية الاصطناعية يحتاج مهندسو ML إلى معرفتها

الشبكات العصبية هي شبكات مستخدمة في التعلم الآلي تعمل بشكل مشابه للجهاز العصبي البشري. إنه مصمم ليعمل مثل الدماغ البشري حيث ترتبط العديد من الأشياء بطرق مختلفة. تجد الشبكات العصبية الاصطناعية تطبيقات واسعة النطاق في المناطق التي لا تعمل فيها أجهزة الكمبيوتر التقليدية بشكل جيد. هناك العديد من أنواع الشبكات العصبية الاصطناعية المستخدمة في النموذج الحسابي.

تحدد مجموعة المعلمات وعمليات الرياضيات نوع الشبكات العصبية التي سيتم استخدامها للحصول على النتيجة. سنناقش هنا بعض أنواع الشبكات العصبية المهمة في التعلم الآلي:

أهم 7 شبكات عصبية اصطناعية في التعلم الآلي

1. الشبكات العصبية المعيارية

في هذا النوع من الشبكات العصبية ، تساهم العديد من الشبكات المستقلة في النتائج بشكل جماعي. هناك العديد من المهام الفرعية التي يتم تنفيذها وإنشاء كل من هذه الشبكات العصبية. يوفر هذا مجموعة من المدخلات الفريدة عند مقارنتها بالشبكات العصبية الأخرى. لا يوجد تبادل للإشارات أو تفاعل بين هذه الشبكات العصبية لإنجاز أي مهمة.

يتم تقليل تعقيد المشكلة بسهولة أثناء حل المشكلات بواسطة هذه الشبكات المعيارية لأنها تقسم تمامًا العملية الحسابية الكبيرة إلى مكونات صغيرة. تتحسن سرعة الحساب أيضًا عندما يتم تقسيم عدد الاتصالات وتقليل الحاجة إلى تفاعل الشبكات العصبية مع بعضها البعض.

سيعتمد الوقت الإجمالي للمعالجة أيضًا على مشاركة الخلايا العصبية في حساب النتائج وعدد الخلايا العصبية المشاركة في العملية. تعد الشبكات العصبية المعيارية (MNNs) واحدة من أسرع مجالات الذكاء الاصطناعي نموًا.

2. شبكة عصبية Feedforward - عصبون اصطناعي

تنتقل المعلومات الموجودة في الشبكة العصبية في اتجاه واحد وهي أنقى أشكال الشبكات العصبية الاصطناعية. يمكن أن يحتوي هذا النوع من الشبكات العصبية على طبقات مخفية وتدخل البيانات من خلال عقد الإدخال وتخرج من خلال عقد الإخراج. يتم استخدام وظيفة التنشيط التصنيفية في هذه الشبكة العصبية. لا يوجد انتشار عكسي ، ويسمح فقط بالموجة الأمامية المنتشرة.

هناك العديد من تطبيقات الشبكات العصبية Feedforward ، مثل التعرف على الكلام ورؤية الكمبيوتر. من الأسهل الحفاظ على هذه الأنواع من الشبكات العصبية ولديها أيضًا استجابة ممتازة للبيانات الصاخبة.

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

3. شعاعي وظيفة أساس الشبكة العصبية

هناك طبقتان في وظائف RBF. تستخدم هذه في النظر إلى مسافة المركز فيما يتعلق بالنقطة. في الطبقة الأولى ، يتم توحيد المعالم الموجودة في الطبقة الداخلية مع وظيفة الأساس الشعاعي. في الخطوة التالية ، يتم اعتبار الإخراج من هذه الطبقة لحساب نفس الإخراج في التكرار التالي. يمكن رؤية أحد تطبيقات وظيفة الأساس الشعاعي في أنظمة استعادة الطاقة. هناك حاجة لاستعادة الطاقة بأكبر قدر ممكن من الموثوقية والسرعة بعد انقطاع التيار الكهربائي.

4. شبكة Kohonen العصبية ذاتية التنظيم

في هذه الشبكة العصبية ، يتم إدخال المتجهات إلى خريطة منفصلة من بُعد عشوائي. يتم إنشاء بيانات التدريب الخاصة بالمنظمة عن طريق تدريب الخريطة. قد يكون هناك بعد واحد أو بعدين على الخريطة. قد يتغير وزن الخلايا العصبية بناءً على القيمة.

لن يتغير موقع الخلايا العصبية أثناء تدريب الخريطة وسيبقى ثابتًا. يتم إعطاء متجه الإدخال والوزن الصغير لكل قيمة عصبية في المرحلة الأولى من عملية التنظيم الذاتي. العصبون الفائز هو أقرب الخلايا العصبية إلى النقطة. ستبدأ الخلايا العصبية الأخرى أيضًا في التحرك نحو النقطة جنبًا إلى جنب مع الخلايا العصبية الفائزة في المرحلة الثانية.

سيكون للخلايا العصبية الفائزة أقل مسافة ، وتُستخدم المسافة الإقليدية لحساب المسافة بين الخلايا العصبية والنقطة. يمثل كل خلية عصبية كل نوع من المجموعات ، وسيحدث تجميع جميع النقاط من خلال التكرارات.

أحد التطبيقات الرئيسية للشبكة العصبية Kohonen هو التعرف على أنماط البيانات. كما تستخدم في التحاليل الطبية لتصنيف الأمراض بدقة أعلى. يتم تجميع البيانات في فئات مختلفة بعد تحليل الاتجاهات في البيانات.

5. الشبكة العصبية المتكررة (RNN)

مبدأ الشبكة العصبية المتكررة هو إعادة إخراج الطبقة إلى المدخلات مرة أخرى. يساعد هذا المبدأ في التنبؤ بنتيجة الطبقة. في عملية الحساب ، تعمل كل خلية عصبية كخلية ذاكرة. ستحتفظ الخلية العصبية ببعض المعلومات أثناء انتقالها إلى الخطوة التالية.

يطلق عليه عملية الشبكة العصبية المتكررة. سيتم تذكر البيانات التي سيتم استخدامها لاحقًا وسيستمر العمل للخطوة التالية في العملية. سوف يتحسن التنبؤ عن طريق تصحيح الخطأ. في تصحيح الخطأ ، يتم إجراء بعض التغييرات لإنشاء إخراج التنبؤ الصحيح. معدل التعلم هو معدل السرعة التي يمكن أن تقوم بها الشبكة بالتنبؤ الصحيح من التنبؤ الخاطئ.

هناك الكثير من تطبيقات الشبكات العصبية المتكررة ، وأحد هذه التطبيقات هو نموذج تحويل النص إلى كلام. تم تصميم الشبكة العصبية المتكررة للتعلم الخاضع للإشراف دون الحاجة إلى أي إشارة تعليمية.

6. الشبكة العصبية التلافيفية

في هذا النوع من الشبكات العصبية ، يتم إعطاء تحيزات وأوزان قادرة على التعلم للخلايا العصبية في البداية. تعد معالجة الصور ومعالجة الإشارات من بعض تطبيقاتها في مجال رؤية الكمبيوتر. لقد استحوذت على OpenCV.

يتم تذكر الصور في أجزاء لمساعدة الشبكة في عمليات الحوسبة. يتم التعرف على الصور من خلال أخذ ميزات الإدخال على دفعات. في عملية الحوسبة ، يتم تحويل الصورة إلى تدرج الرمادي من مقياس HSI أو RGB. يتم تصنيف الصور إلى فئات مختلفة بعد تحويل الصورة. يتم الكشف عن الحواف من خلال اكتشاف تغيير قيمة البكسل.

يتم استخدام تقنية تصنيف الصور ومعالجة الإشارات في ConvNet. لتصنيف الصور ، تتمتع الشبكات العصبية التلافيفية بمستوى عالٍ جدًا من الدقة. وهذا أيضًا سبب سيطرة الشبكات العصبية التلافيفية على تقنيات الرؤية الحاسوبية. التنبؤ بالمحصول والنمو في مستقبل منطقة ما هي تطبيقات أخرى للشبكات العصبية التلافيفية في سمات الطقس والزراعة.

7. ذاكرة طويلة / قصيرة المدى

قام Schmidhuber و Hochreiter في عام 1997 ببناء شبكة عصبية تسمى شبكات الذاكرة طويلة المدى (LSTMs). هدفها الرئيسي هو تذكر الأشياء لفترة طويلة في خلية ذاكرة محددة بوضوح. يتم تخزين القيم السابقة في خلية الذاكرة ما لم يُطلب من "نسيت البوابة" نسيان القيم.

يتم إضافة مواد جديدة من خلال "بوابة الإدخال" إلى خلية الذاكرة ، ويتم تمريرها إلى الحالة المخفية التالية من الخلية على طول المتجهات التي تحددها "بوابة الإخراج". يعد تكوين الموسيقى البدائية أو الكتابة مثل شكسبير أو تعلم التسلسلات المعقدة بعض تطبيقات LSTM.

خاتمة

هذه هي الأنواع المختلفة من الشبكات العصبية التي تُستخدم لتشغيل الذكاء الاصطناعي والتعلم الآلي. نأمل أن يلقي هذا المقال بعض الضوء على الشبكات العصبية والأنواع المستخدمة في ML.

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.