شبكة عصبية (NN)

الشبكة العصبية (NN) هي نموذج حسابي يتكون من عقد مترابطة تعالج المعلومات عن طريق محاكاة البنية البيولوجية للدماغ البشري. وباعتبارها حجر الزاوية في الذكاء الاصطناعي الحديث، هذه الشبكات هذه الشبكات قادرة على التعلم من البيانات للتعرف على الأنماط classify المعلومات والتنبؤ بالنتائج. في حين أن هي مجموعة فرعية من التعلم الآلي (ML), تتميّز الشبكات العصبية بقدرتها على نمذجة العلاقات المعقدة وغير الخطية، مما يجعلها المحرك وراء التقنيات المتطورة مثل المحرك وراء التقنيات المتطورة مثل الذكاء الاصطناعي التوليدي والأنظمة المستقلة. يمكنك قراءة المزيد عن الإلهام البيولوجي في هذه نظرة عامة عن الشبكات العصبية من شركة IBM.

بنية الشبكة العصبية

تتكون بنية الشبكة العصبية من طبقات من العقد، وغالباً ما يشار إليها باسم الخلايا العصبية الاصطناعية. تعمل هذه تسهل تدفق البيانات من المدخلات إلى المخرجات من خلال سلسلة من التحويلات الرياضية.

• طبقة الإدخال: هذه هي نقطة الدخول حيث تتلقى الشبكة البيانات الأولية بيانات التدريب، مثل قيم البكسل من الصورة أو ميزات رقمية من مجموعة بيانات.
• الطبقات المخفية: تقع هذه الطبقات بين المدخلات والمخرجات، وتؤدي هذه الطبقات الجزء الأكبر من العملية الحسابية. تطبق كل خلية عصبية في الطبقة المخفية نموذج الأوزان والتحيزات على المدخلات التي تتلقاها. لتقرير ما إذا كان يجب على الخلية العصبية "إطلاق" أو تمرير إشارة إلى الأمام، فإن دالة تنشيط - مثل ريلو أو سيغمويد-يتمتطبيقها.
• طبقة الإخراج: تُنتج الطبقة الأخيرة تنبؤات الشبكة، مثل تسمية التصنيف (على سبيل المثال، "قطة" مقابل "كلب") أو قيمة مستمرة.

لكي "تتعلم"، تستخدم الشبكة عملية تسمى تدريب النموذج. أثناء التدريب، تقارن الشبكة تنبؤاتها تنبؤاتها بالإجابات الصحيحة الفعلية باستخدام دالة خسارة. ثم تقوم خوارزمية تُعرف باسم بالانتشار العكسي ثم تحسب تدرج الخطأ, وخوارزمية تحسين مثل التدرج العشوائي المنحدر العشوائي (SGD) أو Adam تقوم بتعديل الأوزان لتقليل الأخطاء على مدى عدة متعددة.

الشبكات العصبية مقابل التعلّم العميق

من الشائع الخلط بين الشبكات العصبية و التعلم العميق (DL). يكمن الفرق الأساسي في التعقيد والعمق. قد تحتوي الشبكة العصبية "الضحلة" على طبقة أو طبقتين مخفيتين فقط. في المقابل، فإن التعلّم العميق يتضمن التعلم العميق شبكات عصبية "عميقة" ذات طبقات مخفية عديدة، مما يسمح للنموذج بتعلم التسلسل الهرمي التسلسل الهرمي تلقائيًا. للتعمق أكثر في هذا التمييز، استكشف هذا شرح التعلم العميق هذا من قبل أخبار معهد ماساتشوستس للتكنولوجيا. من الناحية العملية، جميع نماذج التعلّم العميق هي شبكات عصبونية، ولكن ليست كل الشبكات العصبية مؤهلة للتعلّم العميق.

تطبيقات واقعية

تدفع الشبكات العصبية الابتكار في جميع الصناعات تقريبًا من خلال أتمتة المهام التي كانت تتطلب في السابق ذكاءً بشريًا الذكاء البشري.

1. الرؤية الحاسوبية: في مجال الرؤية الحاسوبية (CV)، الشبكات المتخصصة تسمى الشبكات العصبية التلافيفية (CNNs) لتحليل البيانات المرئية. على سبيل المثال Ultralytics YOLO11 يستخدم بنية CNN العميقة من أجل للكشف عن الكائنات في الوقت الحقيقي، مما يتيح تطبيقات تتراوح بين الذكاء الاصطناعي في الزراعة لمراقبة المحاصيل إلى ميزات السلامة في المركبات ذاتية القيادة.
2. معالجة اللغات الطبيعية: بالنسبة للمهام التي تتضمن النص والكلام، فإن البنى مثل الشبكات العصبية المتكررة (RNNs) و المحولات هي السائدة. تعمل هذه الشبكات على تشغيل خدمات الترجمة الآلية وروبوتات الدردشة الآلية من خلال فهم السياق والتسلسل. يمكنك أن ترى كيف تؤثر هذه النماذج على الصناعات في هذا مقال عن الذكاء الاصطناعي في مجال الرعاية الصحية، حيث تساعد في تدوين الملاحظات الطبية وتحليل سجلات المرضى.

مثال على التنفيذ

تسهّل الأطر الحديثة نشر الشبكات العصبية. توضّح شيفرة Python التالية كيفية تحميل شبكة عصبية مُدرّبة مسبقًا (تحديدًا YOLO11) وتشغيل الاستدلال على صورة باستخدام ultralytics الحزمة.

from ultralytics import YOLO

# Load a pretrained YOLO11 neural network model
model = YOLO("yolo11n.pt")

# Run inference on an image to detect objects
# The model processes the image through its layers to predict bounding boxes
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

الأدوات والنظام البيئي

يتطلب بناء الشبكات العصبية مكتبات برمجيات قوية. PyTorch و TensorFlow هما الإطاران الأكثر شيوعًا مفتوحا المصدر المفتوح المصدر، حيث يقدمان دعمًا واسعًا لتصميم البنى المخصصة واستخدام تسريعGPU لتدريب أسرع. بالنسبة لأولئك الذين يبحثون عن تجربة مبسطة، توفر منصةUltralytics (التي ستُطلق بالكامل في 2026) بيئة شاملة لإدارة مجموعات البيانات, ونماذج التدريب مثل YOLO11 والتعامل مع النشر. لفهم الأجهزة التي تشغل هذه الشبكات، راجع دليلNVIDIA لحوسبة GPU .