يعد موضوع الذكاء الاصطناعي والتعلم الآلي موضوع في غاية الاهمية في عالمنا اليوم نظرا للتطور التكنولوجي الحالي. كل شيء نواجهه اليوم في الانترانت يعمل ضمن خوارزميات التعلم الآلي. إذا كنت تبحث على الإنترنت ، يمكنك ملاحظة عدة تطبيقات لالتعلم الآلي. مثلا ، حصولك على توصيات سواءا في مواقع التجارة الإلكترونية اذا كنت تبحث عن منتج معين. أو توصية لفيديو أو لأغنية على اليوتيوب. أيضا التعرف على تنبؤات سوق الأسهم والمعاملات المصرفية. و ترجمة النصوص والتعرف على الكلام و الكثير من التطبيقات التي لا حصر لها. كل هذه الأشياء مدعومة بطريقة ما بخوارزميات التعلم الآلي. في هذا المقال سنتعرف على واحدة من أهم خورازميات التعلم الآلي الا و هي الشبكات العصبية الاصطناعية Artificial Neural Networks.
ما هي الشبكات العصبية ANN؟
الشبكة العصبية هي عبارة عن خوارزمية من خوارزميات التعلم الآلي التي تحاول محاكاة عمل الخلايا العصبية في الدماغ البشري لغرض التعلم. في البداية ، تظهر النتائج غير دقيقة، وبعد تكرار معين للبيانات ، تعدّل الشبكة نفسها بحيث تزداد دقة النتائج.
بشكل عام يمكننا القول أن كل شبكة عصبية ترتب على شكل طبقات من الخلايا الاصطناعية: طبقة داخلية (طبقة الإدخال) ، طبقة خارجية (طبقة الإخراج) و طبقات بينية (طبقات مخفية) تتواجد بين طبقتي الإدخال الإخراج. كل عصبون في اي طبقة من هذه الطبقات يتصل بكافة العصبونات الموجودة في الطبقة التي تليه وكافة العصبونات في الطبقة التي تسبقه. كل طبقة لها عدد غير محدد من العقد. عدد العقد في طبقة الإدخال يساوي عدد ميزات بيانات الإدخال (عدد المتغيرات). وتتكون الطبقات المخفية من عدد لا محدود من العقد. وتتكون طبقة الإخراج من عقدة واحدة فقط إذا كانت لحل مسائل الانحدار وأكثر من عقدة اذا كانت لتخمين الصور او الترجمة او الصوت او لجل مسائل التصنيفات و هلم جرا. تُعرف الشبكة العصبية التي تحتوي على أكثر من طبقة مخفية باسم الشبكة العصبية العميقة DNN والتعلم يسمى التعلم العميق Deep Learning.
نموذج للشبكة العصبية
وصف عام لآلية عمل العصبون في الشبكة العصبية ANN
يحتوي العصبون neuron في الشبكة العصبية ANN على مدخل واحد أو مدخلات متعددة و لكن مخرج واحد فقط. يقوم العصبون بإجراء مجموع مرجح لمدخلاتها و تطبيق دالة التنشيط على النتيجة.
عادةً ما يكون الإدخال إلى العصبون عبارة عن متجه للقيم ، والذي يمثل ميزات أو سمات البيانات التي تتم معالجتها بواسطة الشبكة العصبية ANN. ترتبط كل قيمة إدخال بوزن معين ، مما يعكس أهمية تلك المدخلات في تحديد ناتج الخلية العصبية. يعمل العصبون على ضرب كل قيمة إدخال في وزنها المقابل ، ثم يجمع نتائج هذا الضرب. حيث تعرف هذا القيمة بمستوى تنشيط العصبون. كما هو موضح أدناه:
نموذج لعصبون اصطناعي
بمجرد حساب مستوى التنشيط ، يقوم العصبون بتطبيق دالة التنشيط عليها. دالة التنشيط هي دالة غير خطية تعمل على تعمييم اللاخطية على قيم إخراج العصبون ، مما يسمح لـالشبكة العصبية ANN بنمذجة العلاقات المعقدة بين المدخلات والمخرجات. تتضمن دوال التنشيط الشائعة الدالة السينية Sigmoid function و دالة الظل القطعي Hyperbolic tangent (tanh) function و دالة الوحدة الخطية المصححة Rectified linear unit (ReLU) function.
ناتج العصبون هو نتيجة دالة التنشيط المطبقة على مستوى التنشيط. يتم بعد ذلك تغذية هذا الإخراج عادةً في عصبون واحد أو أكثر في الشبكة العصبية ANN كمدخل ، وتتكرر العملية حتى يتم إنتاج الناتج النهائي لـالشبكة العصبية ANN. أثناء مرحلة التدريب الشبكة العصبية ANN ، يتم تعديل الأوزان المرتبطة بكل إدخال لتحسين أداء الشبكة لمهمة معينة. يتم تنفيذ هذه العملية عادةً باستخدام شكل من أشكال خوارزمية الإنتشار العكسي Backpropagation. هذه الخوارزمية تعمل على تعديل الأوزان بناءً على الخطأ بين المخرجات المتوقعة والمخرجات الفعلية.
