ما هو التعلم العميق

لقد دفع تطور التكنولوجيا الإنسانية إلى مستويات لم يسبق لها مثيل. بلغت مجالات العمل الخاصة بالطب والسلامة والتعلم وتقديم أنواع أخرى من المساعدة ذروتها. لكنها لا تتوقف عند هذا الحد. الذكاء الاصطناعي هو الشيء الكبير التالي في عالم التكنولوجيا وعلوم الكمبيوتر ، لكن لفهمه ، من المهم معرفة ما الذي يتكون منه. من الضروري معرفة ما هو التعلم العميق وما تعنيه الشبكة العصبية الاصطناعية.

مجال تكنولوجيا الذكاء الاصطناعى متقدم للغاية وممتع. هاتان الأداتان اللتان تستخدمان في الذكاء الاصطناعي قوية للغاية من حيث حل المشكلات المعقدة وتطوير معايير أعلى في العلوم.

من الآمن أن نقول إن هذا النوع من الآليات هو الانتقال إلى المستوى التالي من التكنولوجيا. لقد أدركت شركات اليوم أهميتها وبدأت في استخدامها في معظم حالاتها. لنأخذ جوجل على سبيل المثال. تستخدم Google محرك البحث AI للتعلم من مستخدميها. إذا كنت تبحث عن شيء ما في شريط البحث الخاص به ، على سبيل المثال ، “كمبيوتر محمول” ، وبعد الحصول على النتائج التي تضغط عليها ، قمت فقط بتعليم Googles ‘AI أن “الكمبيوتر المحمول” هو ما ضغطت عليه. أتساءل كيف يعمل؟ دعونا الغوص أعمق ومعرفة.

فهم التعلم العميق AI

ما تتميز به تقنية التعلم العميق (Deep Learning) هي تقنية خاصة لكي تتعلمها أجهزة الكمبيوتر تمامًا مثلما يفعل البشر – عن طريق التجربة والخطأ. إذا كنت تتساءل ما إذا كنت قد رأيت ذلك من قبل ، فمن المحتمل أن تكون قد رأيت ذلك. إنها التكنولوجيا التي تقف وراء تطبيقات مثل التحكم الصوتي على أجهزة مثل الهواتف أو الأجهزة اللوحية أو التلفزيون. منذ وقت ليس ببعيد ، تعرفنا على السيارات بدون سائق ، والتي تعد أيضًا نتاجًا للتعلم العميق. بمساعدة DL ، يتعرف الذكاء الاصطناعي على علامات التوقف والمشاة والعقبات الأخرى في الطريق التي قد تسبب كارثة.
لتنفيذ مثل هذه الإجراءات ، يطلب جهاز كمبيوتر يستخدم تقنيات التعليم العميق قدرًا كبيرًا من بيانات التدريب (هذا هو عمل الشبكات العصبية ، وسنتطرق إلى ذلك لاحقًا). تحتاج هذه الإنجازات التكنولوجية مثل السيارات بدون سائق إلى آلاف مقاطع الفيديو والصور للتعرف على كل موقف حتى تكون آمنة. لقد تم نقل التحسينات الحديثة في التعلم العميق إلى المستوى الذي يتفوق فيه على البشر في قدر معين من المهام.

كيف يعمل؟

كما سبق ذكره أعلاه قليلاً ، ما هو التعلم العميق باستخدام لأداء مثل هذه المهام هي الشبكات العصبية. يُشار إلى الذكاء الاصطناعي في معظم الأوقات بأنه شبكة عصبية عميقة. الكلمة العميقة في هذا المصطلح تعني الطبقات المخفية في الشبكة العصبية.

يتم تدريب نماذج التعلم العميق من خلال الحصول على كمية كافية من البيانات وبنية بيانات الشبكات العصبية التي تتعلم الميزات مباشرة من البيانات دون العمل اليدوي. الشبكات العصبية هي أنظمة متصلة تمامًا مثل شبكاتنا العصبية البيولوجية. يتم إنشاء هذه الأنواع من النظم بطريقة تتكيف مع الاحتياجات الظرفية. بمجرد أن تحدد الشبكات العصبية نتائج كائن معين ، في المرة القادمة يمكن أن تحدد أنظمة NN ما إذا كانت هي نفس الكائن أم لا. لا تتعرف الشبكات العصبية على الأشياء بالطريقة نفسها التي نتعرف بها ، فهي تتعرف على الكائنات من خلال مجموعة الميزات الفريدة الخاصة بها.

الشبكات العصبية الاصطناعية

يُعرف أحد الأنواع الأكثر شيوعًا والشعبية لما يستخدمه التعلم العميق باسم الشبكات العصبية التقليدية أو CNN باختصار. فهو يجمع بين الميزات المكتسبة مع بيانات الإدخال ، ويستخدم طبقات تلافيفية ثنائية الأبعاد ، مما يجعل هذه البنية مناسبة تمامًا لمعالجة البيانات ثنائية الأبعاد. على سبيل المثال ، يمكن أن يكون الصور أو تنسيق أوراق الطائرة.

تعمل الشبكات العصبية التقليدية بطريقة لم تعد هناك حاجة لاستخراج المعالم اليدوية. يستخلص الميزات مباشرة من الصور. تحتوي الشبكات العصبية الاصطناعية على ميزة استخراج تلقائية تجعل من نماذج التعلم العميق صورة مثالية دقيقة لمهام رؤية الكمبيوتر مثل تصنيف الكائنات.

تعلم CNN اكتشاف الميزات المختلفة باستخدام أرقام الطبقات المخفية. كل عدد من الطبقة المخفية يزيد من تعقيد ميزات الصورة المستفادة. تعلم CNN ميزات مختلفة من كل طبقة.

الأمثلة الشائعة

وفقًا للمصادر ، هناك ثلاث طرق أكثر استخدامًا لاستخدام التعلم العميق لإجراء تصنيف الكائنات:

– نقل التعلم. يستخدم نهج التعلم في الغالب في تطبيقات التعلم العميق. يتم ذلك عن طريق وجود شبكة موجودة وإضافة بيانات جديدة إلى فئات غير معروفة سابقًا. وبهذه الطريقة ، من الأفضل كثيرًا توفير بعض الوقت لأنه بدلاً من ذلك يمكنك تقليل مقدار معالجة الصور. يسمح بتصنيف كائنات معينة فقط بدلاً من المرور بكافة الكائنات المختلفة حتى يجد الكائن الصحيح.

– التدريب من لا شيء. يستخدم هذا غالبًا للتطبيقات الجديدة التي سيكون لها عدد كبير من فئات الإخراج. يبدأ من خلال جمع عدد كبير من مجموعات البيانات المصنفة وتصميم بنية الشبكة التي ستتعلم الميزات. في حين أن تعلم النقل قد يستغرق ساعات أو دقائق ، إلا أن هذه الطريقة تستغرق وقتًا أطول – من أيام إلى أسابيع للتدريب.

– ميزة استخراج. ليست شعبية مثل الأساليب المذكورة من قبل ، ولكن لا تزال تستخدم عادة. هذه هي الطريقة المستخدمة في نهج أكثر تخصصًا للتعلم العميق. ويستخدم الشبكة باعتبارها مستخرج الميزة. نظرًا لأن الطبقات في الشبكات العصبية التقليدية مكلفة بتعلم ميزات معينة من الصور ، فمن الممكن أيضًا سحب هذه الميزات وجعلها بمثابة مدخلات لنموذج التعلم الآلي.

ما هي أنواع الشبكات العصبية الأخرى؟

في حين أن الشبكة العصبية التقليدية يمكن اعتبارها الشبكة العصبية القياسية التي تم توسيعها عبر الفضاء باستخدام الأوزان المشتركة ، هناك أيضًا بعض الأنواع المختلفة.

يتم تمديد الشبكة العصبية المتكررة ، بدلاً من الشبكة التقليدية ، عبر الزمن من خلال وجود حواف تتغذى على الخطوة التالية بدلاً من الطبقة التالية في نفس الخطوة الزمنية. تُستخدم هذه الشبكة العصبية الاصطناعية في التعرف على التسلسلات ، على سبيل المثال ، إشارة الكلام أو النص.

أيضا ، هناك شبكة العصبية العودية. لا يحتوي نظام NN هذا على جانب زمني لتسلسل الإدخال ، ولكن يجب معالجة الإدخال بشكل هرمي.

الشبكات العصبية في العمل

قد تصبح صعبة عند محاولة فهم ما هي الفوائد الحقيقية للشبكات العصبية في مواقف الحياة الحقيقية. تحظى الشبكات العصبية الاصطناعية بشعبية كبيرة بين خبراء البورصة. بمساعدة أنظمة NN ، من الممكن تطبيق “تداول حسابي” ، والذي يمكن تطبيقه على أمثال الأسواق المالية والأسهم وأسعار الفائدة والعملات المختلفة. تستطيع خوارزميات الشبكة العصبية إيجاد أسهم مقومة بأقل من قيمتها ، وتحسين نماذج الأسهم الحالية ، واستخدام التعلم العميق لإيجاد طرق لتحسين الخوارزمية مع تغير السوق.

نظرًا لأن الشبكات العصبية مرنة للغاية ، يمكن تطبيقها في مختلف أشكال التعرف المعقدة والتنبؤ بالمشاكل. كبديل للمثال أعلاه ، يمكن استخدام نظام NN للتنبؤ بالأعمال ، واكتشاف السرطان من الصور ، والتعرف على الوجوه على صور الوسائط الاجتماعية.

التعلم العميق في العمل

ليس فقط الشبكات العصبية لها أمثلة واقعية. التعلم العميق يمكن أن يوصف أيضًا بأنه بعض الإبداعات التالية:

– مساعدين الظاهري.
– Chatbots أو روبوتات الخدمة.
– التسوق الشخصية والترفيه.
– تخيل تلوينًا (يستخدم خوارزميات لإعادة إنشاء ألوان حقيقية على الصور بالأسود والأبيض)

ما هي الاختلافات الرئيسية بين DL و NN؟

مع كل هذه المعلومات ، من الواضح أن التعلم العميق والشبكات العصبية مرتبطان بقوة وربما لن ينجحان عند الانفصال. لتكون قادرًا على فهم ما هو التعلم العميق وما هي الشبكات العصبية ، من الضروري معرفة الوجبات السريعة الرئيسية.

تقوم الشبكات العصبية بنقل البيانات في شكل قيم المدخلات وقيم المخرجات. يتم استخدامه لنقل البيانات باستخدام الاتصالات. في حين يرتبط التعلم العميق بتحويل واستخراج الميزة التي تحاول إقامة علاقة بين التحفيز والاستجابات العصبية المرتبطة الموجودة في الدماغ. بمعنى آخر ، تُستخدم الشبكات العصبية لإدارة الموارد الطبيعية ، والتحكم في العمليات ، والتحكم في المركبات ، وصنع القرار ، في حين يتم استخدام التعلم العميق للتعرف التلقائي على الكلام ، والتعرف على الصور ، إلخ.

خلاصة القول ، إن التعلم العميق والشبكة العصبية يكملان بعضهما البعض وسوف يتطوران إلى عجب تكنولوجي أكبر مما هو عليه اليوم. إن الذكاء الاصطناعي هو الخطوة التالية في عصرنا ، وكلما زادت الخبرة التي اكتسبها ، زادت الفوائد التي سيوفرها للمجتمع.