يوفر البرنامج التعليمي للشبكة العصبية الاصطناعية المفاهيم الأساسية والمتقدمة للشبكات العصبية الاصطناعية. تم تطوير برنامجنا التعليمي للشبكة العصبية الاصطناعية للمبتدئين وكذلك للمهن.

يشير مصطلح 'الشبكة العصبية الاصطناعية' إلى مجال فرعي مستوحى بيولوجيًا من الذكاء الاصطناعي على غرار الدماغ. الشبكة العصبية الاصطناعية عادة ما تكون شبكة حسابية تعتمد على الشبكات العصبية البيولوجية التي تبني بنية الدماغ البشري. كما هو الحال في الدماغ البشري الذي يحتوي على خلايا عصبية مترابطة مع بعضها البعض، تحتوي الشبكات العصبية الاصطناعية أيضًا على خلايا عصبية مرتبطة ببعضها البعض في طبقات مختلفة من الشبكات. وتعرف هذه الخلايا العصبية بالعقد.

سلسلة إلى كائن json

يغطي البرنامج التعليمي للشبكة العصبية الاصطناعية جميع الجوانب المتعلقة بالشبكة العصبية الاصطناعية. في هذا البرنامج التعليمي، سنناقش الشبكات العصبية الاصطناعية، ونظرية الرنين التكيفي، وخريطة كوهونين ذاتية التنظيم، وكتل البناء، والتعلم غير الخاضع للرقابة، والخوارزمية الجينية، وما إلى ذلك.

ما هي الشبكة العصبية الاصطناعية؟

على المدى ' شبكة اعصاب صناعية مشتق من الشبكات العصبية البيولوجية التي تعمل على تطوير بنية الدماغ البشري. على غرار الدماغ البشري الذي يحتوي على خلايا عصبية مترابطة مع بعضها البعض، تحتوي الشبكات العصبية الاصطناعية أيضًا على خلايا عصبية مترابطة مع بعضها البعض في طبقات مختلفة من الشبكات. وتعرف هذه الخلايا العصبية بالعقد.

يوضح الشكل الموضح الرسم التخطيطي النموذجي للشبكة العصبية البيولوجية.

تبدو الشبكة العصبية الاصطناعية النموذجية مثل الشكل الموضح.

تمثل التشعبات من الشبكة العصبية البيولوجية المدخلات في الشبكات العصبية الاصطناعية، وتمثل نواة الخلية العقد، ويمثل المشبك الأوزان، ويمثل المحور العصبي المخرجات.

العلاقة بين الشبكة العصبية البيولوجية والشبكة العصبية الاصطناعية:

ان شبكة اعصاب صناعية في مجال ال الذكاء الاصطناعي حيث يحاول محاكاة شبكة الخلايا العصبية التي تشكل الدماغ البشري بحيث يكون لدى أجهزة الكمبيوتر خيار فهم الأشياء واتخاذ القرارات بطريقة تشبه الإنسان. تم تصميم الشبكة العصبية الاصطناعية عن طريق برمجة أجهزة الكمبيوتر لتتصرف ببساطة مثل خلايا الدماغ المترابطة.

هناك حوالي 1000 مليار خلية عصبية في الدماغ البشري. كل خلية عصبية لديها نقطة ارتباط في مكان ما في حدود 1000 و 100000. في دماغ الإنسان، يتم تخزين البيانات بطريقة يمكن توزيعها، ويمكننا استخراج أكثر من قطعة من هذه البيانات عند الضرورة من ذاكرتنا بشكل متوازي. يمكننا القول أن الدماغ البشري يتكون من معالجات متوازية مذهلة بشكل لا يصدق.

يمكننا فهم الشبكة العصبية الاصطناعية بمثال، والنظر في مثال لبوابة منطقية رقمية تأخذ مدخلات وتعطي مخرجات. بوابة 'OR'، والتي تأخذ مدخلين. إذا كان أحد المدخلين أو كليهما 'تشغيل'، فإننا نحصل على 'تشغيل' في الإخراج. إذا كان كلا المدخلين 'متوقفين'، فسنحصل على 'إيقاف' في الإخراج. هنا يعتمد الإخراج على الإدخال. دماغنا لا يؤدي نفس المهمة. تستمر العلاقة بين المخرجات والمدخلات في التغير بسبب الخلايا العصبية الموجودة في دماغنا، والتي تعمل على 'التعلم'.

بنية الشبكة العصبية الاصطناعية:

لفهم مفهوم بنية الشبكة العصبية الاصطناعية، علينا أن نفهم مما تتكون الشبكة العصبية. من أجل تعريف الشبكة العصبية التي تتكون من عدد كبير من الخلايا العصبية الاصطناعية، والتي تسمى وحدات مرتبة في سلسلة من الطبقات. دعونا نلقي نظرة على أنواع مختلفة من الطبقات المتوفرة في الشبكة العصبية الاصطناعية.

تتكون الشبكة العصبية الاصطناعية بشكل أساسي من ثلاث طبقات:

طبقة الإدخال:

وكما يوحي الاسم، فهو يقبل المدخلات بعدة تنسيقات مختلفة يقدمها المبرمج.

الطبقة المخفية:

تظهر الطبقة المخفية بين طبقات الإدخال والإخراج. يقوم بإجراء جميع الحسابات للعثور على الميزات والأنماط المخفية.

طبقة الإخراج:

يمر الإدخال عبر سلسلة من التحولات باستخدام الطبقة المخفية، مما يؤدي في النهاية إلى إخراج يتم نقله باستخدام هذه الطبقة.

تأخذ الشبكة العصبية الاصطناعية المدخلات وتحسب المجموع المرجح للمدخلات وتتضمن تحيزًا. يتم تمثيل هذا الحساب في شكل دالة نقل.

مجموعة ج ++

فهو يحدد أنه يتم تمرير الإجمالي المرجح كمدخل إلى وظيفة التنشيط لإنتاج الإخراج. تختار وظائف التنشيط ما إذا كان يجب تنشيط العقدة أم لا. فقط أولئك الذين تم طردهم يصلون إلى طبقة الإخراج. هناك وظائف تنشيط مميزة متاحة يمكن تطبيقها على نوع المهمة التي نقوم بها.

مزايا الشبكة العصبية الاصطناعية (ANN)

القدرة على المعالجة الموازية:

تتمتع الشبكات العصبية الاصطناعية بقيمة عددية يمكنها أداء أكثر من مهمة في وقت واحد.

تخزين البيانات على الشبكة بأكملها:

يتم تخزين البيانات المستخدمة في البرمجة التقليدية على الشبكة بأكملها، وليس على قاعدة بيانات. إن اختفاء بعض البيانات في مكان واحد لا يمنع الشبكة من العمل.

القدرة على العمل بمعرفة غير كاملة:

بعد تدريب ANN، قد تنتج المعلومات مخرجات حتى مع وجود بيانات غير كافية. يعتمد فقدان الأداء هنا على أهمية البيانات المفقودة.

وجود توزيع الذاكرة:

لكي تتمكن ANN من التكيف، من المهم تحديد الأمثلة وتشجيع الشبكة وفقًا للمخرجات المطلوبة من خلال عرض هذه الأمثلة على الشبكة. يتناسب تعاقب الشبكة بشكل مباشر مع الحالات المختارة، وإذا لم يتمكن الحدث من الظهور للشبكة بجميع جوانبه، فقد ينتج عنه مخرجات خاطئة.

التسامح مع الخطأ:

إن ابتزاز خلية واحدة أو أكثر من خلايا ANN لا يمنعها من توليد المخرجات، وهذه الميزة تجعل الشبكة قادرة على التسامح مع الأخطاء.

عيوب الشبكة العصبية الاصطناعية:

ضمان بنية الشبكة المناسبة:

لا يوجد مبدأ توجيهي محدد لتحديد بنية الشبكات العصبية الاصطناعية. يتم إنجاز بنية الشبكة المناسبة من خلال الخبرة والتجربة والخطأ.

سلوك الشبكة غير معروف:

إنها القضية الأكثر أهمية في ANN. عندما تنتج ANN حلاً للاختبار، فإنها لا تقدم نظرة ثاقبة بشأن السبب والكيفية. يقلل من الثقة في الشبكة.

كائن في برمجة جافا

الاعتماد على الأجهزة:

تحتاج الشبكات العصبية الاصطناعية إلى معالجات ذات قوة معالجة متوازية، حسب بنيتها. ولذلك، فإن تحقيق المعدات يعتمد.

صعوبة عرض المشكلة على الشبكة:

يمكن للشبكات العصبية الاصطناعية العمل مع البيانات الرقمية. يجب تحويل المشاكل إلى قيم عددية قبل تقديمها إلى ANN. آلية العرض التي سيتم حلها هنا ستؤثر بشكل مباشر على أداء الشبكة. ويعتمد على قدرات المستخدم.

مدة الشبكة غير معروفة:

يتم تقليل الشبكة إلى قيمة محددة للخطأ، وهذه القيمة لا تعطينا النتائج المثلى.

علوم الشبكات العصبية الاصطناعية التي تغلغلت في العالم في منتصف العشرينات^ذالقرن يتطور باطراد. في الوقت الحاضر، قمنا بدراسة إيجابيات الشبكات العصبية الاصطناعية والقضايا التي تمت مواجهتها أثناء استخدامها. ولا ينبغي إغفال أن سلبيات شبكات ANN، وهي فرع علمي مزدهر، يتم التخلص منها بشكل فردي، وتتزايد إيجابياتها يومًا بعد يوم. وهذا يعني أن الشبكات العصبية الاصطناعية ستتحول إلى جزء لا يمكن الاستغناء عنه في حياتنا ذو أهمية متزايدة.

كيف تعمل الشبكات العصبية الاصطناعية؟

يمكن تمثيل الشبكة العصبية الاصطناعية بشكل أفضل على شكل رسم بياني موجه مرجح، حيث تشكل الخلايا العصبية الاصطناعية العقد. يمكن النظر إلى الارتباط بين مخرجات الخلايا العصبية ومدخلات الخلايا العصبية على أنه الحواف الموجهة بالأوزان. تستقبل الشبكة العصبية الاصطناعية إشارة الدخل من المصدر الخارجي على شكل نمط وصورة على شكل متجه. يتم بعد ذلك تعيين هذه المدخلات رياضيًا بواسطة الرموز x(n) لكل عدد n من المدخلات.

بعد ذلك، يتم ضرب كل مدخلات بالأوزان المقابلة لها (هذه الأوزان هي التفاصيل التي تستخدمها الشبكات العصبية الاصطناعية لحل مشكلة معينة). بشكل عام، تمثل هذه الأوزان عادة قوة الترابط بين الخلايا العصبية داخل الشبكة العصبية الاصطناعية. يتم تلخيص كافة المدخلات المرجحة داخل وحدة الحوسبة.

عمر ريخا

إذا كان المجموع المرجح يساوي صفرًا، فسيتم إضافة الانحياز لجعل الناتج غير صفري أو أي شيء آخر للارتقاء إلى مستوى استجابة النظام. التحيز له نفس المدخلات، والوزن يساوي 1. هنا يمكن أن يتراوح إجمالي المدخلات المرجحة من 0 إلى ما لا نهاية موجب. هنا، للحفاظ على الاستجابة في حدود القيمة المطلوبة، يتم قياس قيمة قصوى معينة، ويتم تمرير إجمالي المدخلات المرجحة من خلال وظيفة التنشيط.

تشير وظيفة التنشيط إلى مجموعة وظائف النقل المستخدمة لتحقيق المخرجات المطلوبة. هناك نوع مختلف من وظيفة التنشيط، ولكن في المقام الأول إما مجموعات خطية أو غير خطية من الوظائف. بعض مجموعات وظائف التنشيط شائعة الاستخدام هي وظائف التنشيط السيني الزائدي الثنائي والخطي وتان. دعونا نلقي نظرة على كل واحد منهم بالتفصيل:

الثنائية:

في دالة التنشيط الثنائي، يكون الإخراج إما واحد أو 0. وهنا، لإنجاز ذلك، يتم إعداد قيمة عتبة. إذا كان صافي المدخلات المرجحة للخلايا العصبية أكثر من 1، فسيتم إرجاع الإخراج النهائي لوظيفة التنشيط كواحد وإلا يتم إرجاع الإخراج كـ 0.

الزائدي السيني:

يُنظر إلى دالة القطع الزائد السيني عمومًا على أنها ' س 'منحنى الشكل. هنا يتم استخدام الدالة القطعية tan لتقريب المخرجات من صافي المدخلات الفعلية. يتم تعريف الوظيفة على النحو التالي:

F(x) = (1/1 + exp(-؟؟؟؟x))

أين ؟؟؟؟ تعتبر معلمة الانحدار.

أنواع الشبكات العصبية الاصطناعية:

هناك أنواع مختلفة من الشبكات العصبية الاصطناعية (ANN) اعتمادًا على الخلايا العصبية في الدماغ البشري ووظائف الشبكة، وتؤدي الشبكة العصبية الاصطناعية المهام بالمثل. سيكون لدى غالبية الشبكات العصبية الاصطناعية بعض أوجه التشابه مع شريك بيولوجي أكثر تعقيدًا وتكون فعالة جدًا في مهامها المتوقعة. على سبيل المثال، التجزئة أو التصنيف.

ردود الفعل آن:

في هذا النوع من ANN، يعود المخرج إلى الشبكة لتحقيق أفضل النتائج المتطورة داخليًا. وفقا ل جامعة ماساتشوستس مركز لويل لأبحاث الغلاف الجوي. تقوم شبكات التغذية الراجعة بتغذية المعلومات مرة أخرى إلى نفسها وهي مناسبة تمامًا لحل مشكلات التحسين. تستخدم تصحيحات أخطاء النظام الداخلي ردود الفعل ANNs.

تغذية إلى الأمام ANN:

المتطلبات المسبقة

ليست هناك حاجة إلى خبرة محددة كشرط أساسي قبل البدء في هذا البرنامج التعليمي.

جمهور

تم تطوير برنامجنا التعليمي للشبكة العصبية الاصطناعية للمبتدئين وكذلك المحترفين، لمساعدتهم على فهم المفهوم الأساسي للشبكات العصبية الاصطناعية.

مشاكل

نؤكد لك أنك لن تجد أي مشكلة في هذا البرنامج التعليمي للشبكة العصبية الاصطناعية. ولكن إذا كان هناك أي مشكلة أو خطأ، يرجى نشر المشكلة في نموذج الاتصال حتى نتمكن من تحسينها بشكل أكبر.