الشبكات العصبية أمامية التغذية

الشبكة العصبية أمامية التغذية هي أبسط أنواع الشبكات العصبية الاصطناعية. في هذه البنية، تتدفق البيانات في اتجاه واحد، من طبقة الإدخال إلى طبقة الإخراج، من دون الرجوع إلى الخلف في حلقة.

بنية الشبكة العصبية أمامية التغذية

تتكون الشبكات أمامية التغذية من:

• طبقة الإدخال: تستقبل البيانات الأولية.
• الطبقات المخفية: تنفّذ العمليات الحسابية وتستخرج السمات.
• طبقة الإخراج: تنتج النتيجة النهائية.

ترتبط كل طبقة ارتباطًا كاملًا بالطبقة التالية.

الانتشار الأمامي

الانتشار الأمامي هو عملية تمرير البيانات عبر الشبكة:

1. تُضرب المدخلات في الأوزان وتُضاف إليها الانحيازات.
2. تُطبَّق دوال التنشيط لإدخال اللاخطية.
3. يُحسب المخرج ويُمرَّر إلى الطبقة التالية.

بناء شبكة أمامية التغذية بسيطة

لننشئ شبكة أمامية التغذية بسيطة باستخدام Python. تحتوي الشبكة على:

• عصبونَي إدخال
• طبقة مخفية واحدة تضم 3 عصبونات
• عصبون إخراج واحد

import numpy as np

# Define weights and biases
weights_input_hidden = np.array([[0.2, 0.8, -0.5], [0.5, -0.91, 0.26]])
bias_hidden = np.array([2, 3, 0.5])
weights_hidden_output = np.array([[0.1], [-0.14], [0.5]])
bias_output = np.array([0.1])

# Input data
inputs = np.array([1, 2])

# Forward pass
hidden_layer = np.dot(inputs, weights_input_hidden) + bias_hidden
output = np.dot(hidden_layer, weights_hidden_output) + bias_output

print("Output:", output)

تدريب شبكة عصبية أمامية التغذية

يتضمن التدريب ضبط الأوزان والانحيازات لتقليل الخطأ:

1. حساب الخطأ، أي الفرق بين القيم المتنبأ بها والقيم الفعلية.
2. استخدام خوارزميات التحسين مثل الانحدار المتدرج لتحديث الأوزان.
3. تكرار العملية لعدة تكرارات (عصور تدريبية).

مزايا الشبكات أمامية التغذية

تتميز الشبكات أمامية التغذية بأنها:

• بسيطة وسهلة التنفيذ.
• فعّالة في مهام مثل الانحدار والتصنيف الأساسي.
• ذات كفاءة حسابية مع مجموعات البيانات الصغيرة.

قيود الشبكات أمامية التغذية

للشبكات أمامية التغذية بعض العيوب:

• تفتقر إلى الذاكرة اللازمة للبيانات المتسلسلة.
• تكون عرضة لفرط الملاءمة عند استخدام بيانات تدريب قليلة.
• تتطلب ضبطًا دقيقًا للمعلمات الفائقة مثل معدل التعلم.

التطبيقات العملية

تُستخدم الشبكات أمامية التغذية في:

• التشخيص الطبي: التنبؤ بالأمراض استنادًا إلى الأعراض.
• اكتشاف الاحتيال: تحديد الأنشطة المشبوهة في المعاملات المالية.
• التنبؤ بأسعار الأسهم: تقدير قيم الأسهم المستقبلية.

الملخص والخطوات التالية

استكشفنا في هذا الدرس ما يلي:

• بنية الشبكات العصبية أمامية التغذية وآلية عملها.
• بناء شبكة أمامية التغذية بسيطة باستخدام Python.
• مزايا هذه البنية وقيودها.

بعد ذلك، سنتعمق في خوارزمية الانتشار العكسي، التي تمكّن الشبكات العصبية من التعلم بفعالية عبر تحسين الأوزان والانحيازات.