شبكة عصبية (NN)

الشبكة العصبية (NN) هي نموذج حسابي مستوحى من بنية ووظيفة الدماغ البشري. وهي تشكل العمود الفقري لمعظم نماذج التعلم العميق (DL) وهي مفهوم أساسي في الذكاء الاصطناعي (AI) الحديث. تم تصميم الشبكات العصبية للتعرف على الأنماط في البيانات عن طريق معالجة المعلومات من خلال طبقات مترابطة من العقد، أو "الخلايا العصبية". يسمح لها هذا الهيكل بالتعلم من كميات هائلة من البيانات، مما يجعلها قوية بشكل لا يصدق للمهام المعقدة مثل التعرف على الصور و معالجة اللغة الطبيعية (NLP).

كيف تعمل الشبكات العصبية؟

تتكون الشبكة العصبية من ثلاثة أنواع رئيسية من الطبقات: طبقة الإدخال وطبقة مخفية واحدة أو أكثر وطبقة الإخراج. تحتوي كل طبقة على خلايا عصبية متصلة بالخلايا العصبية في الطبقة اللاحقة.

1. طبقة الإدخال: تستقبل هذه الطبقة البيانات الأولية، مثل وحدات البكسل في الصورة أو الكلمات في الجملة.
2. الطبقات المخفية: هذه هي الطبقات الوسيطة بين المدخلات والمخرجات. هذا هو المكان الذي تحدث فيه معظم العمليات الحسابية. تطبق كل خلية عصبية تحويلًا رياضيًا على مدخلاتها، والذي يتضمن تعلم أوزان النموذج و دالة التنشيط مثل ReLU أو Sigmoid لتحديد إخراجها. تُعرف الشبكات التي تحتوي على طبقات مخفية متعددة باسم الشبكات العصبية "العميقة".
3. طبقة الإخراج: تنتج هذه الطبقة النهائية النتيجة، مثل تسمية التصنيف أو القيمة المتوقعة.

تتضمن عملية التعلم، المعروفة باسم التدريب، تزويد الشبكة بمجموعات بيانات كبيرة. تقوم الشبكة بعمل تنبؤ، وتقارنه بالنتيجة الفعلية، وتحسب خطأ باستخدام دالة الخسارة. ثم تستخدم خوارزمية تسمى الانتشار الخلفي لضبط أوزان اتصالاتها لتقليل هذا الخطأ على مدار العديد من التكرارات، أو الحقب (epochs). يتم توجيه هذه العملية بواسطة خوارزمية تحسين مثل Adam.

الشبكات العصبية مقابل المفاهيم ذات الصلة

من المهم التمييز بين الشبكات العصبية (NNs) والمصطلحات الأخرى ذات الصلة:

• التعلم الآلي مقابل الشبكات العصبية: التعلم الآلي (ML) هو مجال واسع من الذكاء الاصطناعي، والشبكات العصبية هي مجرد نوع واحد من نماذج التعلم الآلي. تشمل نماذج التعلم الآلي الأخرى أشجار القرار و آلات المتجهات الداعمة (SVMs)، والتي لا تستخدم بنية الخلايا العصبية ذات الطبقات.
• التعلم العميق مقابل الشبكات العصبية: التعلم العميق هو حقل فرعي من التعلم الآلي يستخدم على وجه التحديد الشبكات العصبية العميقة - الشبكات العصبية ذات الطبقات المخفية العديدة. لذلك، تستند جميع أنظمة التعلم العميق إلى الشبكات العصبية، ولكن قد لا تعتبر الشبكة العصبية البسيطة ذات الطبقة المخفية الواحدة فقط "عميقة".

أنواع وتطبيقات الشبكات العصبية

تعتبر الشبكات العصبية متعددة الاستخدامات بشكل لا يصدق وقد تم تكييفها في العديد من التصميمات المعمارية المتخصصة. فيما يلي مثالان رئيسيان:

1. الرؤية الحاسوبية (CV): الشبكات العصبونية الالتفافية (CNNs) هي القوة المهيمنة في الرؤية الحاسوبية.

   • اكتشاف الكائنات: تستخدم نماذج مثل Ultralytics YOLO11 الشبكات العصبونية الالتفافية (CNNs) لتحديد مواقع الكائنات داخل الصورة باستخدام مربعات محيطة. يعتبر هذا الأمر بالغ الأهمية لتطبيقات مثل الذكاء الاصطناعي في السيارات ذاتية القيادة و إدارة المخزون المدعومة بالذكاء الاصطناعي.
   • تجزئة الصور (Image Segmentation): يمكن للشبكات العصبونية (NNs) تصنيف كل بكسل في الصورة لتمكين فهم تفصيلي للمشهد لمهام مثل تحليل الصور الطبية (medical image analysis). يمكنك استكشاف مهام التجزئة مع وثائق Ultralytics.

2. معالجة اللغة الطبيعية (NLP): أحدثت الشبكات العصبية (NNs)، بما في ذلك الشبكات العصبية المتكررة (RNNs) و المحولات (Transformers)، ثورة في طريقة معالجة الآلات للغة.

   • الترجمة الآلية: تعتمد خدمات مثل ترجمة جوجل على شبكات عصبية معقدة لترجمة النصوص بين اللغات تلقائيًا بدقة ملحوظة.
   • تحليل المشاعر (Sentiment Analysis): تستخدم الشركات الشبكات العصبونية (NNs) لتحليل مراجعات العملاء وتعليقات وسائل التواصل الاجتماعي لتحديد النبرة العاطفية (إيجابية أو سلبية أو محايدة)، كما هو موضح في هذه النظرة العامة لتحليل المشاعر بواسطة IBM.

الأدوات والأطر

أصبحت عملية تطوير الشبكات العصبونية (NNs) في المتناول بفضل الأدوات والأطر القوية.

• المكتبات: توفر أطر العمل مثل PyTorch و TensorFlow اللبنات الأساسية لإنشاء وتدريب الشبكات العصبية (NNs). يمكنك معرفة المزيد في المواقع الرسمية لـ PyTorch و TensorFlow.
• المنصات: يوفر Ultralytics HUB نظامًا أساسيًا متكاملًا لتدريب نماذج YOLO وإدارة مجموعات البيانات وتبسيط عملية نشر النموذج.
• نماذج مُدرَّبة مسبقًا: يبدأ العديد من الباحثين والمطورين بنماذج مُدرَّبة مسبقًا متوفرة من مراكز مثل Hugging Face أو داخل نظام Ultralytics البيئي. غالبًا ما تتطلب هذه النماذج فقط ضبطًا دقيقًا على مجموعة بيانات معينة، مما يوفر وقتًا وموارد حسابية كبيرة. يمكنك العثور على مقارنات بين نماذج YOLO المختلفة في وثائقنا.