تريد أن تعرف كيف يعمل التعلم العميق؟ إليك دليل سريع للجميع.

يعد الذكاء الاصطناعي (AI) والتعلم الآلي (ML) من أهم الموضوعات في الوقت الحالي.

يتم طرح مصطلح "AI" بشكل عرضي كل يوم. تسمع مطورين طموحين يقولون إنهم يريدون تعلم الذكاء الاصطناعي. تسمع أيضًا مديرين تنفيذيين يقولون إنهم يريدون تطبيق الذكاء الاصطناعي في خدماتهم. لكن في كثير من الأحيان ، لا يفهم الكثير من هؤلاء الأشخاص ما هو الذكاء الاصطناعي.

بمجرد قراءة هذه المقالة ، سوف تفهم أساسيات الذكاء الاصطناعي والتعلم الآلي. الأهم من ذلك ، سوف تفهم كيف يعمل التعلم العميق ، النوع الأكثر شيوعًا من ML.

هذا الدليل مخصص للجميع ، لذلك لن يتم تضمين الرياضيات المتقدمة.

خلفية

تتمثل الخطوة الأولى نحو فهم كيفية عمل التعلم العميق في فهم الاختلافات بين المصطلحات المهمة.

الذكاء الاصطناعي مقابل التعلم الآلي

الذكاء الاصطناعي هو تكرار الذكاء البشري في أجهزة الكمبيوتر.

عندما بدأت أبحاث الذكاء الاصطناعي لأول مرة ، كان الباحثون يحاولون تكرار الذكاء البشري لمهام محددة - مثل لعب لعبة.

لقد قدموا عددًا كبيرًا من القواعد التي يحتاج الكمبيوتر إلى احترامها. كان لدى الكمبيوتر قائمة محددة بالإجراءات الممكنة ، واتخذ قرارات بناءً على تلك القواعد.

يشير التعلم الآلي إلى قدرة الآلة على التعلم باستخدام مجموعات البيانات الكبيرة بدلاً من القواعد المشفرة.

يسمح ML لأجهزة الكمبيوتر بالتعلم بنفسها. يستفيد هذا النوع من التعلم من قوة المعالجة لأجهزة الكمبيوتر الحديثة ، والتي يمكنها بسهولة معالجة مجموعات البيانات الكبيرة.

التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف

يتضمن التعلم الخاضع للإشراف استخدام مجموعات البيانات المصنفة التي تحتوي على مدخلات ومخرجات متوقعة.

عندما تقوم بتدريب ذكاء اصطناعي باستخدام التعلم الخاضع للإشراف ، فإنك تقدم له مدخلاً وتخبره بالنتائج المتوقعة.

إذا كان الناتج الناتج عن الذكاء الاصطناعي خاطئًا ، فسيتم إعادة ضبط حساباته. تتم هذه العملية بشكل متكرر على مجموعة البيانات ، حتى لا يرتكب الذكاء الاصطناعي المزيد من الأخطاء.

مثال على التعلم الخاضع للإشراف هو الذكاء الاصطناعي للتنبؤ بالطقس. يتعلم التنبؤ بالطقس باستخدام البيانات التاريخية. تحتوي بيانات التدريب على مدخلات (الضغط والرطوبة وسرعة الرياح) ومخرجات (درجة الحرارة).

التعلم غير الخاضع للإشراف هو مهمة التعلم الآلي باستخدام مجموعات البيانات بدون بنية محددة.

عندما تقوم بتدريب الذكاء الاصطناعي باستخدام التعلم غير الخاضع للإشراف ، فإنك تسمح للذكاء الاصطناعي بعمل تصنيفات منطقية للبيانات.

مثال على التعلم غير الخاضع للإشراف هو الذكاء الاصطناعي للتنبؤ بالسلوك لموقع التجارة الإلكترونية. لن يتعلم باستخدام مجموعة بيانات معنونة من المدخلات والمخرجات.

بدلاً من ذلك ، ستنشئ تصنيفها الخاص لبيانات الإدخال. سيخبرك أي نوع من المستخدمين من المرجح أن يشتري منتجات مختلفة.

الآن ، كيف يعمل التعلم العميق؟

أنت الآن على استعداد لفهم ما هو التعلم العميق وكيف يعمل.

التعلم العميق هو طريقة التعلم الآلي . يسمح لنا بتدريب الذكاء الاصطناعي على التنبؤ بالمخرجات ، في ضوء مجموعة من المدخلات. يمكن استخدام كل من التعلم الخاضع للإشراف وغير الخاضع للإشراف لتدريب الذكاء الاصطناعي.

سوف نتعلم كيف يعمل التعلم العميق من خلال بناء خدمة افتراضية لتقدير سعر تذكرة الطائرة . سنقوم بتدريبه باستخدام طريقة التعلم تحت الإشراف.

نريد أن يتنبأ مقدر أسعار تذاكر الطيران لدينا بالسعر باستخدام المدخلات التالية (نستبعد تذاكر العودة من أجل التبسيط):

  • مطار الأصل
  • مطار الوجهة
  • تاريخ المغادرة
  • شركة طيران

الشبكات العصبية

دعونا ننظر داخل دماغ الذكاء الاصطناعي لدينا.

مثل الحيوانات ، يمتلك دماغ مقدر الذكاء الاصطناعي خلايا عصبية. تمثلهم الدوائر. هذه الخلايا العصبية مترابطة.

يتم تجميع الخلايا العصبية في ثلاثة أنواع مختلفة من الطبقات:

  1. طبقة الإدخال
  2. طبقة (طبقات) مخفية
  3. طبقة الإخراج

و طبقة المدخلات تتلقى إدخال البيانات. في حالتنا ، لدينا أربع خلايا عصبية في طبقة الإدخال: مطار الأصل ومطار الوجهة وتاريخ المغادرة وشركة الطيران. طبقة الإدخال تمرر المدخلات إلى الطبقة المخفية الأولى.

تقوم الطبقات المخفية بإجراء حسابات رياضية على مدخلاتنا. أحد التحديات في إنشاء الشبكات العصبية هو تحديد عدد الطبقات المخفية ، وكذلك عدد الخلايا العصبية لكل طبقة.

يشير " العميق " في التعلم العميق إلى وجود أكثر من طبقة مخفية.

تقوم طبقة الإخراج بإرجاع بيانات الإخراج. في حالتنا ، فإنه يعطينا توقع السعر.

فكيف يحسب التنبؤ بالسعر؟

هذا هو المكان الذي يبدأ فيه سحر التعلم العميق .

كل اتصال بين الخلايا العصبية مرتبط بوزن . هذا الوزن يملي أهمية قيمة المدخلات. يتم تعيين الأوزان الأولية بشكل عشوائي.

عند التنبؤ بسعر تذكرة الطائرة ، فإن تاريخ المغادرة هو أحد العوامل الثقيلة. ومن ثم ، فإن اتصالات الخلايا العصبية في تاريخ المغادرة سيكون لها وزن كبير.

كل خلية عصبية لها وظيفة تنشيط. يصعب فهم هذه الوظائف بدون التفكير الرياضي.

ببساطة ، أحد أهدافه هو "توحيد" الإخراج من الخلايا العصبية.

بمجرد مرور مجموعة من بيانات الإدخال عبر جميع طبقات الشبكة العصبية ، تقوم بإرجاع بيانات الإخراج عبر طبقة الإخراج.

لا شيء معقد ، أليس كذلك؟

تدريب الشبكة العصبية

يعد تدريب الذكاء الاصطناعي أصعب جزء في التعلم العميق. لماذا ا؟

  1. أنت بحاجة إلى مجموعة بيانات كبيرة .
  2. أنت بحاجة إلى قدر كبير من القوة الحسابية .

بالنسبة إلى أداة تقدير أسعار تذاكر الطيران لدينا ، نحتاج إلى العثور على البيانات التاريخية لأسعار التذاكر. ونظرًا للكم الهائل من المطارات الممكنة ومجموعات تواريخ المغادرة ، نحتاج إلى قائمة كبيرة جدًا من أسعار التذاكر.

لتدريب الذكاء الاصطناعي ، نحتاج إلى منحه المدخلات من مجموعة البيانات الخاصة بنا ، ومقارنة مخرجاته بمخرجات مجموعة البيانات. نظرًا لأن الذكاء الاصطناعي لا يزال غير مدرب ، فإن مخرجاته ستكون خاطئة.

بمجرد استعراض مجموعة البيانات بالكامل ، يمكننا إنشاء وظيفة توضح لنا مدى خطأ مخرجات الذكاء الاصطناعي من المخرجات الحقيقية. هذه الوظيفة تسمى دالة التكلفة.

من الناحية المثالية ، نريد أن تكون دالة التكلفة صفرًا. هذا عندما تكون مخرجات الذكاء الاصطناعي الخاصة بنا هي نفسها مخرجات مجموعة البيانات.

كيف يمكننا تقليل دالة التكلفة؟

نغير الأوزان بين الخلايا العصبية. يمكننا تغييرها عشوائيًا حتى تنخفض دالة التكلفة ، لكن هذا ليس فعالًا للغاية.

بدلاً من ذلك ، سوف نستخدم تقنية تسمى الانحدار التدريجي.

نزول التدرج هو تقنية تتيح لنا إيجاد الحد الأدنى من الوظيفة. في حالتنا ، نحن نبحث عن الحد الأدنى من دالة التكلفة.

إنه يعمل عن طريق تغيير الأوزان بزيادات صغيرة بعد كل تكرار لمجموعة بيانات . من خلال حساب مشتق (أو تدرج) دالة التكلفة عند مجموعة معينة من الوزن ، يمكننا أن نرى في أي اتجاه يكون الحد الأدنى.

لتقليل دالة التكلفة ، تحتاج إلى تكرار مجموعة البيانات الخاصة بك عدة مرات. هذا هو سبب احتياجك لقدر كبير من القوة الحسابية.

يتم تحديث الأوزان باستخدام النسب المتدرج تلقائيًا . هذا هو سحر التعلم العميق!

بمجرد تدريبنا على الذكاء الاصطناعي لتقدير أسعار تذاكر الطيران ، يمكننا استخدامه للتنبؤ بالأسعار المستقبلية.

أين يمكنني معرفة المزيد؟

هناك العديد من الأنواع الأخرى من الشبكات العصبية: الشبكات العصبية التلافيفية لرؤية الكمبيوتر والشبكات العصبية المتكررة لمعالجة اللغة الطبيعية.

إذا كنت ترغب في تعلم الجانب التقني من التعلم العميق ، أقترح أن تأخذ دورة عبر الإنترنت.

حاليًا ، واحدة من أفضل الدورات للتعلم العميق هي تخصص أندرو نج للتعلم العميق. إذا لم تكن مهتمًا بالحصول على شهادة ، فلا داعي للدفع مقابل الدورة. يمكنك تدقيقه مجانًا بدلاً من ذلك.

إذا كان لديك أي أسئلة ، أو تريد المزيد من التفسيرات التقنية للمفاهيم ، يرجى طرحها أدناه!

باختصار…

  • يستخدم التعلم العميق شبكة عصبية لتقليد ذكاء الحيوانات.
  • هناك ثلاثة أنواع من طبقات الخلايا العصبية في الشبكة العصبية: المدخلالطبقة والطبقة (الطبقات) المخفية وطبقة الإخراج.
  • ترتبط الاتصالات بين الخلايا العصبية بالوزن ، مما يفرض أهمية قيمة الإدخال.
  • تطبق الخلايا العصبية وظيفة التنشيط على البيانات "لتوحيد" المخرجات الصادرة من الخلايا العصبية.
  • لتدريب شبكة عصبية ، أنت بحاجة إلى مجموعة بيانات كبيرة.
  • سيؤدي التكرار من خلال مجموعة البيانات ومقارنة المخرجات إلى إنتاج دالة التكلفة ، والتي تشير إلى مدى انحراف الذكاء الاصطناعي عن المخرجات الحقيقية.
  • بعد كل تكرار خلال مجموعة البيانات ، يتم تعديل الأوزان بين الخلايا العصبية باستخدام Gradient Descent لتقليل دالة التكلفة.

إذا استمتعت بهذا المقال ، من فضلك أعطني بعض التصفيق حتى يراه المزيد من الناس. شكر!

يمكنك أيضًا التحقق من تجربتي حول كيفية حصولي على فترة التدريب في Shopify!

لمزيد من التحديثات ، تابعوني على Twitter.