لقد أدى التطور الهائل في عالم البيانات (خاصة في السنوات الثلاث أو الأربع الماضية) إلى الإدراك المتأخر كيف يمكن أن تصبح الآلات القوية في اتخاذ القرارات بناءً تمامًا على الحقائق والأرقام التي كانت موجودة منذ قرون – وهو إنجاز غير ممكن على الإطلاق بأي قدر من الجهد البشري. أدت معالجة البيانات وفهمها لفهم ما تحاول نقله بالضبط إلى مجموعة من المجالات (الدراسة) التي يمثل كل منها ، على حدة ، اختراقات مذهلة من أجل جعل العالم مكانًا أفضل. أحد هذه المجالات هو ما شهد نجاحه تحت اسم التعلم العميق. ولكن ما هو بالضبط؟ حسنًا ، دعنا نحاول ونكتشف ذلك.
التعلم العميق في حد ذاته هو جزء أصغر من مجال أكبر للدراسة والبحث – التعلم الآلي أو التعلم الآلي لفترة قصيرة. إن العمود الفقري للتعلم العميق هو الاستفادة من خوارزميات متطورة للغاية تعمل على إطار عمل يكون هيكله ومفهومه مشتقًا تمامًا ومرادفًا لدماغ جسم الإنسان. على هذا النحو ، من المفهوم أن قلب هذه الأطر يجب أن يكون مشابهًا للخلايا العصبية بعدة طرق – فقط بالطريقة التي تكون بها الخلايا العصبية هي قلب نظامنا العصبي بأكمله. هذا الإطار في مجمله هو ما نشير إليه على أنه شبكة عصبية اصطناعية (ANN باختصار).
هذه الشبكات العصبية نفسها هي المسؤولة عن تحقيق التطورات والاكتشافات الثورية في مجال التعلم الاصطناعي والتعلم الآلي. كانت هذه الشبكات بطيئة ببطء في وقت نشأتها تمامًا مثل عقل الطفل المولود حديثًا – خالٍ تمامًا وغير مدرك لأعمال العالم. إن تعريضهم لبيانات واقعية (حقائق وأرقام) هو ما يضبط دقتها من أجل القيام بالوظائف المتطورة والمتقدمة للغاية المطلوبة منهم. تعمل هذه الشبكات العصبية ، تمامًا مثل الدماغ البشري ، بشكل أفضل عندما يتعلمون من تجارب الوقت الحقيقي والحياة الواقعية. بمجرد أن تصل الشبكة والنموذج المرتبط بها إلى مستويات الدقة المطلوبة ، من الممتع والمثير حقًا رؤيتها في العمل.
مصطلحات التعلم العميق
التعلم العميق 101 هو كل شيء عن فهم المصطلحات الأساسية المرتبطة به (ومعناها أيضًا). تتضمن بعض هذه المصطلحات –
-
الشبكة العصبية
كما ناقشنا سابقًا ، الشبكات العصبية (الاصطناعية) هي العمود الفقري للتعلم العميق. من الناحية النظرية ، يمكن تعريف الشبكة العصبية الاصطناعية وتصورها على أنها خلايا عصبية مترابطة (اصطناعية) تتبادل البيانات فيما بينها. إذا كان معنى هذه البيانات وإمكانية فهمها أكثر من مجرد الخبرة المكتسبة من الخلايا العصبية ، فإنها تؤدي إلى تحديث الخلية العصبية من حيث المعرفة والخبرة ، وإذا كان الأمر كذلك ، فإن الخلايا العصبية تعالج البيانات بكل بساطة وفقًا تجربتها وإرجاع بعض النتائج.
-
CNN (الشبكة العصبية التلافيفية)
تستخدم CNN حصريًا في DIP ، وتتضمن استخدام عدة مرشحات مستقلة (لا شيء سوى المصفوفات المربعة) على صورة متعددة القنوات من أجل استخراج بعض الميزات المتناقضة والمميزة من الصورة.
-
RNN (الشبكة العصبية المتكررة)
بعبارات بسيطة للغاية ، يتم استخدام RNN لمعالجة المعلومات المتسلسلة حيث يمكن استخدام مجموعات المخرجات السابقة من أجل التنبؤ بالمجموعة التالية من المخرجات بناءً على مجموعة من البيانات الجديدة تمامًا. أفضل مثال لفهم ذلك هو التوصيات التلقائية التي يحصل عليها المرء على منصات مثل Amazon و Netflix و Spotify وما إلى ذلك.
