كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

الشبكة العصبية الالتفافية

Convolutional Neural Network (CNN)

التعلم العميق Deep Learning

التعريف

شبكة مصممة للصور: مرشحات Filters صغيرة تنزلق على الصورة لتكتشف حواف وأنماطاً ثم أشكالاً أعقد في الطبقات الأعمق.

الفكرة الأساسية

مشاركة الأوزان بين المواقع تجعل الشبكة تتعرف على النمط أينما ظهر وبعدد معاملات أقل بكثير من MLP. في أدوات No-Code نستخدمها غالباً بالتعلم بالنقل Transfer Learning من نموذج مدرب مسبقاً.

فئةصورةخريطة
مرشح صغير ينزلق على الصورة فيكوّن خريطة خصائص، ثم تجميع فتصنيف.

آلية العمل

  1. طبقات التفاف Convolution تستخرج خرائط خصائص
  2. تنشيط ReLU
  3. طبقات تجميع Pooling تصغّر الأبعاد
  4. طبقات كاملة الاتصال ثم Softmax
  5. بالتعلم بالنقل: نجمّد الطبقات الأولى وندرّب الأخيرة على فئاتنا

نوع البيانات ونوع المشكلة

نوع البياناتصور (وأحياناً إشارات صوتية كمخططات طيفية)
نوع المشكلةتصنيف الصور وكشف الأجسام

المزايا

  • الأفضل عادة في الرؤية الحاسوبية
  • التعلم بالنقل يعمل حتى مع صور قليلة

القيود

  • يحتاج حساباً أكبر
  • يحتاج صوراً متنوعة لتجنب التحيز
  • صعب التفسير (يُستعان بخرائط الانتباه)

المعاملات المهمة

  • عدد المرشحات وحجمها
  • العمق
  • معدل التعلم
  • زيادة البيانات Data Augmentation

مقاييس التقييم

  • Accuracy الدقة
  • Precision وRecall
  • F1-score
  • Confusion Matrix مصفوفة الالتباس
  • ROC AUC للتصنيف الثنائي

الأدوات التي تدعمها

Teachable Machineمشروع صور (تعلم بالنقل من MobileNet حسب الأسئلة الشائعة الرسمية)
OrangeImage Embedding (إضافة Image Analytics) ثم أي مصنّف
KNIMEعقد طبقات Keras في إضافة KNIME Deep Learning (تحتاج بيئة Python)

أمثلة تطبيقية

  • تصنيف صور الأشياء
  • تصنيف صور طبية لأغراض تعليمية
  • التعرف على الوجوه والإشارات

مشاريع مرتبطة

خوارزميات بديلة

جرّبها في المختبر