fr

مقدمة في التعلم العميق Deep learning

Publié le 16 mars 2020 par @Marwen

Consultée 1332 fois

Partagez cet article avec vos amis

AI-ML-DL-infra.jpg
التعلم العميق Deep learning هو فرع من أفرع التعلم الآلي يعتمد بالكامل على الشبكات العصبونية، حيث أن الشبكة العصبونية ستحاكي الدماغ البشري، لذا فإن التعلم العميق هو أيضًا نوع من أنواع محاكاة العقل البشري.

في التعلم العميق لسنا بحاجة إلى برمجة كل شيء بشكل صريح، ومفهومه ليس جديدًا بل وجد في تسعينات القرن الماضي ولكن اتسعت استخداماته بشكل كبير في عام 2015، وذلك بسبب ضخامة البيانات التي يتم التعامل معها.

في الدماغ البشري ما يقرب من 100 مليار خلية عصبية معًا، والسؤال هنا هو كيف يمكننا إعادة إنشاء هذه الخلايا في جهاز الكمبيوتر؟

الجواب هو: نقوم بإنشاء بنية اصطناعية تسمى شبكة عصبية اصطناعية فيها العقد أو الخلايا العصبية، حيث يوجد بعض الخلايا العصبية مخصصة لقيمة المدخلات والبعض الآخر لقيمة المخرجات، وفي ما بينها قد يكون هناك الكثير من الخلايا العصبية مترابطة في الطبقة المخفية.

 

ما هو التعلم العميق

الفرق بين التعلم العميق Deep learning والتعلم الآلي Machine learning

الفرق الأول: التعلم الآلي يعمل على كمية محدودة وقليلة من البيانات أما التعلم العميق فيعمل على كمية كبيرة من البيانات.

الفرق الثاني: التعلم الآلي يقسم المهمة إلى مهام فرعية ويحللها بشكل منفرد ويجمع النتائج في النهاية، بينما التعلم العميق لا يقوم بذلك.

الفرق الثالث: التعلم الآلي يستعرق وقتًا أقل في التدريب، التعلم العميق يستغرق وقتًا أكبر في التدريب.

الفرق الرابع: التعلم الآلي يستغرق وقتًا أكبر في الاختبار، أما التعلم العميق فيستغرق وقتًا أقل في الاختبار.

بنى التعلم العميق Deep learning

Deep Neural Network: هي شبكة عصبية ذات مستوى معين من التعقيد (لها طبقات مخفية متعددة بين طبقات المدخلات والمخرجات)، فهي قادرة على نمذجة ومعالجة العلاقات غير الخطية.

(Deep Belief Network (DBN: إنها فئة من الشبكات العصبية العميقة متعددة الطبقات.

آلية العمل:

  1.  نحتاج إلى تحديد المشكلة الفعلية وفهمها جيدًا من أجل الحصول على الحل الصحيح، كما يجب التحقق من جدوى التعلم العميق (سواء كان يجب أن يتناسب مع التعلم العميق أم لا).
  2.  نحتاج إلى تحديد البيانات ذات الصلة التي يجب أن تتوافق مع المشكلة الفعلية ويجب إعدادها وفقًا لذلك.
  3.  اختيار خوارزمية التعلم العميق المناسبة.
  4.  يجب استخدام الخوارزمية أثناء تدريب مجموعة البيانات.
  5.  يجب أن يتم الاختبار النهائي على مجموعة البيانات.

أشهر الأدوات المستخدمة:

يوجد العديد من الأدوات، ولكن أشهرها:

  • Anaconda.
  • Jupyter.
  • Pycharm.

اللغات المستخدمة:

أيضاً يوجد العديد من اللغات المستخدمة للتعلم العميق، إلا أن أشهرها:

  • R.
  • Python.
  • Matlab.
  • ++C.
  • Java.
  • Julia.
  • Lisp.
  • Java Script.

مزايا التعلم العميق Deep learning:

  • أفضل أداء من فئته في حل المشكلات.
  • يقلل من الحاجة إلى الميزة الهندسية.
  • يزيل التكاليف غير الضرورية.
  • يحدد العيوب التي يصعب اكتشافها بسهولة.

سلبيات التعلم العميق Deep learning:

  • كمية كبيرة من البيانات المطلوبة.
  • مكلفة حسابيًا بالنسبة للتدريب.
  • لا أساس نظري قوي.

التطبيقات العملية التي استخدمت التعلم العميق Deep learning:

يوجد كم لا يحصى من استخدامات التعلم العمبق، وخاصة بعد الكم الهائل من البيانات التي يتم التعامل معها، وهنا سنذكر بعض الأمثلة لاستخداماتها:

إنشاء النص التلقائي:  تعلم كيفية تكوين نصوص حرفًا بعد حرف، كلمةً بعد كلمة، جملةً بعد جملة استنادًا على تدريبه على نصوص سابقة، عدا معرفته بعلامات الترقيم أو وضع علامات استفهام وغيرها.

الرعاية الصحية: يساعد في تشخيص الأمراض المختلفة وعلاجها.

الترجمة الآلية التلقائية: يتم تحويل بعض الكلمات أو الجمل أو العبارات في لغة ما إلى لغات أخرى (يحقق التعليم العميق النتائج العليا في مجالات النص والصور).

التعرف على الصور: يتعرف على الأشخاص والكائنات في الصور ويحددهم.

توقع الزلازل: يعلم الكمبيوتر أداء حسابات اللزوجة التي تستخدم في التنبؤ بالزلازل.


Avez vous aimé cet article? Partagez-le avec vos amis maintenant

RESTEZ CONNECTÉS !

Mina7 apps

Choisissez votre destination d'études


Choisissez le pays que vous souhaitez le visiter pour étudier gratuitement, travailler ou faire du bénévolat

Articles similaires


Articles intéressants