التعلُّم العميق (DL)

المفاهيم الأساسية

الفكرة الأساسية وراء التعلم العميق هي التعلم الهرمي للميزات. على عكس مناهج التعلم الآلي التقليدية التي تعتمد غالبًا على هندسة الميزات يدويًا، تتعلم نماذج التعلم العميق تدريجياً ميزات أكثر تعقيدًا طبقة تلو الأخرى. على سبيل المثال، في عملية التعرّف على الصور، قد تكتشف الطبقات الأولية الحواف البسيطة، وقد تجمع الطبقات اللاحقة بين الحواف للتعرّف على الأشكال، وقد تحدد الطبقات الأعمق الأجسام المعقدة. يعد هذا الاستخراج التلقائي للميزات ميزة رئيسية، خاصة بالنسبة للبيانات غير المنظمة. تشمل المكونات الرئيسية وظائف التنشيط، ووظائف الخسارة، وخوارزميات التحسين مثل نزول التدرج، والتي تضبط معلمات الشبكة أثناء التدريب. يمكنك معرفة المزيد عن الأساسيات من مصادر مثل مقالة ويكيبيديا عن الشبكات العصبية الاصطناعية.

التعلّم العميق مقابل التعلّم الآلي

في حين أن التعلُّم العميق هو مجموعة فرعية من التعلُّم الآلي (ML)، إلا أن الفرق الأساسي يكمن في البنية ومعالجة البيانات. غالبًا ما تعمل خوارزميات التعلّم الآلي التقليدية بشكل أفضل مع البيانات المنظمة والمصنفة وقد تتطلب هندسة ميزات كبيرة. يتفوق التعلم العميق مع كميات كبيرة من البيانات غير المنظمة (مثل الصور والصوت والنصوص) ويتعلم تلقائيًا الميزات ذات الصلة من خلال بنيته العميقة ذات الطبقات(الشبكات العصبية). يتطلب التعلم العميق بشكل عام مزيدًا من البيانات والقدرة الحاسوبية (غالبًا وحدات معالجة الرسوميات) للتدريب مقارنةً بأساليب التعلم الآلي التقليدية، ولكنه يمكن أن يحقق أداءً أعلى في المهام المعقدة مثل الرؤية الحاسوبية ومعالجة اللغات الطبيعية.

البنى الرئيسية

تعد العديد من بنيات الشبكات العصبية أساسية في التعلم العميق:

• الشبكات العصبية التلافيفية (CNNs): فعالة للغاية بالنسبة للبيانات الشبيهة بالشبكات، وخاصة الصور، وتستخدم على نطاق واسع في تصنيف الصور واكتشاف الأجسام.
• الشبكات العصبية المتكررة (RNNs): مصممة للبيانات المتسلسلة مثل النصوص أو السلاسل الزمنية، وقادرة على معالجة المدخلات ذات الأطوال المختلفة. تعالج المتغيرات مثل LSTM وGRU التحديات المتعلقة بالتسلسلات الطويلة.
• المحولات: تم تطوير هذه النماذج في البداية من أجل البرمجة اللغوية العصبية اللغوية، وتستخدم هذه النماذج آليات الانتباه الذاتي وقد أظهرت نجاحًا ملحوظًا في مجالات مختلفة، بما في ذلك الرؤية. تم تفصيل المفهوم الأصلي في ورقة "الانتباه هو كل ما تحتاجه".

التطبيقات الواقعية

يعمل التعلم العميق على تشغيل العديد من تطبيقات الذكاء الاصطناعي الحديثة:

1. الأنظمة ذاتية القيادة: في السيارات ذاتية القيادة، نماذج DL مثل Ultralytics YOLO تقوم بالكشف عن الأجسام وتجزئة الصور في الوقت الفعلي، وتحديد المركبات والمشاة وعلامات الطريق لتمكين الملاحة.
2. الرعاية الصحية: تعمل تقنية DL على إحداث ثورة في تحليل الصور الطبية من خلال مساعدة أخصائيي الأشعة في الكشف عن الحالات الشاذة الدقيقة في الفحوصات، مثل تحديد الأورام، مما يؤدي إلى تشخيص مبكر وتحسين نتائج المرضى، كما هو موضح في المبادرات البحثية مثل برنامج Bridge2AI التابع للمعاهد الوطنية للصحة.

الأدوات وأطر العمل

يتم تسهيل تطوير نماذج DL من خلال مكتبات ومنصات برمجية مختلفة. تشمل الأطر مفتوحة المصدر الشائعة ما يلي PyTorch (قم بزيارة صفحةPyTorch الرئيسية) و TensorFlow (قم بزيارة الصفحة الرئيسية لTensorFlow ). توفر منصات مثل Ultralytics HUB بيئات متكاملة لتدريب ونشر وإدارة نماذج DL، خاصةً لمهام الرؤية الحاسوبية.

الأهمية في الذكاء الاصطناعي والرؤية الحاسوبية

يُعد التعلم العميق محركًا رئيسيًا للتقدم في مجال الذكاء الاصطناعي، لا سيما في مجال الرؤية الحاسوبية. وقد أدت قدرتها على التعلم من مجموعات البيانات الضخمة إلى تحقيق اختراقات في مجالات كانت تُعتبر في السابق صعبة على الآلات. ويدين هذا المجال بالكثير لرواده مثل جيفري هينتون ويان لوكون ويوشوا بنجيو. وتواصل منظمات مثل DeepLearning.AI وجمعية النهوض بالذكاء الاصطناعي (AAAI) تطوير البحث والتعليم في هذا المجال سريع التطور.