الشبكات العصبية^{(Neural Networks)} والتعلم العميق^{(Deep Learning)} هما الكلمتان الطنانة اللتان يتم استخدامهما في الوقت الحاضر مع الذكاء الاصطناعي^{(Artificial Intelligence)} . يمكن أن تُعزى التطورات الأخيرة في عالم الذكاء الاصطناعي إلى هذين الاثنين لأنهما لعبتا دورًا مهمًا في تحسين ذكاء الذكاء الاصطناعي.

انظر حولك ، وستجد المزيد والمزيد من الآلات الذكية حولك. بفضل الشبكات العصبية^{(Neural Networks)} والتعلم العميق^{(Deep Learning)} ، يتم الآن تنفيذ الوظائف والقدرات التي كانت تعتبر في السابق قوة للبشر بواسطة الآلات. اليوم ، لم تعد الآلات تصنع لتتناول خوارزميات أكثر تعقيدًا ، ولكن بدلاً من ذلك ، يتم تغذيتها لتتطور إلى نظام مستقل ذاتي التدريس قادر على إحداث ثورة في العديد من الصناعات في كل مكان.

حققت الشبكات العصبية^{(Neural Networks)} والتعلم العميق^{(Deep Learning )} نجاحًا هائلاً للباحثين في مهام مثل التعرف على الصور والتعرف على الكلام وإيجاد علاقات أعمق في مجموعات البيانات. بمساعدة توفر كميات هائلة من البيانات والقدرة الحسابية ، يمكن للآلات التعرف على الأشياء وترجمة الكلام وتدريب نفسها على تحديد الأنماط المعقدة وتعلم كيفية وضع الاستراتيجيات ووضع خطط للطوارئ في الوقت الفعلي.

إذن ، كيف يعمل هذا بالضبط؟ هل تعلم أن كلاً من الشبكات ^(Networks)المحايدة^(Neutral) والتعلم العميق مرتبطان^{(Deep-Learning)} ، في الواقع ، لفهم التعلم العميق^(Deep) ، يجب عليك أولاً فهم الشبكات العصبية^{(Neural Networks)} ؟ تابع القراءة لمعرفة المزيد.

ما هي الشبكة العصبية

الشبكة العصبية^(Neural) هي في الأساس نمط برمجة أو مجموعة من الخوارزميات التي تمكن الكمبيوتر من التعلم من بيانات المراقبة. تشبه الشبكة العصبية دماغ الإنسان ، والذي يعمل من خلال التعرف على الأنماط . ^(Neural)يتم تفسير البيانات الحسية باستخدام تصور الآلة أو وضع العلامات أو تجميع المدخلات الأولية. الأنماط التي تم التعرف عليها هي عددية ، محاطة بالمتجهات ، حيث يتم ترجمة البيانات مثل الصور والصوت والنص وما إلى ذلك.

Think Neural Network! Think how a human brain function

كما ذكرنا سابقًا ، تعمل الشبكة العصبية تمامًا مثل الدماغ البشري ؛ يكتسب كل المعرفة من خلال عملية التعلم. بعد ذلك ، تخزن الأوزان المشبكية المعرفة المكتسبة. أثناء عملية التعلم ، يتم إصلاح الأوزان المشبكية للشبكة لتحقيق الهدف المنشود.

تمامًا مثل الدماغ البشري ، تعمل الشبكات العصبية^{(Neural Networks)} مثل أنظمة معالجة المعلومات المتوازية غير الخطية التي تؤدي عمليات حسابية بسرعة مثل التعرف على الأنماط والإدراك. نتيجة لذلك ، تعمل هذه الشبكات بشكل جيد جدًا في مجالات مثل التعرف على الكلام والصوت والصورة حيث تكون المدخلات / الإشارات بطبيعتها غير خطية.

بكلمات بسيطة ، يمكنك تذكر الشبكة العصبية كشيء قادر على تخزين المعرفة مثل الدماغ البشري واستخدامها لعمل تنبؤات.^{(In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.)}

هيكل الشبكات العصبية

(حقوق الصورة: Mathworks)

تتكون الشبكات^(Networks) العصبية من ثلاث طبقات ،

1. طبقة الإدخال ،
2. الطبقة المخفية و
3. طبقة الإخراج.

تتكون كل طبقة من عقدة واحدة أو أكثر ، كما هو موضح في الرسم البياني أدناه بواسطة دوائر صغيرة. تشير الخطوط الموجودة بين العقد إلى تدفق المعلومات من عقدة إلى أخرى. تتدفق المعلومات من المدخلات إلى المخرجات ، أي من اليسار إلى اليمين (في بعض الحالات قد تكون من اليمين إلى اليسار أو في كلا الاتجاهين).

تكون عُقد طبقة الإدخال سلبية ، مما يعني أنها لا تعدل البيانات. يتلقون قيمة واحدة على مدخلاتهم ويكررون القيمة إلى مخرجاتهم المتعددة. حيث أن^(Whereas) عُقد الطبقة المخفية والمخرجة نشطة. وبالتالي يمكنهم تعديل البيانات.

في بنية مترابطة ، يتم تكرار كل قيمة من طبقة الإدخال وإرسالها إلى جميع العقد المخفية. يتم ضرب القيم التي تدخل عقدة مخفية في الأوزان ، وهي مجموعة من الأرقام المحددة مسبقًا المخزنة في البرنامج. ثم تضاف المدخلات الموزونة لإنتاج رقم واحد. يمكن أن تحتوي الشبكات العصبية على أي عدد من الطبقات وأي عدد من العقد لكل طبقة. تستخدم معظم التطبيقات بنية ثلاثية الطبقات بحد أقصى بضع مئات من عقد الإدخال

مثال على الشبكة العصبية^{(Example of Neural Network)}

ضع في اعتبارك شبكة عصبية تتعرف على الكائنات في إشارة السونار ، وهناك 5000 عينة إشارة مخزنة في الكمبيوتر. يجب على الكمبيوتر الشخصي معرفة ما إذا كانت هذه العينات تمثل غواصة أم حوتًا أم جبل جليدي أم صخور البحر أم لا شيء على الإطلاق؟ ستتعامل طرق DSP^{(Conventional DSP)} التقليدية مع هذه المشكلة بالرياضيات والخوارزميات ، مثل الارتباط وتحليل الطيف الترددي.

أثناء وجود شبكة عصبية ، سيتم تغذية 5000 عينة إلى طبقة الإدخال ، مما يؤدي إلى ظهور قيم من طبقة الإخراج. من خلال تحديد الأوزان المناسبة ، يمكن تكوين الإخراج للإبلاغ عن مجموعة واسعة من المعلومات. على سبيل المثال ، قد تكون هناك مخرجات لـ: الغواصة (نعم / لا) ، صخرة البحر (نعم / لا) ، الحوت (نعم / لا) ، إلخ.

مع الأوزان الأخرى ، يمكن للمخرجات تصنيف الأشياء على أنها معدنية أو غير معدنية ، بيولوجية أو غير بيولوجية ، عدو أو حليف ، إلخ. لا توجد خوارزميات ، ولا قواعد ، ولا إجراءات ؛ فقط علاقة بين المدخلات والمخرجات التي تمليها قيم الأوزان المختارة.

الآن ، دعونا نفهم مفهوم التعلم العميق.^{(Now, let’s understand the concept of Deep Learning.)}

ما هو التعلم العميق

التعلم العميق هو في الأساس مجموعة فرعية من الشبكات العصبية^{(Neural Networks)} . ربما يمكنك أن تقول شبكة عصبية^{(Neural Network)} معقدة بها العديد من الطبقات المخفية.

من الناحية الفنية ، يمكن أيضًا تعريف التعلم العميق^(Deep) على أنه مجموعة قوية من التقنيات للتعلم في الشبكات العصبية. يشير إلى الشبكات العصبية الاصطناعية ( ANN ) التي تتكون من طبقات عديدة ومجموعات بيانات ضخمة وأجهزة كمبيوتر قوية لجعل نموذج التدريب المعقد ممكنًا. يحتوي على فئة من الأساليب والتقنيات التي تستخدم الشبكات العصبية الاصطناعية مع طبقات متعددة من الوظائف الأكثر ثراءً بشكل متزايد.

هيكل شبكة التعلم العميق^{(Structure of Deep learning network)}

تستخدم شبكات التعلم العميق^(Deep) في الغالب بنيات الشبكات العصبية ، وبالتالي يشار إليها غالبًا باسم الشبكات العصبية العميقة. يشير استخدام العمل "العميق" إلى عدد الطبقات المخفية في الشبكة العصبية. تحتوي الشبكة العصبية التقليدية على ثلاث طبقات مخفية ، بينما يمكن أن تحتوي الشبكات العميقة على ما يصل إلى 120 إلى 150.

^(Deep) يتضمن التعلم ^(Learning)العميق تغذية نظام الكمبيوتر بالكثير من البيانات ، والتي يمكن استخدامها لاتخاذ قرارات بشأن البيانات الأخرى. يتم تغذية هذه البيانات من خلال الشبكات العصبية ، كما هو الحال في التعلم الآلي. يمكن لشبكات التعلم العميق تعلم الميزات مباشرة من البيانات دون الحاجة إلى استخراج الميزات يدويًا.^(Deep)

أمثلة على التعلم العميق^{(Examples of Deep Learning)}

يتم استخدام التعلم العميق حاليًا في كل صناعة تقريبًا بدءًا من السيارات ^(Automobile)والفضاء^(Aerospace) والأتمتة إلى الطب ^(Automation). ^(Medical)فيما يلي بعض الأمثلة.

• Google و Netflix و Amazon : تستخدمها Google في خوارزميات التعرف على الصوت والصورة. تستخدم Netflix^(Netflix) و Amazon أيضًا التعلم العميق لتحديد ما تريد مشاهدته أو شرائه بعد ذلك
• القيادة بدون سائق: يستخدم الباحثون شبكات التعلم العميق لاكتشاف الأشياء تلقائيًا مثل إشارات التوقف وإشارات المرور. يستخدم التعلم العميق أيضًا لاكتشاف المشاة ، مما يساعد على تقليل الحوادث.^(Deep)
• الفضاء والدفاع: يستخدم التعلم العميق لتحديد الأشياء من الأقمار الصناعية التي تحدد مناطق الاهتمام ، وتحديد المناطق الآمنة أو غير الآمنة للقوات.
• بفضل التعلم العميق^{(Deep Learning)} ، يقوم Facebook تلقائيًا بالعثور على الأصدقاء ووضع علامات عليهم في صورك. يمكن لـ Skype ترجمة الاتصالات المنطوقة في الوقت الفعلي وبدقة كبيرة أيضًا.
• البحث الطبي: يستخدم الباحثون الطبيون التعلم العميق لاكتشاف الخلايا السرطانية تلقائيًا
• الأتمتة الصناعية^{(Industrial Automation)} : يساعد التعلم العميق في تحسين سلامة العمال حول الآلات الثقيلة من خلال الاكتشاف التلقائي عندما يكون الأشخاص أو الأشياء على مسافة غير آمنة من الآلات.
• الإلكترونيات: يتم استخدام التعلم العميق في الترجمة الآلية للسمع والكلام.^(Deep)

قراءة^(Read) : ما هو التعلم الآلي والتعلم العميق^{(Machine Learning and Deep Learning)} ؟

خاتمة^(Conclusion)

مفهوم الشبكات العصبية^{(Neural Networks)} ليس جديدًا ، وقد حقق الباحثون نجاحًا معتدلًا في العقد الماضي أو نحو ذلك. لكن المغير الحقيقي للعبة كان تطور الشبكات العصبية العميقة .^(Deep)

من خلال التفوق على مناهج التعلم الآلي التقليدية ، فقد أظهر أنه يمكن تدريب الشبكات العصبية العميقة وتجربتها ليس فقط من قبل عدد قليل من الباحثين ، ولكن لديها مجال لاعتماده من قبل شركات التكنولوجيا متعددة الجنسيات لتقديم ابتكارات أفضل في المستقبل القريب.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

What is Deep Learning and Neural Network

Neural Networks and Deep Learning are currently the two hot buzzwords that are being used nowadays with Artificial Intelligence. The recent developments in the world of Artificial intelligence can be attributed to these two as they have played a significant role in improving the intelligence of AI.

Look around, and you will find more and more intelligent machines around. Thanks to Neural Networks and Deep Learning, jobs and capabilities that were once considered the forte of humans are now being performed by machines. Today, Machines are no longer made to eat more complex algorithms, but instead, they are fed to develop into an autonomous, self-teaching system capable of revolutionizing many industries all around.

Neural Networks and Deep Learning have lent enormous success to the researchers in tasks such as image recognition, speech recognition, finding deeper relations in a data sets. Aided by the availability of massive amounts of data and computational power, machines can recognize objects, translate speech, train themselves to identify complex patterns, learn how to devise strategies and make contingency plans in real-time.

So, how exactly does this work? Do you know that both Neutral Networks and Deep-Learning related, in fact, to understand Deep learning, you must first understand about Neural Networks? Read on to know more.

What is a Neural Network

A Neural network is basically a programming pattern or a set of algorithms that enables a computer to learn from the observational data. A Neural network is similar to a human brain, which works by recognizing the patterns. The sensory data is interpreted using a machine perception, labeling or clustering raw input. The patterns recognized are numerical, enclosed in vectors, into which the data such are images, sound, text, etc. are translated.

Think Neural Network! Think how a human brain function

As mentioned above, a neural network functions just like a human brain; it acquires all the knowledge through a learning process. After that, synaptic weights store the acquired knowledge. During the learning process, the synaptic weights of the network are reformed to achieve the desired objective.

Just like the human brain, Neural Networks work like non-linear parallel information-processing systems which rapidly perform computations such as pattern recognition and perception. As a result, these networks perform very well in areas like speech, audio and image recognition where the inputs/signals are inherently nonlinear.

In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.

Structure of Neural Networks

(Image Credit: Mathworks)

Neural Networks comprises of three layers,

1. Input layer,
2. Hidden layer, and
3. Output layer.

Each layer consists of one or more nodes, as shown in the below diagram by small circles. The lines between the nodes indicate the flow of information from one node to the next. The information flows from the input to the output, i.e. from left to right (in some cases it may be from right to left or both ways).

The nodes of the input layer are passive, meaning they do not modify the data. They receive a single value on their input and duplicate the value to their multiple outputs. Whereas, the nodes of the hidden and output layer are active. Thus that can they modify the data.

In an interconnected structure, each value from the input layer is duplicated and sent to all of the hidden nodes. The values entering a hidden node are multiplied by weights, a set of predetermined numbers stored in the program. The weighted inputs are then added to produce a single number. Neural networks can have any number of layers, and any number of nodes per layer. Most applications use the three-layer structure with a maximum of a few hundred input nodes

Example of Neural Network

Consider a neural network recognizing objects in a sonar signal, and there are 5000 signal samples stored in the PC. The PC has to figure out if these samples represent a submarine, whale, iceberg, sea rocks, or nothing at all? Conventional DSP methods would approach this problem with mathematics and algorithms, such as correlation and frequency spectrum analysis.

While with a neural network, the 5000 samples would be fed to the input layer, resulting in values popping from the output layer. By selecting the proper weights, the output can be configured to report a wide range of information. For instance, there might be outputs for: submarine (yes/no), sea rock (yes/no), whale (yes/no), etc.

With other weights, the outputs can classify the objects as metal or non-metal, biological or non-biological, enemy or ally, etc. No algorithms, no rules, no procedures; only a relationship between the input and output dictated by the values of the weights selected.

Now, let’s understand the concept of Deep Learning.

What is a Deep Learning

Deep learning is basically a subset of Neural Networks; perhaps you can say a complex Neural Network with many hidden layers in it.

Technically speaking, Deep learning can also be defined as a powerful set of techniques for learning in neural networks. It refers to artificial neural networks (ANN) that are composed of many layers, massive data sets, powerful computer hardware to make complicated training model possible. It contains the class of methods and techniques that employ artificial neural networks with multiple layers of increasingly richer functionality.

Structure of Deep learning network

Deep learning networks mostly use neural network architectures and hence are often referred to as deep neural networks. Use of work “deep” refers to the number of hidden layers in the neural network. A conventional neural network contains three hidden layers, while deep networks can have as many as 120- 150.

Deep Learning involves feeding a computer system a lot of data, which it can use to make decisions about other data. This data is fed through neural networks, as is the case in machine learning. Deep learning networks can learn features directly from the data without the need for manual feature extraction.

Examples of Deep Learning

Deep learning is currently being utilized in almost every industry starting from Automobile, Aerospace, and Automation to Medical. Here are some of the examples.

• Google, Netflix, and Amazon: Google uses it in its voice and image recognition algorithms. Netflix and Amazon also use deep learning to decide what you want to watch or buy next
• Driving without a driver: Researchers are utilizing deep learning networks to automatically detect objects such as stop signs and traffic lights. Deep learning is also used to detect pedestrians, which helps decrease accidents.
• Aerospace and Defense: Deep learning is used to identify objects from satellites that locate areas of interest, and identify safe or unsafe zones for troops.
• Thanks to Deep Learning, Facebook automatically finds and tags friends in your photos. Skype can translate spoken communications in real-time and pretty accurately too.
• Medical Research: Medical researchers are using deep learning to automatically detect cancer cells
• Industrial Automation: Deep learning is helping to improve worker safety around heavy machinery by automatically detecting when people or objects are within an unsafe distance of machines.
• Electronics: Deep learning is being used in automated hearing and speech translation.

Read: What is Machine Learning and Deep Learning?

Conclusion

The concept of Neural Networks is not new, and researchers have met with moderate success in the last decade or so. But the real game-changer has been the evolution of Deep neural networks.

By out-performing the traditional machine learning approaches it has showcased that deep neural networks can be trained and trialed not just by few researchers, but it has the scope to be adopted by multinational technology companies to come with better innovations in the near future.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

Related posts

• SMS Organizer: SMS Application مدعوم من Machine Learning

• ما هي Machine Learning and Deep Learning في Artificial Intelligence

• كيفية تثبيت Drupal باستخدام WAMP على Windows

• Best Software & Hardware Bitcoin Wallets ل Windows، IOS، Android

• Setup Internet Radio Station مجانا على Windows PC

• كيفية تثبيت Windows 95 على ويندوز 10

• كيفية حذف Your LastPass Account

• حدث خطأ أثناء التحقق من التحديثات في VLC

• ما هي بطاقات "رقاقة و PIN" أو EMV Credit

• Best Laptop Backpacks ل Men and Women

• كيفية استخدام Template لإنشاء مستند مع LibreOffice

• مغلق من Plex Server and Server Settings؟ هنا هو الإصلاح!

• ما هي Virtual Credit Cards وكيف وأين تحصل عليها؟

• كيفية حماية كلمة المرور وثائق PDf آمنة مع LibreOffice

• 10 أفضل مصابيح USB LED لأجهزة الكمبيوتر المحمولة

• NASA's Eyes يساعدك على استكشاف Universe مثل Astronauts

• Nine Nostalgic Tech Sounds ربما لم تسمع منذ سنوات

• Disqus comment مربع لا تحميل أو عرض لموقع ويب

• Microsoft Identity Manager: ميزات، Download

• يقدم تطبيق المراسلة الجلسة أمن قوي؛ رقم No phone مطلوب!