مقدمة في الشبكات العصبية [+ 5 Learning Resources]

تم تطوير الشبكات العصبية في محاولة لتكرار الاتصالات المعقدة للخلايا العصبية للجهاز العصبي البشري.

كان يُعتقد أنه نظرًا لأن الجهاز العصبي البيولوجي كان فعالًا للغاية في نقل الإشارات ومعالجتها ، فقد يساعد في إنشاء ذكاء يشبه الإنسان للآلات.

أدى ذلك إلى إنشاء شبكة من الخلايا العصبية الاصطناعية يمكنها معالجة ونقل البيانات تمامًا مثل مجموعة من الخلايا العصبية في الدماغ البشري.

قدم هذا قدرة معززة إلى حد كبير للآلات على التعلم والاستجابة بذكاء ، وبالتالي ولادة الشبكات العصبية.

في هذه المقالة ، سأناقش الشبكات العصبية ، وكيف تعمل ، ومزاياها ، والجوانب المهمة الأخرى.

لنبدأ!

ما هي الشبكات العصبية؟

مصدر الصورة: Tibco.com

الشبكات العصبية أو الشبكات العصبية الاصطناعية (ANN) هي جزء من الذكاء الاصطناعي (AI) والتعلم الآلي (ML) الذي يعلم الآلات / أجهزة الكمبيوتر لمعالجة المعلومات مثل الدماغ البيولوجي. تتمتع الشبكة بنظام تكيفي يسمح لها بالتعلم من أنشطتها السابقة ومواصلة التحسن.

الشبكات العصبية هي مجموعة فرعية من التعلم الآلي ، ويتم تطوير جوهرها باستخدام خوارزميات التعلم العميق. اسم “الشبكة العصبية” مستوحى من الشبكة المعقدة للخلايا العصبية في الدماغ البشري وكيفية تواصل الخلايا العصبية.

تستخدم الشبكة العصبية بيانات التدريب الخاصة بها كمدخلات لدعم التعلم وتعزيز قدراتها. يوفر التعلم المستمر من البيانات السابقة بدقة متزايدة ، مما يجعلها أداة قوية وحديثة.

يمكن إرجاع تاريخ الشبكات العصبية إلى العصر الأول من أجهزة الكمبيوتر. تم تصميم المثال الأول للشبكة العصبية بواسطة Warren McCulloch كنظام دائرة يمكنه تقريب وظيفة الدماغ البشري.

في عام 1958 ، طور فرانك روزنبلات أول مثال على الإدراك الاصطناعي. في عام 1982 ، تم نشر ورقة بحثية عن “الشبكات العصبية المتكررة” لجون هوبفيلد. تم استخدام الشبكات العصبية على نطاق واسع في عام 1988 في مجال دراسة البروتين.

تم استخدام التكنولوجيا للتنبؤ بالأشكال ثلاثية الأبعاد للبروتينات. بحلول عام 1992 ، تم تطوير خوارزمية للتعرف على الكائنات ثلاثية الأبعاد.

في الوقت الحاضر ، أصبحت الشبكات العصبية متقدمة للغاية. يتم استخدامها في قطاعات متعددة ، من الرعاية الصحية والفضاء والدفاع إلى الأمن السيبراني والتسويق والتنبؤات الجوية.

كيف تعمل الشبكات العصبية؟

كما هو موضح أعلاه ، كان تطوير الشبكة العصبية مستوحى من الدماغ البشري من حيث العمارة العصبية. يمكن للخلايا العصبية في الدماغ البشري إنشاء شبكة معقدة ومترابطة للغاية يتم من خلالها إرسال الإشارات ومعالجة المعلومات. يعمل هذا كوظيفة للخلايا العصبية التي يتم تكرارها بواسطة الشبكات العصبية.

الطريقة الأساسية التي تعمل بها الشبكات العصبية هي من خلال الترابط بين طبقات متعددة ومختلفة من الخلايا العصبية داخل الشبكة. كل خلية عصبية متصلة بأخرى عبر عقدة.

يمكن أن يتلقى مدخلات من الطبقة التي قبلها وإرسال مخرجات تمر إلى الطبقة بعد ذلك. تستمر هذه الخطوة في التكرار حتى يتم اتخاذ قرار أو توقع بواسطة الطبقة النهائية.

يمكن فهم عمل الشبكة العصبية بشكل أفضل من حيث الآليات الفردية لكل طبقة من طبقات الشبكة التي تمر البيانات من خلالها وتتم معالجتها. في البنية الأساسية ، هناك ثلاث طبقات – المدخلات والمخفية والمخرجات.

طبقة الإدخال

هذه الطبقة من الشبكة العصبية مسؤولة عن جمع البيانات من العالم الخارجي. بعد أن يتم جمع البيانات ، تقوم الطبقة أيضًا بمعالجة تلك البيانات التي تحلل محتوى البيانات ، وتضيف فئة إلى البيانات من أجل تحديد أفضل. ثم يرسل البيانات إلى الطبقة التالية.

طبقة مخفية

تأتي البيانات من الطبقة المخفية من طبقة الإدخال والطبقات المخفية الأخرى. يمكن أن يكون هناك عدد كبير من الطبقات المخفية في الشبكة العصبية. يمكن لكل طبقة من الطبقات المخفية تحليل المدخلات التي تم تمريرها من طبقة سابقة. ثم تتم معالجة المدخلات ثم تمريرها إلى أبعد من ذلك.

طبقة الإخراج

تصل البيانات التي يتم تمريرها من آخر طبقة مخفية إلى طبقة الإخراج. تُظهر هذه الطبقة الإخراج النهائي من معالجة البيانات التي تحدث في الطبقات السابقة للشبكة العصبية. يمكن أن تحتوي طبقة الإخراج على عقد واحد أو أكثر بناءً على الإدخال.

على سبيل المثال ، عند التعامل مع البيانات الثنائية (1/0 ، نعم / لا) ، سيتم استخدام عقدة إخراج واحدة. ولكن ، أثناء التعامل مع البيانات متعددة الفئات ، سيتم استخدام عقد متعددة.

الطبقة المخفية هي أساسًا شبكة التعلم العميق للوصلات البينية بين عدة عقد. يتم تمثيل اتصال العقدة برقم يسمى “الوزن”. يمثل مدى تأثير العقدة على العقد الأخرى. تشير القيمة الموجبة إلى القدرة على إثارة عقدة أخرى ، بينما تشير القيمة السالبة إلى القدرة على قمع عقدة أخرى.

أنواع الشبكات العصبية

لأنواع مختلفة من الاستخدامات والبيانات ، يتم تطبيق أنواع مختلفة من الشبكات العصبية ، ولكل منها بنية مختلفة. فيما يلي بعض أنواع الشبكات العصبية:

# 1. شبكة التغذية إلى الأمام

في هذا النوع من الشبكات العصبية ، توجد طبقات وخلايا خفية متعددة مترابطة. هنا ، يكون تدفق المعلومات في الاتجاه الأمامي فقط بدون انتشار عكسي ، ومن هنا جاء اسم “feedforward”. يساعد عدد أكبر من هذه الطبقة في تخصيص الوزن ؛ ومن ثم التعلم.

# 2. بيرسبترون

هذا هو الشكل الأساسي للشبكة الذي يتكون من خلية عصبية واحدة فقط. تطبق الخلايا العصبية وظيفة تنشيط على الإدخال للحصول على ناتج ثنائي. يضيف بشكل أساسي قيمة الإدخال ووزن العقدة ويمرر المجموع إلى وظيفة التنشيط لإنشاء الإخراج. الطبقات المخفية غائبة في هذا النوع من الشبكات.

# 3. متعدد الطبقات المستقبلات

يسمح هذا النوع من الشبكات العصبية بالانتشار العكسي غير المدعوم في نظام التغذية إلى الأمام. يتضمن هذا العديد من الطبقات المخفية ووظائف التنشيط التي تسمح بتدفق البيانات ثنائي الاتجاه. يتم نشر المدخلات للأمام بينما يتم نشر تحديثات الوزن للخلف. بناءً على الهدف ، يمكن تغيير وظيفة التنشيط.

# 4. شبكة الأساس الشعاعي

تستخدم فئة الشبكة هذه طبقة من الخلايا العصبية لوظيفة Radial Basis (RBF) بين طبقات الإدخال والإخراج. يمكن لهذه الخلايا العصبية تخزين فئات بيانات التدريب المختلفة ، وبالتالي باستخدام طريقة مختلفة للتنبؤ بالأهداف. تقارن الخلايا العصبية المسافات الإقليدية بالفئات المخزنة بالفعل من قيمة ميزة الإدخال.

# 5. الشبكة التلافيفية

تحتوي هذه الشبكة العصبية على طبقات متعددة من التلافيفات التي تحدد الميزات المهمة من المدخلات مثل الصور. تركز الطبقات القليلة الأولى على التفاصيل ذات المستوى المنخفض ، بينما تركز الطبقات اللاحقة على التفاصيل عالية المستوى. تستخدم هذه الشبكة مصفوفة أو مرشح مخصص لإنشاء خرائط.

# 6. الشبكة المتكررة

تُستخدم هذه الشبكة عندما تكون هناك حاجة للحصول على تنبؤات من تسلسل بيانات معين. يمكن أن يستغرق الأمر مدخلات متأخرة الوقت للتنبؤ الأخير. يتم تخزين هذا داخل خلية بيانات RNN ، والتي بدورها تعمل كمدخل ثانٍ يستخدم للتنبؤ.

# 7. شبكة الذاكرة قصيرة المدى

في هذا النوع من الشبكات العصبية ، يتم استخدام خلية ذاكرة خاصة إضافية لحفظ المعلومات لمدة أطول والتغلب على مشكلة التلاشي التدرجات. تستخدم البوابات المنطقية لتحديد المخرجات التي يجب استخدامها أو التخلص منها. وبالتالي ، فإن البوابات المنطقية الثلاثة المستخدمة في هذا هي – الإدخال والإخراج والنسيان.

فوائد الشبكات العصبية

تقدم الشبكات العصبية الكثير من الفوائد:

• بسبب هيكلها ، يمكنها معالجة البيانات وتعلم العلاقات المعقدة وغير الخطية حول العالم الحقيقي وتعميم تعلمها لإنشاء مخرجات جديدة.
• الشبكات العصبية ليس لديها قيود على المدخلات. وبالتالي ، يمكن لهذه النماذج أن تكون نموذجًا لمرونة غير متجانسة يمكن من خلالها التعرف على العلاقات الخفية بين البيانات.
• يمكن للشبكة العصبية تخزين البيانات عبر الشبكة بأكملها والعمل على بيانات غير كافية. يؤدي ذلك إلى تكرار البيانات ويقلل من مخاطر فقدان البيانات.

• نظرًا لوجود اتصالات زائدة عن الحاجة ، فهي قادرة على معالجة بيانات متعددة في وقت واحد وعلى التوازي. هذا يعني أن الشبكات العصبية يمكن أن تساعد في إجراء وظائف متعددة في نفس الوقت.
• تمنحها القدرة على ضبط معالجة البيانات تحملًا قويًا للأخطاء وتدرب نفسها على التحسين باستمرار.
• نظرًا لأن الشبكة تستخدم ذاكرة موزعة ، فهي تقاوم تلف البيانات.
• يمكن أن يتعلم من الأحداث الماضية ، بناءً على ما يمكنه تدريب الآلات على اتخاذ قرارات أفضل.

تطبيقات الشبكات العصبية

• التنبؤ بأداء سوق الأوراق المالية: غالبًا ما يتم استخدام Perceptron متعدد الطبقات للتنبؤ بأداء سوق الأوراق المالية والاستعداد لتغيرات سوق الأوراق المالية. يقوم النظام بعمل تنبؤات بناءً على نسب الربح والعائدات السنوية وبيانات الأداء السابقة من سوق الأوراق المالية.

• التعرف على الوجه: تُستخدم الشبكات التلافيفية لتشغيل نظام التعرف على الوجه الذي يطابق معرف وجه معين مع قائمة معرفات الوجه في قاعدة البيانات لإظهار تطابق إيجابي.
• دراسة سلوك الوسائط الاجتماعية: يمكن استخدام Multiplayer Perceptron لدراسة سلوك الناس على وسائل التواصل الاجتماعي من المحادثات الافتراضية وتفاعلات وسائل التواصل الاجتماعي. يمكن استخدام هذه البيانات في أنشطة التسويق.
• أبحاث الفضاء الجوي: يمكن استخدام شبكات تأخير الوقت في مختلف مجالات الطيران ، مثل التعرف على الأنماط ، وتأمين أنظمة التحكم ، والتشغيل الآلي عالي الأداء ، وتشخيص أعطال الطائرات ، وتطوير عمليات المحاكاة. يساعد هذا في تعزيز ممارسات السلامة والأمن في الصناعة.
• التخطيط الدفاعي: يمكن الوصول إلى استراتيجيات الدفاع وتطويرها باستخدام الشبكات العصبية. يمكن استخدام التكنولوجيا للتنبؤ بالمخاطر الدفاعية والتحكم في المعدات الآلية وتحديد المواقع المحتملة للدوريات.
• الرعاية الصحية: يمكن استخدام الشبكة لإنشاء تقنيات تصوير أفضل للموجات فوق الصوتية والأشعة المقطعية والأشعة السينية. يمكن أن يساعد هذا أيضًا في تسجيل وتتبع بيانات المريض بشكل أفضل.
• التحقق من الهوية: يمكن التعرف على أنماط الكتابة اليدوية باستخدام الشبكات العصبية. يمكن أن يساعد ذلك في تحديد الأدلة المحتملة للتزوير من خلال أنظمة التحقق من الكتابة اليدوية والتوقيع.
• التنبؤ بالطقس: يمكن استخدام البيانات من الأقمار الصناعية الخاصة بالطقس للنمذجة الديناميكية والتنبؤ بأنماط الطقس بدقة أعلى. يمكن أن يساعد ذلك في إنشاء إنذار مبكر للكوارث الطبيعية بحيث يمكن اتخاذ التدابير الوقائية في الوقت المناسب.

مصادر التعلم

# 1. التعلم العميق من الالف الى الياء من Udemy

سيساعدك Deep Learning AZ by Udemy على تعلم كيفية استخدام Python وإنشاء خوارزميات التعلم العميق. مدة الدورة 22 ساعة و 33 دقيقة.

ستعلم الدورة الطلاب على:

• فهم أفضل لمفاهيم الذكاء الاصطناعي والشبكات العصبية والخرائط ذاتية التنظيم وآلة بولتزمان والمشفرات التلقائية.
• كيفية تطبيق هذه التقنيات لممارستها في العالم الحقيقي.

سعر الدورة 39.98 دولار.

# 2. علم البيانات بواسطة Udemy

علم البيانات هو دورة ممتازة في التعلم العميق والشبكات العصبية التي توفر تغطية متعمقة لنظريات الشبكة العصبية المستخدمة في التعلم الآلي. تقدم Udemy هذه الدورة أيضًا. مدته 12 ساعة.

ستدرس الدورة:

• حول التعلم العميق ووظيفة الشبكة العصبية
• تطوير كود للشبكات العصبية من البداية

سعر الدورة 35.13 دولار.

# 3. بناء الشبكات العصبية بواسطة Udemy

تتيح دورة Udemy لبناء الشبكات العصبية في Python من البداية للمتعلم تطوير التعلم العميق والتعلم الآلي باستخدام النسب المتدرج والانحدار الخطي. مدة الدورة 3 ساعات و 6 دقائق.

ستدرس الدورة:

• حول الوظائف الأساسية للشبكات العصبية مثل الانحدار الخطي والانتشار العكسي ووظيفة التكلفة
• لتدريب الشبكات العصبية ، وتصنيفها ، وضبط معدلات التعلم ، وتطبيع المدخلات ، وتحسين دقتها.

سعر الدورة 31.50 دولار.

# 4. الشبكات العصبية والتعلم العميق من كورسيرا

تقدم كورسيرا دورة الشبكات العصبية والتعلم العميق. هذه هي الدورة الأولى التي تتخصص في التعلم العميق وتركز على المفاهيم الأساسية. مدة الدورة 25 ساعة.

ستدرس الدورة:

• التعرف على الاتجاهات التكنولوجية الهامة التي تقود تطوير التعلم العميق
• تعرف على كيفية تدريب التعلم العميق واستخدامها لتطوير شبكة متصلة بالكامل.

يتم تقديم هذه الدورة مجانًا.

# 5. بناء التعلم العميق المتقدم و البرمجة اللغوية العصبية

تقدم Educative الدورة ، بناء التعلم العميق المتقدم و البرمجة اللغوية العصبية. تستغرق الدورة حوالي 5 ساعات حتى تكتمل.

ستدرس الدورة:

• العمل في بيئات البرمجة العملية
• تعرف على المفاهيم في التعلم العميق والممارسة في المشاريع المتعلقة بمعالجة اللغة الطبيعية (NLP) والتعلم العميق المتقدم

سعر الدورة 9.09 دولار شهريًا.

# 6. مشاريع الشبكة العصبية باستخدام لغة بايثون:

هذا الكتاب من تأليف جيمس لوي هو دليل نهائي حول كيفية استخدام بايثون واكتشاف قوة الشبكات العصبية الاصطناعية. ستجعلك تتعلم وتنفذ الشبكات العصبية بمساعدة ستة مشاريع في Python باستخدام الشبكات العصبية. سيساعدك إكمال هذا المشروع على بناء محفظة ML الخاصة بك.

ستدرس الدورة:

• بنى الشبكات العصبية مثل LSTM و CNN
• لاستخدام المكتبات الشعبية مثل Keras
• تتضمن المشاريع تحليل المشاعر وتحديد الوجه واكتشاف الأشياء وما إلى ذلك.

# 7. الشبكات العصبية والتعلم العميق

يغطي هذا الكتاب من تأليف Charu C. Aggarwal النماذج الحديثة والكلاسيكية في التعلم العميق. سيعلمك الخوارزميات ونظرية التعلم العميق والشبكات العصبية بحيث يمكنك تطبيقها في العديد من التطبيقات.

كما أنه يغطي تطبيقات مثل أنظمة التوصية ، والتعليق على الصور وتصنيفها ، وتحليلات النص ، والترجمة الآلية ، والألعاب ، والمزيد.

سوف تتعلم:

• أساسيات الشبكة العصبية
• أساسيات الشبكات العصبية
• موضوعات الشبكة العصبية المتقدمة مثل شبكات GAN وآلات تورينج العصبية وما إلى ذلك.

خاتمة

الشبكات العصبية هي في الأساس جزء من الذكاء الاصطناعي يدعم التعلم بطريقة قريبة من الذكاء البشري. هذه تتكون من طبقات متعددة ، لكل منها وظيفتها ومخرجاتها. نظرًا لفوائدها مثل الدقة وقدرات معالجة البيانات والحوسبة المتوازية وما إلى ذلك ، فإن تطبيقات الشبكات العصبية آخذة في الارتفاع في قطاعات متعددة لإجراء تنبؤات وقرارات أكثر ذكاءً.

يمكنك أيضًا استكشاف الشبكات العصبية التلافيفية.