الشبكات العصبية ذات التغذية الأمامية

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

بنية الشبكة العصبية ذات التغذية الأمامية

تتكوّن الشبكات ذات التغذية الأمامية 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 الناتج ويُمرَّر إلى الطبقة التالية.

بناء شبكة بسيطة ذات تغذية أمامية

لننشئ شبكة بسيطة ذات تغذية أمامية 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 ذات تغذية أمامية

يتضمن التدريب ضبط الأوزان والانحيازات لتقليل الخطأ:

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

مزايا الشبكات ذات التغذية الأمامية

تتميز الشبكات ذات التغذية الأمامية بأنها:

• بسيطة وسهلة التنفيذ.
• فعّالة في مهام مثل الانحدار والتصنيف الأساسي.
• كفؤة حسابيًا مع مجموعات البيانات الصغيرة.

قيود الشبكات ذات التغذية الأمامية

للشبكات ذات التغذية الأمامية بعض السلبيات:

• لا تمتلك ذاكرة للتعامل مع البيانات المتسلسلة.
• تكون عرضة للفرط في التكيّف عند استخدام بيانات تدريب قليلة.
• تحتاج إلى ضبط دقيق للمعلمات الفائقة مثل معدل التعلّم.

التطبيقات العملية

تُستخدم الشبكات ذات التغذية الأمامية 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

في هذا الدرس، قمنا بما يلي:

• استكشفنا بنية الشبكات العصبية ذات التغذية الأمامية وطريقة عملها.
• بنينا شبكة بسيطة ذات تغذية أمامية باستخدام Python.
• ناقشنا مزايا هذه البنية وقيودها.

بعد ذلك، سنتعمّق في خوارزمية الانتشار العكسي، التي تمكّن الشبكات العصبية من التعلّم بفاعلية من خلال تحسين الأوزان والانحيازات.