مقدمة إلى الشبكات العصبية

الشبكات العصبية هي مجموعة فرعية من خوارزميات التعلم الآلي، وقد استُلهمت من بنية الدماغ البشري وطريقة عمله. وهي أدوات قوية لمهام مثل التعرّف على الصور ومعالجة اللغة الطبيعية وغير ذلك.

في هذا الدرس، ستتعلمون أساسيات الشبكات العصبية وكيفية عملها.

تتكون الشبكة العصبية من طبقات من العُقد المترابطة (العصبونات). تعالج كل عصبونة بيانات الإدخال وتمررها إلى الطبقة التالية. وتشمل المكونات الأساسية ما يلي:

• طبقة الإدخال: تستقبل بيانات الإدخال.
• الطبقات المخفية: تُجري عمليات حسابية على البيانات.
• طبقة الإخراج: تنتج النتيجة النهائية.

تُدخل دوال التنشيط اللاخطية إلى الشبكة، مما يمكّنها من تعلم الأنماط المعقدة. ومن دوال التنشيط الشائعة:

• ReLU: الوحدة الخطية المصححة؛ تُخرج قيمة الإدخال مباشرةً إذا كانت موجبة، وإلا أخرجت 0.
• Sigmoid: تحوّل قيم الإدخال إلى احتمالات تتراوح بين 0 و1.
• Tanh: تحوّل مقياس الإدخال إلى نطاق يتراوح بين -1 و1.

الانتشار الأمامي هو عملية تمرير بيانات الإدخال عبر طبقات الشبكة لإنتاج مخرَج.

# Example: Forward Propagation
import numpy as np

# Weights and biases
weights = np.array([0.5, 0.3])
bias = 0.1

# Input data
inputs = np.array([1.0, 2.0])

# Output
output = np.dot(weights, inputs) + bias
print("Output:", output)

تقيس دوال الخسارة الفرق بين القيم المتوقعة والقيم الفعلية. ومن دوال الخسارة الشائعة:

• متوسط مربع الخطأ: لمهام الانحدار.
• خسارة الانتروبيا المتقاطعة: لمهام التصنيف.

الانتشار العكسي هو عملية ضبط الأوزان والانحيازات في الشبكة استنادًا إلى الخسارة، باستخدام خوارزمية تحسين مثل الانحدار المتدرج.

الانحدار المتدرج هو خوارزمية تحسين تقلل دالة الخسارة من خلال ضبط الأوزان والانحيازات:

# Example: Gradient Descent
weights = 0.5
bias = 0.1
learning_rate = 0.01
loss_gradient = 0.2

# Update weights and bias
weights -= learning_rate * loss_gradient
bias -= learning_rate * loss_gradient
print("Updated weights:", weights)
print("Updated bias:", bias)

تُستخدم الشبكات العصبية في:

• التعرّف على الصور: تصنيف العناصر الموجودة في الصور.
• معالجة اللغة الطبيعية: فهم النصوص وإنشاؤها.
• التعرّف على الكلام: تحويل الكلام إلى نص.

إليك بعض الأخطاء التي ينبغي تجنبها:

• استخدام عدد غير كافٍ من الطبقات المخفية للمشكلات المعقدة.
• عدم توحيد بيانات الإدخال.
• اختيار دالة تنشيط غير مناسبة للمهمة.

في هذا الدرس، تعلمتم:

• بنية الشبكات العصبية ومكوناتها.
• أدوار دوال التنشيط ودوال الخسارة وخوارزميات التحسين.
• كيفية عمل الانتشار الأمامي والانتشار العكسي.
• تطبيقات استخدام الشبكات العصبية والأخطاء الشائعة فيه.

أحسنتم! لننتقل إلى الموضوع التالي.