مقدمة إلى الشبكات العصبية
استكشفوا أساسيات الشبكات العصبية وكيفية عملها
مقدمة إلى الشبكات العصبية درس مجاني في Python For Kids على CoddyKit. هذا هو الدرس 5 من أصل 6. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في Python For Kids، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة Python For Kids 6 دروس في المجموع.
مقدمة إلى الشبكات العصبية
الشبكات العصبية مجموعة فرعية من خوارزميات تعلّم الآلة، وقد استُلهمت من بنية الدماغ البشري ووظائفه. وهي أدوات قوية لمهام مثل التعرّف على الصور ومعالجة اللغة الطبيعية وغير ذلك.
في هذا الدرس، ستتعلمون أساسيات الشبكات العصبية وكيفية عملها.
ما الشبكة العصبية؟
تتكوّن الشبكة العصبية من طبقات من العُقد المترابطة (الخلايا العصبية). تعالج كل خلية عصبية بيانات الإدخال وتمررها إلى الطبقة التالية. تشمل المكوّنات الأساسية ما يلي:
- طبقة الإدخال: تستقبل بيانات الإدخال.
- الطبقات المخفية: تُجري عمليات حسابية على البيانات.
- طبقة الإخراج: تنتج النتيجة النهائية.
دوال التنشيط
تُدخل دوال التنشيط اللاخطية إلى الشبكة، مما يمكّنها من تعلّم الأنماط المعقدة. تشمل دوال التنشيط الشائعة ما يلي:
- ReLU: الوحدة الخطية المصححة؛ تُخرج قيمة الإدخال مباشرةً إذا كانت موجبة، وإلا فتُخرج 0.
- Sigmoid: تحوّل قيم الإدخال إلى احتمالات تتراوح من 0 إلى 1.
- Tanh: تحجّم الإدخال إلى نطاق يتراوح من -1 إلى 1.
الانتشار الأمامي
الانتشار الأمامي هو عملية تمرير بيانات الإدخال عبر طبقات الشبكة لإنتاج مخرجات.
# 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)دوال الخسارة
تقيس دوال الخسارة الفرق بين القيم المتوقعة والقيم الفعلية. وتشمل دوال الخسارة الشائعة ما يلي:
- متوسط الخطأ التربيعي: لمهام الانحدار.
- خسارة الانتروبيا التقاطعية: لمهام التصنيف.
الانتشار العكسي
الانتشار العكسي هو عملية ضبط الأوزان والانحيازات في الشبكة استنادًا إلى قيمة الخسارة، باستخدام خوارزمية تحسين مثل الانحدار المتدرج.
الانحدار المتدرج
الانحدار المتدرج هو خوارزمية تحسين تقلّل 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)تطبيقات الشبكات العصبية
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.
الأخطاء الشائعة في الشبكات العصبية
إليك بعض الأخطاء التي ينبغي تجنبها:
- استخدام عدد غير كافٍ من الطبقات المخفية للمشكلات المعقدة.
- عدم تطبيع بيانات الإدخال.
- اختيار دالة تنشيط غير مناسبة للمهمة.
ما الذي تعلمناه؟
في هذا الدرس، تعلمتم:
- بنية الشبكات العصبية ومكوناتها.
- أدوار دوال التنشيط ودوال الخسارة وخوارزميات التحسين.
- كيفية عمل الانتشار الأمامي والانتشار العكسي.
- تطبيقات الشبكات العصبية والأخطاء الشائعة عند استخدامها.
أحسنتم! لننتقل إلى الموضوع التالي.
الأسئلة الشائعة
هل درس «مقدمة إلى الشبكات العصبية» مجاني؟
نعم — نص درس «مقدمة إلى الشبكات العصبية» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة Python For Kids، انتقل إلى CoddyKit PRO. تتضمن دورة Python For Kids 6 دروس في المجموع.
ماذا ستتعلم في «مقدمة إلى الشبكات العصبية»؟
استكشفوا أساسيات الشبكات العصبية وكيفية عملها تتمرن على Python For Kids مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.
هل أحتاج إلى خبرة سابقة لأبدأ Python For Kids؟
لا تُشترط خبرة سابقة. Python For Kids على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 5 من أصل 6.
كم من الوقت يستغرق درس «مقدمة إلى الشبكات العصبية»؟
معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.
هل يمكنني كتابة وتشغيل أكواد في درس Python For Kids هذا؟
نعم. كل درس في Python For Kids يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.
جميع الدروس في هذه الدورة
- مقدمة إلى تعلّم الآلة
- التعلّم الخاضع للإشراف باستخدام Scikit-Learn
- التعلّم غير الخاضع للإشراف
- هندسة السمات واختيارها
- مقدمة إلى الشبكات العصبية
- مقدمة إلى TensorFlow وKeras