الشبكة العصبية (NN) هي نموذج حسابي مستوحى من شبكة الخلايا العصبية المترابطة في الدماغ البشري. هذه الشبكات مصممة للتعرف على الأنماط والعلاقات داخل البيانات، مما يمكّنها من التعلم من الأمثلة واتخاذ تنبؤات أو قرارات. تُعد الشبكات العصبية مكوناً أساسياً في التعلم العميق، وقد أحدثت ثورة في مجالات مختلفة، بما في ذلك الرؤية الحاسوبية ومعالجة اللغات الطبيعية وغيرها الكثير. وهي تتفوق في المهام التي تنطوي على بيانات معقدة وغير منظمة، مما يجعلها لا تقدر بثمن لحل المشاكل التي يصعب أو يستحيل معالجتها بأساليب البرمجة التقليدية.
بنية الشبكة العصبية
تتألف الشبكات العصبية من طبقات من العقد المترابطة، أو "الخلايا العصبية"، منظمة في بنية محددة. تتكون الشبكة العصبية النموذجية من:
- طبقة الإدخال: تستقبل هذه الطبقة البيانات الأولية، والتي يمكن أن تكون صورًا أو نصوصًا أو أي شكل آخر من أشكال الإدخال. تمثل كل خلية عصبية في طبقة الإدخال سمة من سمات البيانات.
- الطبقات المخفية: تعالج هذه الطبقات بيانات المدخلات من خلال وصلات مرجحة. تطبق كل خلية عصبية في الطبقة المخفية دالة تنشيط على المجموع المرجح لمدخلاتها، مما يؤدي إلى إدخال لا خطية تسمح للشبكة بتعلم أنماط معقدة. يمكن أن يكون للشبكات العصبية طبقات مخفية متعددة، مع وجود شبكات أعمق قادرة على تعلم تمثيلات أكثر تعقيدًا.
- طبقة الإخراج: تنتج هذه الطبقة الخرج النهائي للشبكة، مثل تسمية التصنيف أو القيمة المتوقعة. ويعتمد عدد الخلايا العصبية في طبقة الخرج على المهمة المحددة التي صُممت الشبكة لأدائها.
كيف تتعلم الشبكات العصبية
تتعلم الشبكات العصبية من خلال عملية تسمى التدريب، حيث تقوم بتعديل أوزان التوصيلات بين الخلايا العصبية بناءً على بيانات المدخلات والمخرجات المطلوبة. تتضمن هذه العملية:
- الانتشار الأمامي: يتم تمرير بيانات الإدخال عبر الشبكة، طبقة تلو الأخرى، حتى تصل إلى طبقة الخرج. تطبق كل خلية عصبية دالة التفعيل الخاصة بها على المجموع الموزون لمدخلاتها، مما ينتج عنه خرج يتم تمريره إلى الطبقة التالية.
- دالة الخسارة: تتم مقارنة مخرجات الشبكة بالمخرجات المطلوبة باستخدام دالة الخسارة، والتي تقيس الخطأ أو التباين بين القيم المتوقعة والقيم الفعلية.
- التكاثر العكسي: يتم نشر الخطأ مرة أخرى عبر الشبكة، ويتم تعديل الأوزان لتقليل الخسارة. وتستخدم هذه العملية خوارزميات التحسين مثل نزول التدرج أو آدم لتحديث الأوزان بشكل متكرر. تعرف على المزيد حول الترحيل العكسي.
- الحقب: تتكرر عملية التدريب لعدة حقب، حيث تتضمن كل حقبة تمرير مجموعة بيانات التدريب بالكامل عبر الشبكة. تستمر الشبكة في التعلم وتحسين أدائها مع كل حقبة. تعرف على المزيد حول الحقب الزمنية.
أنواع الشبكات العصبية
تم تصميم عدة أنواع من الشبكات العصبية لمهام محددة:
- الشبكات العصبية التلافيفية (CNNs): متخصصة لمعالجة البيانات الشبيهة بالشبكات، مثل الصور. تستخدم الشبكات العصبية التلافيفية (CNNs) طبقات تلافيفية للكشف عن الأنماط المحلية وتستخدم على نطاق واسع في تطبيقات الرؤية الحاسوبية. تعرف على المزيد حول الشبكات العصبية التلافيفية.
- الشبكات العصبية المتكررة (RNNs): مصممة لمعالجة البيانات المتسلسلة، مثل النصوص أو السلاسل الزمنية. تحتوي شبكات RNNs على وصلات تغذية مرتجعة تسمح لها بالحفاظ على "ذاكرة" للمدخلات السابقة، مما يجعلها مناسبة لمهام مثل نمذجة اللغة والترجمة الآلية. تعرف على المزيد حول شبكات RNNs.
- شبكات الخصومة التوليدية (GANs): تتكون من شبكتين، مولّد ومميّز، يتم تدريبهما معًا في بيئة تنافسية. تُستخدم شبكات الخصومة التوليدية لتوليد حالات بيانات جديدة تشبه بيانات التدريب، مع تطبيقات في توليد الصور ونقل النمط وزيادة البيانات. تعرف على المزيد حول شبكات GAN.
التطبيقات الواقعية
للشبكات العصبية مجموعة واسعة من التطبيقات في مختلف الصناعات:
- الرعاية الصحية: تُستخدم الشبكات العصبية في تحليل الصور الطبية، مثل الكشف عن الأورام في فحوصات الدماغ، والتنبؤ بنتائج المرضى، والمساعدة في اكتشاف الأدوية. اكتشف كيف يُحدث الذكاء الاصطناعي تحولاً في مجال الأشعة.
- المركبات ذاتية القيادة: تعتمد السيارات ذاتية القيادة على الشبكات العصبية لمعالجة البيانات من مختلف أجهزة الاستشعار، مما يمكّنها من إدراك بيئتها واتخاذ القرارات والتنقل بأمان. تعرف على المزيد حول الذكاء الاصطناعي البصري في القيادة الذاتية.
- التمويل: يتم استخدام الشبكات العصبية للكشف عن الاحتيال والتداول الخوارزمي وتقييم المخاطر وأتمتة خدمة العملاء.
- البيع بالتجزئة: تشمل التطبيقات التوصيات الشخصية وإدارة المخزون وتحليل سلوك العملاء.
العلاقة بالمفاهيم الأخرى
الشبكات العصبية هي مجموعة فرعية من التعلّم الآلي ومكوّن رئيسي للتعلّم العميق. وبينما يشمل التعلّم الآلي مجموعة واسعة من الخوارزميات والتقنيات، يشير التعلّم العميق تحديداً إلى استخدام الشبكات العصبية العميقة ذات الطبقات المخفية المتعددة. وتختلف الشبكات العصبية عن خوارزميات التعلّم الآلي الأخرى، مثل آلات ناقلات الدعم (SVMs) أو أشجار القرار، في قدرتها على تعلّم التمثيلات الهرمية للبيانات والتعامل مع العلاقات المعقدة وغير الخطية.
لمزيد من الرؤى حول كيفية تشكيل الشبكات العصبية لمختلف الصناعات واستكشاف نماذج الذكاء الاصطناعي المتقدمة مثل Ultralytics YOLO ، قم بزيارة مدونةUltralytics . يمكنك أيضًا معرفة المزيد حول تدريب النماذج ونشرها من خلال Ultralytics HUB.
