هل تريد التعرف على أساسيات التعلم العميق؟. إذا كانت الإجابة بنعم ، فتهانينا !. انت في المكان الصحيح سأناقش هنا جميع التفاصيل الأساسية للتعلم العميق. في نهاية هذه المقالة، سيتم مراجعة أساسياتك المتعلقة بالتعلم العميق. لذلك، اقرأ المقال كاملاً.

هيا بنا نبدأ!.

مرحبا أهلا وسهلا!

لنبدأ بتعريف التعلم العميق

ما هو التعلم العميق

التعلم العميق (DL) هو جزء فرعي من التعلم الآلي (ML). والتعلم الآلي هو الجزء الفرعي للذكاء الاصطناعي (AI). الهدف الرئيسي من DL هو تقليد البشر.

بكلمات بسيطة ، تحاول DL أن تفكر بنفس الطريقة التي يفكر بها البشر.

DL هي تقنية تعلم آلي تتعلم الميزات مباشرة من البيانات. يمكن أن تكون هذه البيانات صورًا أو نصًا أو مقاطع فيديو أو صوتًا.

يمكن لـ DL تصنيف الصور إلى فئات مختلفة. سأناقش هذا بالتفصيل في القسم القادم.

يمكن أن يعمل DL على البيانات المهيكلة وكذلك البيانات غير المهيكلة.

إذا كنت تريد تعلم تعريف DL بالتفصيل. إذن يجب عليك بالتأكيد قراءة هذا المقال – ما هو DL ولماذا هو مشهور؟

الآن، دعونا نرى ما هي الحاجة إلى استخدام DL.

لماذا التعلم العميق

السبب الرئيسي لاستخدام التعلم العميق هو حجم البيانات. هذا يعني أن DL تعطي نتائج ممتازة إذا كان لديك مجموعة بيانات كبيرة.

كلما زادت البيانات لديك ، كانت النتيجة أفضل.

هذه الميزة تجعل DL شائعًا جدًا.

سبب آخر لاستخدام التعلم الآلي هو الاستخراج الذاتي للميزات. هذا يعني أنك لست بحاجة إلى تغذية جميع الميزات يدويًا. يستخرج DL تلقائيًا جميع الميزات.

السبب التالي لاستخدام DL هو تعقيد المشكلة. يمكن لـ DL إجراء عمليات بسهولة على مشكلات العالم الحقيقي المعقدة.

إذن، هذه ثلاثة أسباب رئيسية ، لماذا تحظى DL بشعبية كبيرة.

الآن، دعونا نرى كيف يعمل DL.

كيف يعمل التعلم العميق؟

يستخدم DL شبكة عصبية اصطناعية Artificial Neural Network. تشبه الشبكة العصبية الاصطناعية إلى حد كبير الدماغ البشري.

يتكون دماغ الإنسان من الخلايا العصبية. هذه الخلايا العصبية مرتبطة ببعضها البعض. في الدماغ البشري، تبدو الخلايا العصبية شيئًا من هذا القبيل …

كما ترون في هذه الصورة، هناك الخلايا العصبية Neuron والتشعبات Dendrites والمحور axon.

هل تعتقد؟

عندما تلمس السطح الساخن، كيف تزيل يدك فجأة؟

هذا هو الإجراء الذي يحدث بداخلك.

عندما تلمس بعض السطح الساخن. ثم يرسل جلدك تلقائيًا إشارة إلى الخلايا العصبية. وبعد ذلك تتخذ الخلايا العصبية قرارًا ، “أزل يدك”.

هذا كل شيء عن الدماغ البشري.

الشبكة العصبية الاصطناعية

بنفس الطريقة، تعمل الشبكة العصبية الاصطناعية.

في الشبكة العصبية الاصطناعية، توجد أيضًا خلايا عصبية. الذي يعمل بنفس الطريقة.

تتكون الشبكة العصبية الاصطناعية من ثلاث طبقات:

طبقة الإدخال Input Layer.

طبقة مخفية Hidden Layer.

طبقة الإخراج Output Layer.

دعونا نرى في هذه الصورة:

هنا، كل الدوائر التي تراها هي خلايا عصبية. ترتبط الشبكة العصبية الاصطناعية بشكل كامل بهذه الخلايا العصبية.

يتم تمرير البيانات إلى طبقة الإدخال. ثم قامت طبقة الإدخال بتمرير هذه البيانات إلى الطبقة التالية، وهي طبقة مخفية. تقوم الطبقة المخفية بإجراء عمليات معينة. وتمرير النتيجة إلى طبقة الإخراج.

إذن ، هذا هو إجراء العمل الأساسي الخام لشبكة عصبية اصطناعية.

ولكن،

في هذه الطبقات الثلاث ، يتم إجراء حسابات مختلفة.

دعونا نرى بطريقة موجزة.

يرتبط أحد الخلايا العصبية بالآخرين من خلال المشابك العصبية synapses. المشابك العصبية هي الخطوط التي تربط بين خليتين عصبيتين.

كل مشبك له بعض الأوزان المرتبطة. دعونا نفهم بمساعدة هذه الصورة.

دالة التنشيط

لذلك، باستخدام هذه الأوزان ، يتم إجراء عمليتين.

مجموع الاوزان Weighted Sum.

دالة التنشيط Activation Function.

الخطوة الأولى هي مجموع الاوزان. يتم ضرب جميع الأوزان بقيم الإدخال. قيم الإدخال هي البيانات التي تمررها إلى طبقة الإدخال.

يبدو مجموع الاوزان شيئًا من هذا القبيل …

[ x1.w1+x2.w2+x3.w3+………………..Xn.Wn]

بعد حساب مجموع الاوزان، يتم تطبيق دالة التنشيط. ثم تقرر الخلايا العصبية ما إذا كانت سترسل هذه القيمة إلى الطبقة التالية أم لا.

تلعب دالة التنشيط دورًا مهمًا. تولد دالة التنشيط مخرجات بناءً على إشارات الإدخال.

يتم تنفيذ دالة التنشيط في الطبقة المخفية وطبقة الإخراج.

دوال التنشيط الأكثر شيوعًا والمستخدمة هي:

Threshold Activation Function.

Sigmoid Function.

Rectifier Function.

Hyperbolic Tangent(tan h)

Linear Function.

بعد تطبيق دالة التنشيط ، يتم إنشاء الإخراج.

الانحدار الاشتقاقي

هذا الناتج هو الناتج المتوقع Predicted output.. لذلك نحن نطابق هذا الناتج المتوقع مع الناتج الفعلي actual output. ونتحقق من الفرق بين ناتجين. المخرجات المتوقعة والمخرجات الفعلية.

يُعرف الفرق بين هذين المخرجين باسم دالة الخطأ (الكلفة) Cost Function.

صيغة حساب دالة الخطأ هي:

cost function= 1/2 square(y – y^)

حيث y هو الناتج الفعلي. و y ^ هو الناتج المتوقع.

هدفنا هو تقليل دالة الخطأ.

لذلك ، بمجرد أن تحسب الشبكة العصبية دالة الخطأ. انه الانتشار الخلفي backpropagates لتحديث الأوزان. يمكنك أن تفهم بمساعدة هذه الصورة.

لذلك، تقوم الشبكة العصبية بتحديث الأوزان. ومرة أخرى تتوقع الشبكة العصبية الإخراج. يتوافق هذا الناتج المتوقع مع الناتج الفعلي.

تستمر هذه العملية حتى يتم تصغير دالة الخطأ.

لذا فإن السؤال الذي يتبادر إلى ذهنك هو كيف تقلل دالة الخطأ ؟.

الجواب بمساعدة طريقة الانحدار الاشتقاقي Gradient Descent.

الهدف من الانحدار الاشتقاقي هو تقليل دالة الخطأ.

ولكن،

في الانحدار الاشتقاقي، يجب أن تكون دالة التكلفة محدبة convex.

ولكن ماذا؟.

عندما تكون دالة الخطأ الخاصة بك ليست محدبة؟.

لذلك، يتم استخدام هذا الانحدار الاشتقاقي العشوائي Stochastic Gradient Descent.

إذن ، هذا كل شيء عن كيفية عمل DL ؟.

آمل الآن أن يكون لديك معرفة أساسية بإجراءات عمل DL.