اكتشف قوة الشبكات العصبية - وهي مفتاح ابتكارات الذكاء الاصطناعي والتعلم الآلي مثل الرؤية الحاسوبية والبرمجة اللغوية العصبية وابتكارات التعلم العميق.
الشبكات العصبية (NNs)، والتي غالباً ما تسمى الشبكات العصبية الاصطناعية (ANNs)، هي نماذج حسابية مستوحاة من البنية والوظيفة المعقدة للدماغ البشري. وهي تشكل حجر الزاوية للذكاء الاصطناعي الحديث (AI) والتعلم الآلي (ML)، وهي مصممة في المقام الأول للتعرف على الأنماط المعقدة داخل البيانات. تعمل هذه الشبكات على تشغيل العديد من الأنظمة الذكية التي نتفاعل معها يومياً، بدءاً من أدوات التعرف على الصور المتطورة إلى خدمات الترجمة اللغوية المتقدمة، وهي أساسية في مجالات مثل الرؤية الحاسوبية (CV) ومعالجة اللغات الطبيعية (NLP).
تتكون الشبكة العصبية من طبقات من العقد المترابطة أو الخلايا العصبية. وتتضمن هذه الطبقات عادةً طبقة مدخلات تستقبل البيانات الأولية (مثل قيم البكسل في صورة أو كلمات في جملة)، وطبقة مخفية واحدة أو أكثر تعالج البيانات من خلال العمليات الحسابية، وطبقة مخرجات تنتج النتيجة النهائية، مثل تسمية التصنيف أو القيمة المتوقعة. يحمل كل اتصال بين الخلايا العصبية "وزنًا"، وهي قيمة عددية تشير إلى أهمية الاتصال في حسابات الشبكة.
تقوم الخلايا العصبية بمعالجة مدخلاتها المجمعة باستخدام دالة تنشيط، مثل ReLU أو Sigmoid، والتي تحدد إشارة الخرج التي تمررها إلى الطبقة التالية. "تتعلم" الشبكة من خلال تعديل هذه الأوزان أثناء عملية التدريب، وعادةً ما يتم ذلك باستخدام أمثلة مصنفة في بيئة تعلم خاضعة للإشراف. تُستخدم خوارزميات مثل خوارزمية النسب المتدرج وخوارزمية الترحيل العكسي بشكل شائع لتعديل الأوزان بشكل متكرر لتقليل دالة الخسارة، والتي تقيس الفرق بين تنبؤات الشبكة والقيم المستهدفة الفعلية. غالبًا ما يتطلب التدريب الفعال للنموذج ضبطًا دقيقًا للمعامل الفائق والاستراتيجيات الموضحة في أدلة مثل نصائح تدريب النموذج.
النماذج التي تستخدم التعلّم العميق (DL) هي في الأساس شبكات غير آلية ذات طبقات مخفية متعددة (ومن هنا جاءت كلمة "عميق"). يسمح لها هذا العمق بتعلم الأنماط المعقدة للغاية والميزات الهرمية من مجموعات البيانات الكبيرة، مما يجعلها فعالة بشكل استثنائي في مهام مثل اكتشاف الكائنات وتجزئة النماذج. على عكس نماذج التعلم الآلي الأبسط مثل الانحدار الخطي أو آلات دعم المتجهات (SVM) التي قد تتطلب هندسة الميزات يدويًا، تتفوق الشبكات العصبية في إجراء استخراج الميزات تلقائيًا من البيانات الأولية غير المنظمة مثل الصور والنصوص.
في حين أن الهيكل الأساسي الموصوف أعلاه ينطبق بشكل عام، توجد العديد من بنيات الشبكات العصبية المتخصصة:
وتختلف الشبكات العصبية العصبية اختلافًا كبيرًا عن الخوارزميات التقليدية مثل خوارزميات أشجار القرار أو خوارزمية "ك-أقرب جيران" (KNN)، والتي تعمل على مبادئ مختلفة وغالبًا ما تكون أقل ملاءمة للبيانات المعقدة عالية الأبعاد مثل الصور دون معالجة مسبقة واسعة النطاق.
الشبكات العصبية متعددة الاستخدامات بشكل لا يصدق وقد تم تطبيقها في العديد من المجالات. وفيما يلي مثالان رئيسيان:
الرؤية الحاسوبية (CV): تُعد الشبكات العصبية الشبكية، وخاصةً الشبكات الشبكية ذات الشبكة العنكبوتية، القوة الدافعة وراء التطورات الرئيسية في السيرة الذاتية. وهي تُستخدم في:
معالجة اللغة الطبيعية (NLP): أحدثت الشبكات العصبية غير الشبكية، بما في ذلك الشبكات الشبكية العصبية القابلة للتحويل (RNNs) والمحولات، ثورة في كيفية فهم الآلات للغة البشرية وتوليدها. وتشمل التطبيقات ما يلي:
يتم تسهيل تطوير الشبكات العصبية ونشرها من خلال العديد من أدوات وأطر التعلم العميق القوية:
يعد فهم الشبكات العصبية أمرًا بالغ الأهمية لأي شخص يعمل في مجال الذكاء الاصطناعي أو التعلم الآلي، حيث إنها تشكل الأساس للعديد من الحلول المتطورة في مختلف الصناعات، من الذكاء الاصطناعي في مجال الرعاية الصحية إلى الذكاء الاصطناعي في الزراعة.
