عندما بدأت أتحدث عن الشبكات العصبية أثناء تناول زجاجة من البيرة، بدأ الناس عادة ينظرون إلي بخوف، وأصبحوا حزينين، وأحيانًا بدأت أعينهم في الارتعاش، وفي الحالات القصوى كانوا يزحفون تحت الطاولة. لكن في الواقع، هذه الشبكات بسيطة وبديهية. نعم نعم بالضبط! واسمحوا لي أن أثبت ذلك لك!
لنفترض أنني أعرف شيئين عن الفتاة - سواء كنت أحبها أم لا، وما إذا كان هناك أي شيء يمكنني التحدث معها عنه. فإن وجد نعتبره واحدًا، وإذا لم يكن نعتبره صفرًا. لنأخذ مبدأ مماثل للمظهر. السؤال: ما هي الفتاة التي سأقع في حبها ولماذا؟
يمكنك التفكير ببساطة وبدون هوادة: "إذا كانت جميلة ولديها شيء تتحدث عنه، فسوف أقع في حبها. إذا لم يكن هذا ولا الآخر، ثم استقال ".
ولكن ماذا لو كنت أحب السيدة، ولكن لا يوجد شيء للحديث معها؟ أو العكس؟
من الواضح أن شيئًا واحدًا سيكون أكثر أهمية لكل واحد منا. بتعبير أدق، كل معلمة لها مستوى أهميتها، أو بالأحرى وزنها. إذا قمت بضرب المعلمة بوزنها، فستحصل على التوالي على "تأثير المظهر" و"تأثير الثرثرة".
والآن أستطيع أن أجيب على سؤالي بضمير مرتاح:
"إذا كان تأثير الكاريزما وتأثير الثرثرة في مجمله أكبر من قيمة "الغرام" فإنني سأقع في الحب..."
وهذا هو، إذا وضعت وزنا كبيرا على "قابلية التحدث" للسيدة ووزن صغير على مظهرها، فعندئذ في موقف مثير للجدل، سأقع في حب الشخص الذي من الجيد الدردشة معه. والعكس صحيح.
في الواقع، هذه القاعدة هي الخلايا العصبية.
الخلية العصبية الاصطناعية هي وظيفة تقوم بتحويل العديد من حقائق الإدخال إلى مخرج واحد.ومن خلال ضبط أوزان هذه الحقائق، وكذلك عتبة الإثارة، فإننا نضبط مدى كفاية الخلية العصبية. من حيث المبدأ، بالنسبة للكثيرين، ينتهي علم الحياة عند هذا المستوى، لكن هذه القصة لا تتعلق بنا، أليس كذلك؟
دعونا نستخلص بعض الاستنتاجات الإضافية:
الحديث عن عتبة
إنه أمر مضحك، لكن معامل "الغرام" يسمى "عتبة الإثارة". ولكن، حتى لا تحصل هذه المقالة على تصنيف "18+"، فلنتفق على قول "العتبة" ببساطة، حسنًا؟
لا توجد سيدات جذابات ومؤنسات بشكل فريد. والوقوع في الحب يختلف عن الوقوع في الحب، بغض النظر عما يقوله أي شخص. لذلك، بدلاً من "0" و"1" الوحشيين والمتشددين، دعونا نستخدم النسب المئوية. ثم يمكنك أن تقول - "أنا أحبك كثيرًا (80٪)، أو "هذه السيدة ليست ثرثارة جدًا (20٪)."
إن "الخلايا العصبية" البدائية لدينا من الجزء الأول لم تعد مناسبة لنا. ويتم استبدالها بـ "الخلية العصبية الحكيمة"، وستكون نتيجتها رقمًا من 0 إلى 1، اعتمادًا على البيانات المدخلة.
يمكن لـ "Neuron Sage" أن يخبرنا: "هذه السيدة جميلة جدًا، لكنني لا أعرف ما الذي أتحدث معها عنه، لذلك أنا لا معجب بها حقًا".
بعض المصطلحات
بالمناسبة، تسمى الحقائق المدخلة للخلية العصبية بالمشابك العصبية، ويسمى اقتراح الإخراج بالمحور العصبي. تسمى الروابط ذات الوزن الإيجابي بالإثارة، وتلك ذات الوزن السالب تسمى المثبطة. إذا كان الوزن صفراً، فيعتبر أنه لا يوجد اتصال (اتصال ميت).
هيا لنذهب. لنقم بإجراء تقييم آخر بناءً على هاتين الحقيقتين: ما مدى جودة العمل (التعاون) مع مثل هذه الفتاة؟ سوف نتصرف بنفس الطريقة تمامًا - أضف خلية عصبية حكيمة وقم بضبط الأوزان بطريقة مريحة لنا.
لكن الحكم على فتاة بناء على صفتين هو أمر وقح للغاية. دعونا نحكم عليها بثلاثة! دعونا نضيف حقيقة أخرى - المال. والتي ستتراوح من صفر (فقراء تمامًا) إلى واحد (ابنة روكفلر). دعونا نرى كيف تتغير أحكامنا مع وصول المال...
بالنسبة لنفسي، قررت أن المال ليس مهمًا جدًا من حيث السحر، لكن المظهر الأنيق لا يزال بإمكانه التأثير علي، لذلك سأجعل وزن المال صغيرًا ولكنه إيجابي.
في عملي، لا يهمني مطلقًا مقدار المال الذي تملكه الفتاة، لذلك سأجعل الوزن يساوي صفرًا.
إن تقييم الفتاة من أجل العمل فقط والوقوع في الحب هو أمر غبي للغاية. دعنا نضيف كم سيكون السفر معها ممتعًا:
دعونا نجمع كل هذه المخططات الثلاثة في مخطط واحد ونجد أننا قد انتقلنا إلى مستوى أعمق من الحكم، أي: من الكاريزما والمال والثرثرة - إلى الإعجاب والتعاون وراحة السفر معًا. ولاحظ أن هذه أيضًا إشارات من صفر إلى واحد. هذا يعني أنه يمكنني الآن إضافة "الخلية العصبية القصوى" النهائية، والسماح لها بالإجابة بشكل لا لبس فيه على السؤال - "الزواج أم لا"؟
حسنًا، بالطبع، ليس كل شيء بهذه البساطة (فيما يتعلق بالنساء). دعونا نجلب القليل من الدراما والواقع إلى عالمنا البسيط وقوس قزح. أولاً، دعونا نجعل الخلية العصبية التي تقول "هل سأتزوج أم لا أتزوج" حكيمة. الشكوك متأصلة في الجميع، بطريقة أو بأخرى. ودعنا نضيف الخلية العصبية "أريد أطفالًا منها"، ولنكون صادقين تمامًا، الخلية العصبية "ابتعد عنها".
أنا لا أفهم شيئًا عن النساء، ولهذا تبدو شبكتي البدائية الآن كما في الصورة في بداية المقال.
تسمى أحكام الإدخال "طبقة الإدخال"، وتسمى الأحكام الناتجة "طبقة الإخراج"، والحكم المخفي في المنتصف يسمى "مخفي". الطبقة المخفية هي أحكامي، والمنتجات شبه المصنعة، والأفكار التي لا يعرفها أحد. قد يكون هناك عدة طبقات مخفية، أو قد لا يكون هناك أي منها.
هل تتذكر عندما تحدثت عن التأثير السلبي للمال على رغبتي في السفر مع شخص ما؟ لذلك، كنت أكذب. الشخص الذي ليس لديه مال قليل ولا كثير هو الأنسب للسفر. إنه أكثر إثارة للاهتمام بالنسبة لي ولن أشرح السبب.
لكن هنا أواجه مشكلة:
إذا وضعت وزن المال بالسالب، فكلما قل المال، كان ذلك أفضل للسفر.
إذا كان إيجابيا، فكلما كان أغنى كلما كان ذلك أفضل،
إذا كان الصفر، فإن المال على الجانب.
لا أستطيع أن أفعل ذلك، بالوزن فقط، لإجبار الخلية العصبية على التعرف على الوضع "لا أكثر ولا أقل"!
للتغلب على هذا، سأصنع خليتين عصبيتين - "الكثير من المال" و"القليل من المال"، وأعطيهما التدفق النقدي من السيدة كمدخل.
الآن لدي حكمان: "كثير" و"قليل". إذا كان كلا الاستنتاجين غير مهم، فسيظهر حرفيا "لا أكثر ولا أقل". أي أننا سنضيف خلية عصبية أخرى إلى المخرجات بأوزان سالبة:
"ليس كثيراً." الأسهم الحمراء - اتصالات إيجابية، الأزرق - سلبية
بشكل عام، هذا يعني أن الخلايا العصبية تشبه عناصر البناء. مثلما يتكون المعالج من الترانزستورات، يمكننا تجميع الدماغ من الخلايا العصبية. على سبيل المثال، يمكن إصدار الحكم "إما غني أو ذكي" على النحو التالي:
او او. الأسهم الحمراء - اتصالات إيجابية، الأزرق - سلبية
يمكنك استبدال الخلايا العصبية "الحكيمة" بـ "الحد الأقصى" ومن ثم نحصل على العامل المنطقي XOR. الشيء الرئيسي هو عدم نسيان ضبط عتبات الإثارة.
على عكس الترانزستورات ومنطق "إذا - ثم" الذي لا هوادة فيه للمبرمج النموذجي، يمكن للشبكة العصبية اتخاذ قرارات مستنيرة. ستتغير نتائجها بسلاسة، مع تغيير سلس في معلمات الإدخال. هذه هي الحكمة!
اسمحوا لي أن ألفت انتباهكم إلى حقيقة أن إضافة طبقة من خليتين عصبيتين سمحت للخلية العصبية "لا أكثر ولا أقل" بإصدار حكم أكثر تعقيدًا وتوازنًا، والانتقال إلى مستوى جديد من المنطق. من "الكثير" أو "القليل" - إلى حل وسط، إلى حكم أعمق من وجهة نظر فلسفية. ماذا لو أضفنا المزيد من الطبقات المخفية؟ يمكننا أن نلتف حول تلك الشبكة البسيطة، لكن ماذا عن الشبكة التي تتكون من 7 طبقات؟ هل نحن قادرون على فهم عمق حكمها؟ ماذا لو كان كل منها، بما في ذلك المدخل الأول، يحتوي على حوالي ألف خلية عصبية؟ ما الذي تعتقد أنها قادرة عليه؟
تخيل أنني قمت بتعقيد مثالي بالزواج والوقوع في الحب، ووصلت إلى هذه الشبكة. في مكان ما فيه، يتم إخفاء جميع الخلايا العصبية التسعة لدينا، وهذا بالفعل أشبه بالحقيقة. مع كل الرغبة، من المستحيل ببساطة فهم كل التبعيات وعمق الحكم على مثل هذه الشبكة. بالنسبة لي، فإن الانتقال من شبكة 3x3 إلى 7x1000 يشبه تحقيق المقياس، إن لم يكن الكون، ثم المجرة - بالنسبة إلى طولي. ببساطة، لا أستطيع أن أفعل ذلك. إن حل مثل هذه الشبكة، المتمثل في إطلاق مخرجات إحدى خلاياها العصبية، لن يكون من الممكن تفسيره بالمنطق. وهذا ما يمكن أن نسميه في الحياة اليومية "الحدس" (على الأقل "واحد من .."). رغبة غير مفهومة للنظام أو تلميحه.
ولكن، على عكس مثالنا الاصطناعي 3x3، حيث يتم تشكيل كل خلية عصبية في الطبقة المخفية بشكل واضح تمامًا، فإن هذا ليس هو الحال بالضرورة في الشبكة الحقيقية. في شبكة مضبوطة جيدًا، وحجمها ليس مفرطًا لحل المهمة المطروحة، ستكتشف كل خلية عصبية بعض الميزات، لكن هذا لا يعني مطلقًا أنه في لغتنا ستكون هناك كلمة أو جملة يمكنها وصفها. إذا قمت بإسقاطها على شخص ما، فهذا نوع من سماته التي تشعر بها، لكن لا يمكنك شرحها بالكلمات.
لقد ذكرت قبل بضعة أسطر شبكة جيدة الضبط، الأمر الذي ربما أثار سؤالا صامتا: "كيف يمكننا إنشاء شبكة تتكون من عدة آلاف من الخلايا العصبية؟ كم يتطلب ذلك من "سنوات الرجال" والأرواح الضائعة؟.. أخشى أن أخمن إجابة السؤال الأخير. من الأفضل بكثير أتمتة عملية التكوين هذه - لإجبار الشبكة على تكوين نفسها. تسمى عملية الأتمتة هذه بالتعلم. ولإعطاء فكرة سطحية عنه، سأعود إلى الاستعارة الأصلية حول “السؤال المهم جداً”:
نحن نظهر في هذا العالم بعقل نقي وبريء وشبكة عصبية غير موجهة على الإطلاق نحو النساء. يجب تكوينه بشكل صحيح بطريقة أو بأخرى حتى تدخل السعادة والفرح إلى منزلنا. وللقيام بذلك نحتاج إلى بعض الخبرة، وهناك عدة طرق للحصول عليها:
1) التدريب مع مدرس (للرومانسيين). شاهد ما يكفي من ميلودراما هوليوود واقرأ الروايات الدامعة. أو شاهد ما يكفي من والديك و/أو أصدقائك. بعد ذلك، اعتمادا على العينة، انتقل إلى اختبار المعرفة المكتسبة. بعد محاولة فاشلة، كرر كل شيء مرة أخرى، بدءا من الروايات.
2) التعلم بدون معلم (للمجربين اليائسين). حاول الزواج من اثنتي عشرة امرأة أو اثنتين بشكل عشوائي. بعد كل زواج تخدشين اللفت في حيرة. كرر ذلك حتى تفهم أنك متعب، وأنت "تعرف بالفعل كيف يحدث ذلك".
3) التعلم بدون معلم الخيار الثاني (طريق المتفائلين اليائسين). تخلى عن كل شيء، وافعل شيئًا ما في الحياة، وفي يوم من الأيام تجد نفسك متزوجًا. بعد ذلك قم بإعادة تكوين شبكتك بما يتوافق مع الواقع الحالي حتى يناسبك كل شيء.
كل ما سبق ينطبق على الشبكة العصبية الاصطناعية من نوع "الإدراك الحسي". الشبكات الأخرى تشبهها في المبادئ الأساسية، ولكن لها فروق دقيقة خاصة بها.
حظًا سعيدًا في موازينك وعينات التدريب الرائعة! حسنًا، إذا لم يعد هذا ضروريًا، أخبر شخصًا آخر عنه.
لم يتم تكوين أوزان شبكتي العصبية، ولا يمكنني معرفة المورد الذي يجب أن تشير إليه هذه المقالة.
يمكن للمستخدمين المسجلين فقط المشاركة في الاستطلاع. ادخل من فضلك.
وبناء على ذلك، تأخذ الشبكة العصبية رقمين كمدخلات ويجب عليها إخراج رقم آخر - وهو الجواب. الآن عن الشبكات العصبية نفسها.الشبكة العصبية هي سلسلة من الخلايا العصبية المتصلة عن طريق المشابك العصبية. لقد جاء هيكل الشبكة العصبية إلى عالم البرمجة مباشرة من علم الأحياء. بفضل هذا الهيكل، تكتسب الآلة القدرة على تحليل المعلومات المختلفة وحتى تذكرها. الشبكات العصبية قادرة أيضًا ليس فقط على تحليل المعلومات الواردة، بل أيضًا على إعادة إنتاجها من ذاكرتها. للمهتمين، تأكد من مشاهدة مقطعي فيديو من TED Talks: فيديو 1 , فيديو 2). بمعنى آخر، الشبكة العصبية هي تفسير آلي للدماغ البشري، الذي يحتوي على ملايين الخلايا العصبية التي تنقل المعلومات على شكل نبضات كهربائية.
تصنيف- توزيع البيانات حسب المعلمات. على سبيل المثال، يتم إعطاؤك مجموعة من الأشخاص كمدخلات وعليك أن تقرر أي منهم ستمنحه الفضل وأيهم لا. يمكن تنفيذ هذا العمل عن طريق شبكة عصبية، وتحليل المعلومات مثل العمر والملاءة المالية والتاريخ الائتماني وما إلى ذلك.
تنبؤ- القدرة على التنبؤ بالخطوة التالية. على سبيل المثال، ارتفاع أو انخفاض الأسهم بناء على الوضع في سوق الأوراق المالية.
تعرُّف- حاليا الاستخدام الأكثر انتشارا للشبكات العصبية. يُستخدم في Google عند البحث عن صورة أو في كاميرات الهاتف عندما يكتشف موضع وجهك ويسلط الضوء عليه وغير ذلك الكثير.
الآن، لفهم كيفية عمل الشبكات العصبية، دعونا نلقي نظرة على مكوناتها ومعلماتها.
من المهم أن نتذكرأنه أثناء تهيئة الشبكة العصبية، يتم وضع الأوزان بترتيب عشوائي.
دالة خطية
السيني
الظل الزائدي
أصبحت قضايا الذكاء الاصطناعي والشبكات العصبية أكثر شعبية حاليًا من أي وقت مضى. يلجأ إلينا العديد من المستخدمين بشكل متزايد بأسئلة حول كيفية عمل الشبكات العصبية وما هي وما هو مبدأ عملها؟
تتميز هذه الأسئلة، إلى جانب شعبيتها، أيضًا بتعقيد كبير، نظرًا لأن العمليات عبارة عن خوارزميات معقدة للتعلم الآلي مصممة لأغراض مختلفة، بدءًا من تحليل التغييرات وحتى نمذجة المخاطر المرتبطة بإجراءات معينة.
السؤال الأول الذي يطرح نفسه للمهتمين هو ما هي الشبكة العصبية؟ في التعريف الكلاسيكي، هذا هو تسلسل معين من الخلايا العصبية المترابطة عن طريق المشابك العصبية. الشبكات العصبية هي نموذج مبسط لنظائرها البيولوجية.
يسمح البرنامج ذو بنية الشبكة العصبية للجهاز بتحليل بيانات الإدخال وتذكر النتيجة التي تم الحصول عليها من مصادر معينة. وبالتالي، فإن هذا النهج يجعل من الممكن استرجاع النتيجة المقابلة لمجموعة البيانات الحالية من الذاكرة، إذا كانت متاحة بالفعل في تجربة دورات الشبكة.
ينظر الكثير من الناس إلى الشبكة العصبية على أنها نظير للدماغ البشري. من ناحية، يمكن اعتبار هذا الحكم قريبًا من الحقيقة، ولكن من ناحية أخرى، فإن الدماغ البشري عبارة عن آلية معقدة جدًا بحيث لا يمكن إعادة إنشائه بمساعدة آلة ولو بجزء صغير من الوقت. نسبه مئويه. الشبكة العصبية هي في المقام الأول برنامج يعتمد على مبدأ الدماغ، ولكنها ليست نظيرة لها بأي حال من الأحوال.
الشبكة العصبية هي مجموعة من الخلايا العصبية، كل منها يتلقى المعلومات ويعالجها وينقلها إلى خلية عصبية أخرى. تعالج كل خلية عصبية الإشارة بنفس الطريقة تمامًا.
فكيف تحصل على نتائج مختلفة؟ الأمر كله يتعلق بالمشابك العصبية التي تربط الخلايا العصبية ببعضها البعض. يمكن أن تحتوي إحدى الخلايا العصبية على عدد كبير من المشابك العصبية التي تعمل على تقوية الإشارة أو إضعافها، كما أن لديها القدرة على تغيير خصائصها بمرور الوقت.
إن معلمات المشابك العصبية المحددة بشكل صحيح هي التي تجعل من الممكن الحصول على النتيجة الصحيحة لتحويل بيانات الإدخال إلى الإخراج.
بعد أن قمنا بتعريف ماهية الشبكة العصبية بشكل عام، يمكننا تحديد الأنواع الرئيسية لتصنيفها. قبل الشروع في التصنيف، من الضروري تقديم توضيح واحد. تحتوي كل شبكة على طبقة أولى من الخلايا العصبية، تسمى طبقة الإدخال.
وهي لا تقوم بأي حسابات أو تحويلات؛ فمهمتها هي شيء واحد فقط: استقبال وتوزيع إشارات الإدخال إلى الخلايا العصبية الأخرى. هذه هي الطبقة الوحيدة المشتركة بين جميع أنواع الشبكات العصبية؛ وبنيتها الإضافية هي معيار التقسيم الرئيسي.
اعتمادًا على اتجاه توزيع المعلومات عبر نقاط الاشتباك العصبي من خلية عصبية إلى أخرى، يمكن أيضًا تصنيف الشبكات إلى فئتين.
هذه ليست الخيارات الوحيدة لتصنيف الشبكات.
يمكن تقسيمها إلى متجانسة وهجينة بناءً على أنواع الخلايا العصبية التي تشكل الشبكة. وأيضًا ترابطي متغاير أو ترابطي ذاتي، اعتمادًا على طريقة التدريب الشبكي، مع أو بدون معلم. يمكنك أيضًا تصنيف الشبكات وفقًا للغرض منها.
تُستخدم الشبكات العصبية لحل مجموعة متنوعة من المشكلات. إذا نظرنا إلى المهام حسب درجة التعقيد، فإن برنامج الكمبيوتر العادي مناسب لحل أبسط المهام، وأكثر من ذلك
المشكلات المعقدة التي تتطلب تنبؤًا بسيطًا أو حلًا تقريبيًا للمعادلات، يتم استخدام البرامج التي تستخدم الأساليب الإحصائية.
لكن المهام ذات المستوى الأكثر تعقيدًا تتطلب نهجًا مختلفًا تمامًا. ينطبق هذا بشكل خاص على التعرف على الأنماط أو التعرف على الكلام أو التنبؤ المعقد. وفي رأس الإنسان، تحدث مثل هذه العمليات دون وعي، أي أنه أثناء التعرف على الصور وتذكرها، لا يكون الإنسان على علم بكيفية حدوث هذه العملية، وبالتالي لا يستطيع التحكم فيها.
تساعد الشبكات العصبية في حل هذه المشكلات بالتحديد، أي أنها تم إنشاؤها لتنفيذ عمليات تكون خوارزمياتها غير معروفة.
وبالتالي، يتم استخدام الشبكات العصبية على نطاق واسع في المجالات التالية:
إن إمكانيات الشبكات العصبية تجعلها تحظى بشعبية كبيرة. ويمكن تعليمهم أشياء كثيرة، مثل ممارسة الألعاب، والتعرف على صوت معين، وما إلى ذلك. انطلاقا من أن الشبكات الاصطناعية مبنية على مبدأ الشبكات البيولوجية، فإنه يمكن تعليم جميع العمليات التي يقوم بها الإنسان دون وعي.
إذن ما هي الخلية العصبية من حيث الشبكات العصبية الاصطناعية؟ يشير هذا المفهوم إلى الوحدة التي تقوم بإجراء العمليات الحسابية. يتلقى المعلومات من طبقة الإدخال للشبكة، ويقوم بإجراء حسابات بسيطة بها، ويغذيها إلى الخلية العصبية التالية.
تحتوي الشبكة على ثلاثة أنواع من الخلايا العصبية: المدخلات والمخفية والمخرجات. علاوة على ذلك، إذا كانت الشبكة أحادية الطبقة، فهي لا تحتوي على خلايا عصبية مخفية. بالإضافة إلى ذلك، هناك مجموعة متنوعة من الوحدات تسمى الخلايا العصبية الإزاحة والخلايا العصبية السياقية.
تحتوي كل خلية عصبية على نوعين من البيانات: الإدخال والإخراج. في هذه الحالة، تكون بيانات الإدخال للطبقة الأولى مساوية لبيانات الإخراج. وفي حالات أخرى، يتلقى مدخلات الخلايا العصبية المعلومات الإجمالية للطبقات السابقة، ثم يمر بعملية تطبيع، أي أن جميع القيم التي تقع خارج النطاق المطلوب يتم تحويلها بواسطة وظيفة التنشيط.
كما ذكر أعلاه، المشبك العصبي هو اتصال بين الخلايا العصبية، ولكل منها درجة وزنها الخاصة. وبفضل هذه الميزة تتغير معلومات الإدخال أثناء عملية الإرسال. أثناء المعالجة، ستكون المعلومات المنقولة عن طريق المشبك ذات الوزن الكبير هي المهيمنة.
اتضح أن النتيجة لا تتأثر بالخلايا العصبية، ولكن بالمشابك العصبية التي تعطي مجموعة معينة من الأوزان لبيانات الإدخال، لأن الخلايا العصبية نفسها تؤدي نفس الحسابات تمامًا في كل مرة.
في هذه الحالة، يتم تعيين الأوزان بترتيب عشوائي.
لتخيل مبدأ تشغيل الشبكة العصبية، لا توجد مهارات خاصة مطلوبة. تتلقى طبقة الإدخال من الخلايا العصبية معلومات معينة. يتم نقله من خلال المشابك العصبية إلى الطبقة التالية، حيث يكون لكل مشبك عصبي معامل الوزن الخاص به، ويمكن أن تحتوي كل خلية عصبية لاحقة على عدة نقاط اشتباك عصبي واردة.
ونتيجة لذلك، فإن المعلومات التي تتلقاها الخلية العصبية التالية هي مجموع كل البيانات، مضروبة في معامل الوزن الخاص بها. يتم استبدال القيمة الناتجة في وظيفة التنشيط ويتم الحصول على معلومات الإخراج، والتي يتم إرسالها بشكل أكبر حتى تصل إلى الإخراج النهائي. الإطلاق الأول للشبكة لا يعطي النتائج الصحيحة، حيث أن الشبكة لم يتم تدريبها بعد.
يتم استخدام وظيفة التنشيط لتطبيع بيانات الإدخال. هناك العديد من هذه الوظائف، ولكن هناك العديد من الوظائف الرئيسية الأكثر استخدامًا. الفرق الرئيسي بينهما هو نطاق القيم التي يعملون فيها.
من أجل تزويد الشبكة بالبيانات التي ستعمل بها، هناك حاجة إلى مجموعات التدريب.
التكامل هو عداد يزداد مع كل مجموعة تدريبية.العصر هو مؤشر لتدريب الشبكة العصبية، ويزداد هذا المؤشر في كل مرة تمر فيها الشبكة بدورة مجموعة كاملة من مجموعات التدريب.
وفقا لذلك، من أجل تدريب الشبكة بشكل صحيح، تحتاج إلى إجراء مجموعات، وزيادة مؤشر العصر باستمرار.
سيتم تحديد الأخطاء أثناء التدريب. هذا هو الفرق في النسبة المئوية بين النتيجة التي تم الحصول عليها والنتيجة المرجوة. يجب أن ينخفض هذا المؤشر مع زيادة مؤشر العصر، وإلا فسيكون هناك خطأ في المطور في مكان ما.
يوجد في الشبكات العصبية نوع آخر من الخلايا العصبية - خلية عصبية إزاحة. وهو يختلف عن النوع الرئيسي من الخلايا العصبية في أن مدخلاته ومخرجاته تساوي واحدًا على أي حال. علاوة على ذلك، فإن مثل هذه الخلايا العصبية لا تحتوي على نقاط اشتباك عصبي مدخلات.
ترتيب هذه الخلايا العصبية يحدث واحدًا لكل طبقة وليس أكثر، ولا يمكنها التشابك مع بعضها البعض. ليس من المستحسن وضع مثل هذه الخلايا العصبية على طبقة الإخراج.
ما هي الحاجة ل؟ هناك مواقف لا تستطيع فيها الشبكة العصبية ببساطة إيجاد الحل الصحيح لأن النقطة المطلوبة ستكون بعيدة المنال. وهذا هو بالضبط سبب الحاجة إلى مثل هذه الخلايا العصبية لتكون قادرة على تغيير منطقة التعريف.
أي أن وزن المشبك العصبي يغير انحناء الرسم البياني للوظيفة، بينما تسمح خلية الإزاحة العصبية بالتحول على طول محور الإحداثيات X، بحيث يمكن للشبكة العصبية التقاط منطقة لا يمكن الوصول إليها دون تحول. في هذه الحالة، يمكن إجراء التحول إلى اليمين وإلى اليسار. عادة لا يتم وضع علامة على الخلايا العصبية التحولية بشكل تخطيطي، ويتم أخذ وزنها في الاعتبار بشكل افتراضي عند حساب قيمة الإدخال.
أيضًا، ستسمح لك الخلايا العصبية الإزاحة بالحصول على نتيجة في الحالة عندما تنتج جميع الخلايا العصبية الأخرى 0 كمعلمة إخراج. في هذه الحالة، بغض النظر عن وزن المشبك، سيتم نقل هذه القيمة بالضبط إلى كل طبقة لاحقة.
سيسمح لك وجود خلية عصبية إزاحة بتصحيح الوضع والحصول على نتيجة مختلفة. يتم تحديد جدوى استخدام الخلايا العصبية الإزاحة عن طريق اختبار الشبكة بها وبدونها ومقارنة النتائج.
ولكن من المهم أن نتذكر أنه لتحقيق النتائج لا يكفي إنشاء شبكة عصبية. كما أنها تحتاج إلى التدريب، الأمر الذي يتطلب أيضًا أساليب خاصة ولها خوارزميات خاصة بها. من الصعب أن يسمى هذه العملية بسيطة، لأن تنفيذها يتطلب معرفة وجهد معين.
الخوارزميات، التعلم الآليمرحبًا بك في الجزء الثاني من البرنامج التعليمي للشبكات العصبية. أود أن أعتذر فورًا لكل من كان ينتظر الجزء الثاني مبكرًا. لأسباب معينة اضطررت إلى تأجيل كتابته. في الواقع، لم أكن أتوقع أن المقال الأول سيكون له مثل هذا الطلب وأن الكثير من الناس سيكونون مهتمين بهذا الموضوع. مع الأخذ في الاعتبار تعليقاتك، سأحاول تزويدك بأكبر قدر ممكن من المعلومات مع إبقائها واضحة قدر الإمكان في نفس الوقت. في هذه المقالة، سأتحدث عن طرق تعليم/تدريب الشبكات العصبية (على وجه الخصوص، طريقة الانتشار العكسي) وإذا، لسبب ما، لم تقرأ الجزء الأول بعد، أوصي بشدة بالبدء به. أثناء كتابة هذا المقال، أردت أيضًا أن أتحدث عن أنواع أخرى من الشبكات العصبية وطرق التدريب، ولكن عندما بدأت الكتابة عنها، أدركت أن هذا يتعارض مع أسلوبي في العرض. أتفهم أنك حريص على الحصول على أكبر قدر ممكن من المعلومات، ومع ذلك، فإن هذه المواضيع واسعة جدًا وتتطلب تحليلًا مفصلاً، وهدفي الرئيسي ليس كتابة مقال آخر بشرح سطحي، ولكن أن أنقل إليك كل جانب من جوانب الموضوع الموضوع وجعل المقال سهل الفهم قدر الإمكان. أسارع إلى إزعاج أولئك الذين يحبون "البرمجة"، لأنني ما زلت لن ألجأ إلى استخدام لغة البرمجة وسأشرح كل شيء "على أصابعي". يكفي مقدمة، فلنواصل الآن دراسة الشبكات العصبية.
من دورة الرياضيات المدرسية، نعلم أنه إذا أخذنا الدالة y = ax+b وقمنا بتغيير قيم "a" فيها، فإن ميل الدالة سيتغير (ألوان الخطوط على الرسم البياني على اليسار)، وإذا قمنا بتغيير "b"، فسننقل الدالة إلى اليمين أو اليسار (ألوان الخطوط على الرسم البياني على اليمين). لذا فإن "a" هو وزن H1، و"b" هو وزن الخلية العصبية المتحيزة B1. هذا مثال تقريبي، ولكن هذه هي الطريقة التي يعمل بها (إذا نظرت إلى وظيفة التنشيط على اليمين في الصورة، ستلاحظ تشابهًا قويًا جدًا بين الصيغ). أي أنه عندما نقوم أثناء التدريب بضبط أوزان الخلايا العصبية المخفية والمخرجة، فإننا نغير ميل وظيفة التنشيط. ومع ذلك، فإن ضبط وزن الخلايا العصبية المتحيزة يمكن أن يمنحنا الفرصة لتحويل وظيفة التنشيط على طول المحور X والتقاط مناطق جديدة. بمعنى آخر، إذا كانت النقطة المسؤولة عن الحل موجودة كما هو موضح في الرسم البياني الموجود على اليسار، فلن تتمكن شبكتك العصبية أبدًا من حل المشكلة دون استخدام الخلايا العصبية المتحيزة. لذلك، نادرًا ما ترى شبكات عصبية بدون خلايا عصبية متحيزة.
كما تساعد الخلايا العصبية الإزاحة في الحالة التي تتلقى فيها جميع الخلايا العصبية المدخلة 0 كمدخل وبغض النظر عن أوزانها، فسوف تمر جميعها 0 إلى الطبقة التالية، ولكن ليس في حالة وجود خلية عصبية الإزاحة. يعد وجود أو عدم وجود الخلايا العصبية المتحيزة بمثابة معلمة مفرطة (سنتحدث عن ذلك لاحقًا). باختصار، يجب أن تقرر بنفسك ما إذا كنت بحاجة إلى استخدام الخلايا العصبية المتحيزة أم لا عن طريق تشغيل NN مع أو بدون الخلايا العصبية المتحيزة ومقارنة النتائج.
مهمانتبه إلى أنه في بعض الأحيان لا يتم الإشارة إلى الخلايا العصبية الإزاحة في المخططات، ولكن يتم أخذ أوزانها في الاعتبار عند حساب قيمة الإدخال، على سبيل المثال:
الإدخال = H1*w1+H2*w2+b3
b3 = التحيز*w3
وبما أن ناتجها يساوي دائمًا 1، فيمكننا ببساطة أن نتخيل أن لدينا مشبكًا عصبيًا إضافيًا له وزن ونضيف هذا الوزن إلى المجموع دون ذكر الخلية العصبية نفسها.
إذن ما هو هذا التدرج؟ التدرج هو المتجه الذي يحدد درجة انحدار المنحدر ويشير إلى اتجاهه بالنسبة لأي نقطة على السطح أو الرسم البياني. للعثور على التدرج، عليك أن تأخذ مشتق الرسم البياني عند نقطة معينة (كما هو موضح في الرسم البياني). التحرك في اتجاه هذا التدرج، سوف ننزلق بسلاسة إلى الوادي. الآن تخيل أن الخطأ هو المتزلج، والرسم البياني للدالة هو الجبل. وعليه، إذا كان الخطأ 100%، فالمتزلج يكون في أعلى قمة الجبل، وإذا كان الخطأ 0%، فهو في الأسفل. مثل كل المتزلجين، يسعى الخطأ إلى النزول في أسرع وقت ممكن وتقليل قيمته. وفي النهاية يجب أن نحصل على النتيجة التالية:
كما خمنت على الأرجح، ستمنح حقيبة الظهر هذه المتزلج التسارع اللازم للتغلب على التل الذي يبقينا في الحد الأدنى المحلي، ولكن هناك واحد ولكن هنا. لنتخيل أننا قمنا بتعيين قيمة معينة لمعلمة اللحظة وتمكنا بسهولة من التغلب على جميع الحدود الدنيا المحلية والوصول إلى الحد الأدنى العالمي. نظرًا لأننا لا نستطيع ببساطة إيقاف تشغيل jetpack، فيمكننا تخطي الحد الأدنى العالمي إذا كان لا يزال هناك انخفاضات بالقرب منه. في الحالة النهائية، هذا ليس مهمًا جدًا، لأننا سنعود عاجلاً أم آجلاً إلى الحد الأدنى العالمي، لكن يجدر بنا أن نتذكر أنه كلما زادت اللحظة، زاد النطاق الذي سيتزلج به المتزلج في الأراضي المنخفضة. إلى جانب اللحظة، تستخدم طريقة الانتشار العكسي أيضًا معلمة مثل معدل التعلم. كما يعتقد الكثيرون، كلما زادت سرعة التعلم، كلما قمنا بتدريب الشبكة العصبية بشكل أسرع. لا. يعد معدل التعلم، وكذلك عزم الدوران، بمثابة معلمة مفرطة - وهي قيمة يتم تحديدها من خلال التجربة والخطأ. يمكن أن ترتبط سرعة التعلم ارتباطًا مباشرًا بسرعة المتزلج، ويمكننا أن نقول بكل ثقة أنه كلما ذهبت لمسافة أبعد، كلما أصبحت أكثر هدوءًا. ومع ذلك، هناك أيضًا جوانب معينة هنا، لأنه إذا لم نمنح المتزلج أي سرعة على الإطلاق، فلن يذهب إلى أي مكان على الإطلاق، وإذا أعطيناه سرعة منخفضة، فيمكن أن يمتد وقت السفر لفترة طويلة جدًا ، فترة زمنية طويلة جدًا. ماذا يحدث إذن إذا أعطينا الكثير من السرعة؟
والآن لنكمل من حيث توقفنا عن الحسابات في المقالة السابقة.
بيانات المهمة من المقالة السابقة
H1input = 1*0.45+0*-0.12=0.45
H1output = السيني (0.45) = 0.61
H2input = 1*0.78+0*0.13=0.78
H2output = السيني (0.78) = 0.69
O1input = 0.61*1.5+0.69*-2.3=-0.672
O1output = السيني (-0.672) = 0.33
O1ideal = 1 (0xor1=1)
الخطأ = ((1-0.33)^2)/1=0.45
النتيجة - 0.33، الخطأ - 45٪.
حل
إخراج O1 = 0.33
O1المثالي = 1
الخطأ = 0.45
O1 = (1 - 0.33) * ((1 - 0.33) * 0.33) = 0.148
حل
الناتج H1 = 0.61
ث5 = 1.5
؟O1 = 0.148
H1 = ((1 - 0.61) * 0.61) * (1.5 * 0.148) = 0.053
حل
الناتج H1 = 0.61
؟O1 = 0.148
GRADw5 = 0.61 * 0.148 = 0.09
نرى هنا ثوابتين تحدثنا عنهما بالفعل عندما نظرنا إلى خوارزمية النسب المتدرج: E (epsilon) - معدل التعلم،؟ (ألفا) - لحظة. بترجمة الصيغة إلى كلمات، نحصل على: التغير في وزن المشبك يساوي معامل معدل التعلم مضروبًا في تدرج هذا الوزن، أضف اللحظة مضروبة في التغيير السابق في هذا الوزن (في التكرار الأول يكون 0). في هذه الحالة، دعونا نحسب التغير في الوزن w5 ونقوم بتحديث قيمته بإضافة ?w5 إليه.
حل
ه = 0.7
? = 0.3
ث5 = 1.5
GRADw5 = 0.09
?w5(i-1) = 0
W5 = 0.7 * 0.09 + 0 * 0.3 = 0.063
w5 = w5 + ?w5 = 1.563
حل
إخراج H2 = 0.69
w6 = -2.3
؟O1 = 0.148
ه = 0.7
? = 0.3
?w6(i-1) = 0
H2 = ((1 - 0.69) * 0.69) * (-2.3 * 0.148) = -0.07
GRADw6 = 0.69 * 0.148 = 0.1
W6 = 0.7 * 0.1 + 0 * 0.3 = 0.07
W6 = w6 + ؟w6 = -2.2
حل
w1 = 0.45، ?w1(i-1) = 0
w2 = 0.78، ?w2(i-1) = 0
w3 = -0.12، ?w3(i-1) = 0
w4 = 0.13، ?w4(i-1) = 0
?H1 = 0.053
?H2 = -0.07
ه = 0.7
? = 0.3
GRADw1 = 1 * 0.053 = 0.053
GRADw2 = 1 * -0.07 = -0.07
GRADw3 = 0 * 0.053 = 0
GRADw4 = 0 * -0.07 = 0
W1 = 0.7 * 0.053 + 0 * 0.3 = 0.04
?w2 = 0.7 * -0.07 + 0 * 0.3 = -0.05
?w3 = 0.7 * 0 + 0 * 0.3 = 0
?w4 = 0.7 * 0 + 0 * 0.3 = 0
W1 = w1 + ?w1 = 0.5
w2 = w2 + ?w2 = 0.73
w3 = w3 + ?w3 = -0.12
w4 = w4 + ؟w4 = 0.13
حل
أنا1 = 1
أنا2 = 0
ث1 = 0.5
ث2 = 0.73
ث3 = -0.12
ث4 = 0.13
ث5 = 1.563
w6 = -2.2
H1input = 1 * 0.5 + 0 * -0.12 = 0.5
H1output = السيني (0.5) = 0.62
H2input = 1 * 0.73 + 0 * 0.124 = 0.73
H2output = السيني (0.73) = 0.675
O1input = 0.62* 1.563 + 0.675 * -2.2 = -0.51
O1output = السيني (-0.51) = 0.37
O1ideal = 1 (0xor1=1)
خطأ = ((1-0.37)^2)/1=0.39
النتيجة - 0.37، الخطأ - 39٪.
التدريب المدروس- هذا هو نوع التدريب المتأصل في مشاكل مثل الانحدار والتصنيف (استخدمناه في المثال المذكور أعلاه). وبعبارة أخرى، هنا أنت تعمل كمعلم وNS كطالب. أنت تقدم بيانات الإدخال والنتيجة المرجوة، أي أن الطالب، بالنظر إلى بيانات الإدخال، سيفهم أنه يحتاج إلى السعي لتحقيق النتيجة التي قدمتها له.
تعليم غير مشرف عليه- هذا النوع من التدريب لا يتكرر كثيرًا. لا يوجد معلم هنا، وبالتالي فإن الشبكة لا تحصل على النتيجة المرجوة أو أن عددهم قليل جداً. في الأساس، هذا النوع من التدريب متأصل في الشبكات العصبية التي تتمثل مهمتها في تجميع البيانات وفقًا لمعلمات معينة. لنفترض أنك قدمت 10000 مقالة عن حبري وبعد تحليل كل هذه المقالات، ستكون الجمعية الوطنية قادرة على توزيعها إلى فئات تعتمد، على سبيل المثال، على الكلمات المتكررة. مقالات تتحدث عن لغات البرمجة، والبرمجة، وحيث توجد كلمات مثل Photoshop، والتصميم.
هناك أيضًا طريقة مثيرة للاهتمام مثل تعزيز التعلم(تعزيز التعلم). تستحق هذه الطريقة مقالة منفصلة، لكنني سأحاول وصف جوهرها بإيجاز. تكون هذه الطريقة قابلة للتطبيق عندما نتمكن، بناءً على النتائج الواردة من الجمعية الوطنية، من تقييمها. على سبيل المثال، نريد تعليم NS كيفية لعب PAC-MAN، وفي كل مرة تسجل NS الكثير من النقاط، سنقوم بتشجيعها. بمعنى آخر، نعطي للجمعية الوطنية الحق في إيجاد أي طريقة لتحقيق الهدف، طالما أنها تعطي نتيجة جيدة. وبهذه الطريقة تبدأ الشبكة في فهم ما يريدون تحقيقه منها وتحاول إيجاد أفضل طريقة لتحقيق هذا الهدف دون توفير البيانات من "المعلم" بشكل مستمر.
يمكن أيضًا إجراء التدريب باستخدام ثلاث طرق: الطريقة العشوائية، وطريقة الدفعات، وطريقة الدفعات الصغيرة. هناك العديد من المقالات والدراسات حول الطريقة الأفضل ولا يستطيع أحد التوصل إلى إجابة عامة. أنا من مؤيدي الطريقة العشوائية، لكني لا أنكر أن كل طريقة لها إيجابيات وسلبيات.
باختصار عن كل طريقة:
العشوائية(يُطلق عليها أيضًا أحيانًا عبر الإنترنت) تعمل الطريقة وفقًا للمبدأ التالي - تم العثور عليه، قم بتحديث الوزن المقابل على الفور.
طريقة الدفعةإنه يعمل بشكل مختلف. نحن نجمع وزن جميع الأوزان في التكرار الحالي ثم نقوم بعد ذلك فقط بتحديث جميع الأوزان باستخدام هذا المجموع. ومن أهم مزايا هذا الأسلوب هو التوفير الكبير في وقت الحساب، ولكن الدقة في هذه الحالة يمكن أن تتأثر بشكل كبير.
طريقة الدفعة الصغيرةهو وسيلة ذهبية ويحاول الجمع بين مزايا كلتا الطريقتين. المبدأ هنا هو: نقوم بتوزيع الأوزان بحرية إلى مجموعات وتغيير أوزانها بمجموع جميع الأوزان في مجموعة معينة.
الذكاء الاصطناعي، والشبكات العصبية، والتعلم الآلي - ماذا تعني كل هذه المفاهيم الشائعة حاليًا؟ بالنسبة لمعظم الأشخاص غير المبتدئين، وأنا نفسي، كانوا دائمًا يبدون وكأنهم شيء رائع، ولكن في الواقع يكمن جوهرهم على السطح. لطالما راودتني فكرة الكتابة بلغة بسيطة عن الشبكات العصبية الاصطناعية. اكتشف بنفسك وأخبر الآخرين ما هي هذه التكنولوجيا وكيف تعمل، وفكر في تاريخها وآفاقها. في هذه المقالة، حاولت عدم الدخول في الأعشاب الضارة، ولكن ببساطة وشعبية للحديث عن هذا الاتجاه الواعد في عالم التكنولوجيا العالية.
الذكاء الاصطناعي، والشبكات العصبية، والتعلم الآلي - ماذا تعني كل هذه المفاهيم الشائعة حاليًا؟ بالنسبة لمعظم الأشخاص غير المبتدئين، وأنا نفسي، كانوا دائمًا يبدون وكأنهم شيء رائع، ولكن في الواقع يكمن جوهرهم على السطح. لطالما راودتني فكرة الكتابة بلغة بسيطة عن الشبكات العصبية الاصطناعية. اكتشف بنفسك وأخبر الآخرين ما هي هذه التكنولوجيا وكيف تعمل، وفكر في تاريخها وآفاقها. في هذه المقالة، حاولت عدم الدخول في الأعشاب الضارة، ولكن ببساطة وشعبية للحديث عن هذا الاتجاه الواعد في عالم التكنولوجيا العالية.
لأول مرة، ظهر مفهوم الشبكات العصبية الاصطناعية (ANN) في محاولة لمحاكاة عمليات الدماغ. يمكن اعتبار أول اختراق كبير في هذا المجال هو إنشاء نموذج الشبكة العصبية ماكولوتش-بيتس في عام 1943. طور العلماء نموذجًا لخلية عصبية اصطناعية لأول مرة. كما اقترحوا تصميم شبكة من هذه العناصر للقيام بعمليات منطقية. ولكن الأهم من ذلك هو أن العلماء أثبتوا أن مثل هذه الشبكة قادرة على التعلم.
كانت الخطوة المهمة التالية هي تطوير دونالد هب للخوارزمية الأولى لحساب ANN في عام 1949، والتي أصبحت أساسية لعدة عقود لاحقة. في عام 1958، طور فرانك روزنبلات البارسبترون، وهو نظام يحاكي عمليات الدماغ. في وقت ما، لم يكن لهذه التكنولوجيا نظائرها، ولا تزال أساسية في الشبكات العصبية. في عام 1986، في وقت واحد تقريبًا، وبشكل مستقل عن بعضهم البعض، قام العلماء الأمريكيون والسوفيات بتحسين الطريقة الأساسية لتدريب الإدراك الحسي متعدد الطبقات بشكل كبير. في عام 2007، شهدت الشبكات العصبية ولادة جديدة. قام عالم الكمبيوتر البريطاني جيفري هينتون لأول مرة بتطوير خوارزمية التعلم العميق للشبكات العصبية متعددة الطبقات، والتي تُستخدم الآن، على سبيل المثال، لتشغيل السيارات ذاتية القيادة.
بالمعنى العام للكلمة، الشبكات العصبية هي نماذج رياضية تعمل على مبدأ شبكات الخلايا العصبية في الكائن الحيواني. يمكن تنفيذ ANNs في كل من الحلول القابلة للبرمجة والأجهزة. لتسهيل فهم الأمور، يمكن اعتبار الخلية العصبية خلية بها العديد من فتحات الإدخال وفتحة إخراج واحدة. يتم تحديد كيفية تشكيل الإشارات الواردة المتعددة في إشارة خرج بواسطة خوارزمية الحساب. يتم توفير القيم الفعالة لكل مدخلات الخلايا العصبية، والتي يتم بعد ذلك توزيعها على طول اتصالات interneuron (ملخصات). تحتوي المشابك العصبية على معلمة واحدة - الوزن، والتي تتغير بسببها معلومات الإدخال عند الانتقال من خلية عصبية إلى أخرى. أسهل طريقة لتخيل مبدأ تشغيل الشبكات العصبية هي مزج الألوان. الخلايا العصبية الزرقاء والخضراء والحمراء لها أوزان مختلفة. معلومات الخلية العصبية ذات الوزن الأكبر ستكون هي المهيمنة في الخلية العصبية التالية.
الشبكة العصبية نفسها عبارة عن نظام يتكون من العديد من هذه الخلايا العصبية (المعالجات). بشكل فردي، تكون هذه المعالجات بسيطة جدًا (أبسط بكثير من معالج الكمبيوتر الشخصي)، ولكن عند توصيلها بنظام أكبر، تكون الخلايا العصبية قادرة على أداء مهام معقدة للغاية.
اعتمادًا على مجال التطبيق، يمكن تفسير الشبكة العصبية بطرق مختلفة، على سبيل المثال، من وجهة نظر التعلم الآلي، تعد ANN طريقة للتعرف على الأنماط. من وجهة نظر رياضية، هذه مشكلة متعددة المعلمات. من وجهة نظر علم التحكم الآلي - نموذج للتحكم التكيفي في الروبوتات. بالنسبة للذكاء الاصطناعي، تعد ANN مكونًا أساسيًا لنمذجة الذكاء الطبيعي باستخدام الخوارزميات الحسابية.
الميزة الرئيسية للشبكات العصبية على خوارزميات الحوسبة التقليدية هي قدرتها على التعلم. بالمعنى العام للكلمة، يتعلق التعلم بإيجاد معاملات الاقتران الصحيحة بين الخلايا العصبية، بالإضافة إلى تلخيص البيانات وتحديد التبعيات المعقدة بين إشارات الإدخال والإخراج. في الواقع، التدريب الناجح للشبكة العصبية يعني أن النظام سيكون قادرًا على تحديد النتيجة الصحيحة بناءً على البيانات غير الموجودة في مجموعة التدريب.
ومهما كانت هذه التكنولوجيا واعدة، فإن الشبكات العصبية الاصطناعية لا تزال بعيدة جدًا عن قدرات العقل البشري والتفكير. ومع ذلك، يتم استخدام الشبكات العصبية بالفعل في العديد من مجالات النشاط البشري. حتى الآن، فإنهم غير قادرين على اتخاذ قرارات ذكية للغاية، لكنهم قادرون على استبدال الشخص حيث كان مطلوبا في السابق. من بين المجالات العديدة لتطبيق ANN، يمكننا أن نلاحظ: إنشاء أنظمة عمليات الإنتاج ذاتية التعلم، والمركبات غير المأهولة، وأنظمة التعرف على الصور، وأنظمة الأمان الذكية، والروبوتات، وأنظمة مراقبة الجودة، وواجهات التفاعل الصوتي، وأنظمة التحليلات، وغير ذلك الكثير. هذا الاستخدام الواسع النطاق للشبكات العصبية يرجع، من بين أمور أخرى، إلى ظهور طرق مختلفة لتسريع تدريب ANN.
اليوم، سوق الشبكات العصبية ضخم - مليارات ومليارات الدولارات. كما تظهر الممارسة، فإن معظم تقنيات الشبكات العصبية في جميع أنحاء العالم تختلف قليلاً عن بعضها البعض. ومع ذلك، فإن استخدام الشبكات العصبية يعد نشاطًا مكلفًا للغاية، وفي معظم الحالات لا يمكن تحمله إلا من قبل الشركات الكبيرة. يتطلب تطوير الشبكات العصبية وتدريبها واختبارها قوة حاسوبية كبيرة، ومن الواضح أن اللاعبين الكبار في سوق تكنولوجيا المعلومات لديهم الكثير من هذه القوة. ومن بين الشركات الرئيسية الرائدة في مجال التطوير في هذا المجال قسم Google DeepMind، وقسم أبحاث Microsoft، وIBM، وFacebook، وBaidu.
بالطبع، كل هذا جيد: الشبكات العصبية تتطور، والسوق ينمو، ولكن حتى الآن لم يتم حل المشكلة الرئيسية. لقد فشلت البشرية في إنشاء تقنية تقترب حتى من قدرات الدماغ البشري. دعونا نلقي نظرة على الاختلافات الرئيسية بين الدماغ البشري والشبكات العصبية الاصطناعية.
الفرق الأكثر أهمية، الذي يغير بشكل جذري مبدأ وكفاءة النظام، هو اختلاف نقل الإشارات في الشبكات العصبية الاصطناعية وفي الشبكة البيولوجية للخلايا العصبية. والحقيقة هي أنه في ANN، تنقل الخلايا العصبية القيم التي هي قيم حقيقية، أي أرقام. في الدماغ البشري، تنتقل النبضات بسعة ثابتة، وتكون هذه النبضات لحظية تقريبًا. وهذا يؤدي إلى عدد من المزايا لشبكة الخلايا العصبية البشرية.
أولاً، تعتبر خطوط الاتصال في الدماغ أكثر كفاءة واقتصادية من تلك الموجودة في الشبكة العصبية الاصطناعية. ثانيا، تضمن دائرة النبض سهولة تنفيذ التكنولوجيا: يكفي استخدام الدوائر التناظرية بدلا من آليات الحوسبة المعقدة. وفي نهاية المطاف، فإن الشبكات النبضية محصنة ضد التداخل الصوتي. الأعداد الحقيقية معرضة للضوضاء، مما يزيد من احتمالية حدوث الأخطاء.
وبطبيعة الحال، في العقد الماضي كان هناك طفرة حقيقية في تطوير الشبكات العصبية. ويرجع ذلك في المقام الأول إلى حقيقة أن عملية تدريب ANN أصبحت أسرع وأسهل بكثير. كما بدأ التطوير النشط لما يسمى بالشبكات العصبية "المدربة مسبقًا"، والتي يمكن أن تسرع بشكل كبير عملية إدخال التكنولوجيا. وإذا كان من السابق لأوانه القول ما إذا كانت الشبكات العصبية ستكون قادرة في يوم من الأيام على إعادة إنتاج قدرات الدماغ البشري بالكامل، فإن احتمال أن تتمكن الشبكات العصبية الاصطناعية في العقد المقبل من استبدال البشر في ربع المهن الحالية أصبح صحيحًا بشكل متزايد. .