الشبكات العصبية والتعلّم العميق

تركيب الشبكة العصبية

شبكة من nodes (neurons) كتير موصّلة ببعض ومرتبة في طبقات (layers). الطبقات المتجاورة موصّلة.

• Input layer: تستقبل البيانات من الخارج.
• Hidden layer: تعالج المعلومات وتستخرج features.
• Output layer: تطلّع الإجابة.

مثال: كلب ولا قطة؟

الـ input يستقبل بيكسلات الصورة، الـ hidden يستخرج السمات (الشكل والنمط)، والـ output يطلّع "كلب" أو "قطة". كل ما المشكلة أعقد، احتجنا طبقات وnodes أكتر.

إزاي النيورون بيشتغل؟

• يستقبل عدة مدخلات ويضرب كل واحد في weight (وزن) ويجمعهم.
• يمرّر المجموع في activation function (بتخلي الشبكة تتعلم علاقات مش بسيطة نسبياً) ثم يبعت الناتج للطبقة اللي بعدها.
• Weight = قيمة بتمثل قد إيه المدخل مهم (ممكن تكون سالبة). كل ما حجمها زاد زاد تأثير المدخل.
• Training = تعديل الأوزان تدريجياً باستخدام بيانات كتير. قبل التدريب الأوزان عشوائية فالإجابات غلط، وبعده تبقى مضبوطة وتجيب إجابات صحيحة حتى على بيانات جديدة.

Deep learning

شبكات عصبية فيها طبقات مخفية كتير متراصة. بتبني السمات هرمياً (hierarchical): حواف بسيطة ← أجزاء ← أشياء كاملة.

بقت عملية بفضل بيانات ضخمة (big data) ومعالجات قوية مثل GPU. ميزتها الأساسية: تتعلم السمات تلقائياً من البيانات بدل ما الإنسان يصممها واحدة واحدة. وبكده حصلت قفزات في التعرف على الصور والصوت ومعالجة اللغة.