برنامج تعليمي للتعلم العميق للمبتدئين: أساسيات الشبكة العصبية
إيفلين كلارك
ما هو التعلم العميق؟
تعلم عميق هو برنامج كمبيوتر يحاكي شبكة الخلايا العصبية في الدماغ. إنها مجموعة فرعية من التعلم الآلي يعتمد على الشبكات العصبية الاصطناعية مع التعلم التمثيلي. يطلق عليه التعلم العميق لأنه يستخدم الشبكات العصبية العميقة. يمكن أن يكون هذا التعلم خاضعًا للإشراف أو شبه خاضع للإشراف أو غير خاضع للإشراف.
تتم إنشاء خوارزميات التعلم العميق باستخدام طبقات متصلة.
- الطبقة الأولى تسمى طبقة الإدخال
- الطبقة الأخيرة تسمى طبقة الإخراج
- تسمى جميع الطبقات الموجودة بينهما بالطبقات المخفية. الكلمة عميقة تعني أن الشبكة تنضم إلى الخلايا العصبية في أكثر من طبقتين.
تتكون كل طبقة مخفية من الخلايا العصبية. ترتبط الخلايا العصبية ببعضها البعض. ستقوم الخلية العصبية بمعالجة ثم نشر إشارة الإدخال التي تستقبلها الطبقة فوقها. تعتمد قوة الإشارة المعطاة للخلية العصبية في الطبقة التالية على الوزن والتحيز ووظيفة التنشيط.
تستهلك الشبكة كميات كبيرة من بيانات الإدخال وتقوم بتشغيلها عبر طبقات متعددة؛ وتستطيع الشبكة أن تتعلم ميزات متزايدة التعقيد للبيانات في كل طبقة.
عملية التعلم العميق
توفر الشبكة العصبية العميقة دقة عالية في العديد من المهام، بدءًا من اكتشاف الكائنات وحتى التعرف على الكلام. يمكنهم أن يتعلموا تلقائيًا، دون معرفة محددة مسبقًا مشفرة بشكل صريح من قبل المبرمجين.
ولكي نفهم فكرة التعلم العميق، فلنتخيل أسرة لديها طفل رضيع ووالدان. يشير الطفل الصغير إلى الأشياء بإصبعه الصغير ويقول دائمًا كلمة "قط". ولأن والديه منشغلان بتعليمه، فإنهما يستمران في إخباره "نعم، هذه قطة" أو "لا، هذه ليست قطة". ويصر الطفل على الإشارة إلى الأشياء ولكنه يصبح أكثر دقة عندما يقول "قطط". والطفل الصغير في أعماقه لا يعرف لماذا يستطيع أن يقول إنها قطة أم لا. لقد تعلم للتو كيفية ترتيب السمات المعقدة التي تتشكل عند الحديث عن قطة من خلال النظر إلى الحيوان الأليف بشكل عام والاستمرار في التركيز على التفاصيل مثل الذيل أو الأنف قبل اتخاذ قراره.
تعمل الشبكة العصبية بنفس الطريقة تقريبًا. تمثل كل طبقة مستوى أعمق من المعرفة، أي التسلسل الهرمي للمعرفة. ستتعلم الشبكة العصبية ذات الطبقات الأربع ميزات أكثر تعقيدًا من تلك التي تتكون من طبقتين.
ويتم التعلم على مرحلتين:
المرحلة الأولى: المرحلة الأولى تتكون من تطبيق تحويل غير خطي للمدخلات وإنشاء نموذج إحصائي كمخرجات.
المرحلة الثانية: تهدف المرحلة الثانية إلى تحسين النموذج بطريقة رياضية تعرف بالمشتقة.
تكرر الشبكة العصبية هاتين المرحلتين مئات إلى آلاف المرات حتى تصل إلى مستوى مقبول من الدقة. ويسمى تكرار هذه المرحلتين بالتكرار.
لإعطاء مثال للتعلم العميق، قم بإلقاء نظرة على الحركة أدناه، يحاول النموذج تعلم كيفية الرقص. بعد 10 دقائق من التدريب، لا تعرف العارضة كيف ترقص، وتبدو وكأنها خربشات.
بعد 48 ساعة من التعلم، يتقن الكمبيوتر فن الرقص.
تصنيف الشبكات العصبية
الشبكة العصبية الضحلة: تحتوي الشبكة العصبية الضحلة على طبقة مخفية واحدة فقط بين الإدخال والإخراج.
شبكة عصبية عميقة: الشبكات العصبية العميقة لها أكثر من طبقة. على سبيل المثال، يحتوي نموذج Google LeNet للتعرف على الصور على 22 طبقة.
في الوقت الحاضر، يتم استخدام التعلم العميق بعدة طرق مثل السيارة بدون سائق، والهاتف المحمول، ومحرك بحث جوجل، واكتشاف الاحتيال، والتلفزيون، وما إلى ذلك.
أنواع شبكات التعلم العميق
الآن في هذا البرنامج التعليمي للشبكة العصبية العميقة، سنتعرف على أنواع شبكات التعلم العميق:
الشبكات العصبية ذات التغذية الأمامية
أبسط أنواع الشبكات العصبية الاصطناعية. مع هذا النوع من البنية، تتدفق المعلومات في اتجاه واحد فقط، للأمام. وهذا يعني أن تدفقات المعلومات تبدأ عند طبقة الإدخال، وتنتقل إلى الطبقات "المخفية"، وتنتهي عند طبقة الإخراج. الشبكة
ليس لديها حلقة. تتوقف المعلومات عند طبقات الإخراج.
الشبكات العصبية المتكررة (RNNs)
RNN هي شبكة عصبية متعددة الطبقات يمكنها تخزين المعلومات في عقد السياق، مما يسمح لها بتعلم تسلسلات البيانات وإخراج رقم أو تسلسل آخر. وبكلمات بسيطة، فهي عبارة عن شبكات عصبية اصطناعية تتضمن اتصالاتها بين الخلايا العصبية حلقات. تعتبر الشبكات العصبية المتكررة مناسبة تمامًا لمعالجة تسلسلات المدخلات.
على سبيل المثال، إذا كانت المهمة هي التنبؤ بالكلمة التالية في الجملة "هل تريد ..........؟"
- سوف تتلقى الخلايا العصبية RNN إشارة تشير إلى بداية الجملة.
- تتلقى الشبكة كلمة "Do" كمدخل وتنتج متجهًا للرقم. يتم تغذية هذا المتجه مرة أخرى إلى الخلية العصبية لتوفير ذاكرة للشبكة. تساعد هذه المرحلة الشبكة على تذكر أنها تلقت "افعل" واستقبلتها في المركز الأول.
- ستنتقل الشبكة بالمثل إلى الكلمات التالية. إنها تأخذ كلمة "أنت" و"أريد". يتم تحديث حالة الخلايا العصبية عند تلقي كل كلمة.
- المرحلة النهائية تحدث بعد تلقي كلمة "أ". ستوفر الشبكة العصبية احتمالية لكل كلمة إنجليزية يمكن استخدامها لإكمال الجملة. من المحتمل أن تقوم شبكة RNN المدربة جيدًا بتعيين احتمالية عالية لـ "مقهى"، و"مشروب"، و"برجر"، وما إلى ذلك.
الاستخدامات الشائعة لـ RNN
- مساعدة تجار الأوراق المالية على إنشاء تقارير تحليلية
- كشف المخالفات في عقد القوائم المالية
- كشف المعاملات الاحتيالية ببطاقات الائتمان
- توفير تسمية توضيحية للصور
- روبوتات الدردشة القوية
- تحدث الاستخدامات القياسية لـ RNN عندما يعمل الممارسون مع بيانات أو تسلسلات زمنية (على سبيل المثال، التسجيلات الصوتية أو النصوص).
الشبكات العصبية التلافيفية (CNN)
سي ان ان شبكة عصبية متعددة الطبقات ذات بنية فريدة مصممة لاستخراج سمات متزايدة التعقيد من البيانات في كل طبقة لتحديد الناتج. شبكات CNN مناسبة تمامًا للمهام الإدراكية.
يتم استخدام CNN في الغالب عندما تكون هناك مجموعة بيانات غير منظمة (مثل الصور) ويحتاج الممارسون إلى استخلاص المعلومات منها.
على سبيل المثال، إذا كانت المهمة هي التنبؤ بالتسمية التوضيحية للصورة:
- تتلقى شبكة CNN صورة لقطة مثلًا، هذه الصورة، بمصطلحات الكمبيوتر، هي عبارة عن مجموعة من البكسلات. بشكل عام، طبقة واحدة للصورة ذات التدرج الرمادي وثلاث طبقات للصورة الملونة.
- أثناء تعلم الميزات (أي الطبقات المخفية)، ستحدد الشبكة ميزات فريدة، على سبيل المثال، ذيل القطة، والأذن، وما إلى ذلك.
- عندما تتعلم الشبكة بشكل كامل كيفية التعرف على الصورة، يمكنها توفير احتمالية لكل صورة تعرفها. ستصبح التسمية ذات الاحتمالية الأعلى هي التنبؤ بالشبكة.
تعزيز التعلم
تعزيز التعلم هو حقل فرعي من التعلم الآلي حيث يتم تدريب الأنظمة من خلال تلقي "مكافآت" أو "عقوبات" افتراضية، ويتم التعلم بشكل أساسي عن طريق التجربة والخطأ. استخدمت شركة DeepMind من Google التعلم المعزز للتغلب على بطل بشري في ألعاب Go. يُستخدم التعلم المعزز أيضًا في ألعاب الفيديو لتحسين تجربة الألعاب من خلال توفير روبوتات أكثر ذكاءً.
ومن أشهر الخوارزميات:
- س-التعلم
- شبكة ديب كيو
- الدولة - العمل - المكافأة - الدولة - العمل (SARSA)
- التدرج العميق للسياسة الحتمية (DDPG)
أمثلة على تطبيقات التعلم العميق
الآن في هذا البرنامج التعليمي للتعلم العميق للمبتدئين، دعنا نتعرف على تطبيقات التعلم العميق:
الذكاء الاصطناعي في التمويل
لقد بدأ قطاع التكنولوجيا المالية بالفعل في استخدام الذكاء الاصطناعي لتوفير الوقت وخفض التكاليف وإضافة القيمة. يعمل التعلم العميق على تغيير صناعة الإقراض من خلال استخدام نظام تسجيل ائتماني أكثر قوة. يمكن لصناع القرار الائتماني استخدام الذكاء الاصطناعي لتطبيقات الإقراض الائتماني القوية لتحقيق تقييم أسرع وأكثر دقة للمخاطر، وذلك باستخدام الذكاء الآلي لأخذ شخصية المتقدمين في الاعتبار وقدراتهم.
Underwrite هي شركة Fintech تقدم حلول الذكاء الاصطناعي لشركات صناعة الائتمان. يستخدم underwrite.ai الذكاء الاصطناعي لاكتشاف مقدم الطلب الذي من المرجح أن يسدد القرض. نهجهم يتفوق بشكل جذري على الأساليب التقليدية.
الذكاء الاصطناعي في الموارد البشرية
أندرمور، شركة ملابس رياضية، أحدثت ثورة في التوظيف وتحديث تجربة المرشحين بمساعدة الذكاء الاصطناعي. في الواقع، أندرمور تقلل وقت التوظيف لمتاجر التجزئة الخاصة بها بنسبة 35%. واجهت أندرمور اهتمامًا متزايدًا بالشعبية في عام 2012. كان لديهم في المتوسط 30000 سيرة ذاتية شهريًا. كان قراءة كل هذه الطلبات والبدء في عملية الفرز والمقابلة يستغرق وقتًا طويلاً. أثرت العملية الطويلة لتوظيف الأشخاص وتدريبهم على قدرة أندرمور على تجهيز متاجر التجزئة الخاصة بها وتجهيزها للعمل.
في ذلك الوقت، كانت شركة Under Armor تمتلك كل تقنيات الموارد البشرية "الضرورية" مثل حلول المعاملات لتحديد المصادر والتطبيق والتتبع والتأهيل، لكن هذه الأدوات لم تكن مفيدة بما فيه الكفاية. تحت الدرع اختر HireVue، مزود الذكاء الاصطناعي لحلول الموارد البشرية، لكل من المقابلات المباشرة وعند الطلب. وكانت النتائج خادعة. تمكنوا من تقليل الوقت اللازم لملء الفراغ بنسبة 35%. وفي المقابل، تم تعيين موظفين ذوي جودة أعلى.
منظمة العفو الدولية في التسويق
يعد الذكاء الاصطناعي أداة قيمة لإدارة خدمة العملاء وتحديات التخصيص. يتيح تحسين التعرف على الكلام في إدارة مركز الاتصال وتوجيه المكالمات نتيجة لتطبيق تقنيات الذكاء الاصطناعي تجربة أكثر سلاسة للعملاء.
على سبيل المثال، يسمح تحليل التعلم العميق للصوت للأنظمة بتقييم النبرة العاطفية للعميل. إذا كان العميل يستجيب بشكل سيء لل منظمة العفو الدولية chatbotيمكن للنظام إعادة توجيه المحادثة إلى مشغلين بشريين حقيقيين يتولون التعامل مع المشكلة.
بصرف النظر عن أمثلة التعلم العميق الثلاثة المذكورة أعلاه، يُستخدم الذكاء الاصطناعي على نطاق واسع في قطاعات/صناعات أخرى.
ما أهمية التعلم العميق؟
يعد التعلم العميق أداة قوية لجعل التنبؤ نتيجة قابلة للتنفيذ. يتفوق التعلم العميق في اكتشاف الأنماط (التعلم غير الخاضع للرقابة) والتنبؤ القائم على المعرفة. البيانات الكبيرة يعد التعلم العميق بمثابة الوقود اللازم للتعلم. وعندما يتم الجمع بين الاثنين، يمكن للمنظمة أن تجني نتائج غير مسبوقة من حيث الإنتاجية والمبيعات والإدارة والابتكار.
يمكن أن يتفوق التعلم العميق على الطريقة التقليدية. على سبيل المثال، تكون خوارزميات التعلم العميق أكثر دقة بنسبة 41% من خوارزميات التعلم الآلي في تصنيف الصور، وأكثر دقة بنسبة 27% في التعرف على الوجه، وأكثر دقة بنسبة 25% في التعرف على الصوت.
حدود التعلم العميق
الآن في هذا البرنامج التعليمي للشبكة العصبية، سوف نتعرف على قيود التعلم العميق:
وسم البيانات
إن أغلب نماذج الذكاء الاصطناعي الحالية يتم تدريبها من خلال "التعلم الخاضع للإشراف". وهذا يعني أن البشر يجب أن يقوموا بتسمية وتصنيف البيانات الأساسية، وهو ما قد يشكل مهمة شاقة ومعرضة للخطأ. على سبيل المثال، تقوم الشركات التي تعمل على تطوير تقنيات السيارات ذاتية القيادة بتوظيف مئات الأشخاص لشرح ساعات من مقاطع الفيديو من المركبات النموذجية يدويًا للمساعدة في تدريب هذه الأنظمة.
الحصول على مجموعات بيانات تدريب ضخمة
لقد ثبت أن تقنيات التعلم العميق البسيطة مثل CNN يمكنها، في بعض الحالات، تقليد معرفة الخبراء في الطب والمجالات الأخرى. الموجة الحالية من آلة التعلمومع ذلك، يتطلب الأمر مجموعات بيانات تدريبية ليست مصنفة فحسب، بل أيضًا واسعة النطاق وعالمية بدرجة كافية.
تتطلب أساليب التعلم العميق آلاف الملاحظات حتى تصبح النماذج جيدة نسبيًا في مهام التصنيف، وفي بعض الحالات، تتطلب الملايين من الملاحظات حتى تؤديها على مستوى البشر. ومن دون مفاجأة، فإن التعلم العميق مشهور في شركات التكنولوجيا العملاقة؛ إنهم يستخدمون البيانات الضخمة لتجميع بيتابايت من البيانات. فهو يتيح لهم إنشاء نموذج تعليمي عميق مثير للإعجاب ودقيق للغاية.
اشرح مشكلة
قد يكون من الصعب تفسير النماذج الكبيرة والمعقدة، من منظور بشري. على سبيل المثال، لماذا تم التوصل إلى قرار معين. وهذا أحد الأسباب التي تجعل قبول بعض أدوات الذكاء الاصطناعي بطيئًا في مجالات التطبيق حيث تكون القدرة على التفسير مفيدة أو مطلوبة بالفعل.
علاوة على ذلك، مع توسع تطبيق الذكاء الاصطناعي، يمكن أن تؤدي المتطلبات التنظيمية أيضًا إلى زيادة الحاجة إلى نماذج ذكاء اصطناعي أكثر قابلية للتفسير.
ملخص
نظرة عامة على التعلم العميق: التعلم العميق هو أحدث ما توصلت إليه التكنولوجيا الذكاء الاصطناعيتتكون بنية التعلم العميق من طبقة إدخال وطبقات مخفية وطبقة إخراج. تعني كلمة عميق وجود أكثر من طبقتين متصلتين بالكامل.
هناك عدد هائل من الشبكات العصبية، حيث تم تصميم كل بنية لأداء مهمة معينة. على سبيل المثال، تعمل CNN بشكل جيد للغاية مع الصور، وتوفر RNN نتائج مبهرة مع تحليل التسلسل الزمني والنص.
ينشط التعلم العميق الآن في مجالات مختلفة، من التمويل إلى التسويق وسلسلة التوريد والتسويق. الشركات الكبرى هي أول من استخدم التعلم العميق لأنها تمتلك بالفعل مجموعة كبيرة من البيانات. يتطلب التعلم العميق أن يكون لديك مجموعة بيانات تدريبية واسعة النطاق.
