مسرد المصطلحات

الشبكة العصبية (NN)

اكتشف قوة الشبكات العصبية - وهي مفتاح ابتكارات الذكاء الاصطناعي والتعلم الآلي مثل الرؤية الحاسوبية والبرمجة اللغوية العصبية وابتكارات التعلم العميق.

تدريب YOLO النماذج
ببساطة مع Ultralytics HUB

التعرف على المزيد

الشبكات العصبية (NNs)، والتي غالباً ما تسمى الشبكات العصبية الاصطناعية (ANNs)، هي نماذج حسابية مستوحاة من البنية والوظيفة المعقدة للدماغ البشري. وهي تشكل حجر الزاوية للذكاء الاصطناعي الحديث (AI) والتعلم الآلي (ML)، وهي مصممة في المقام الأول للتعرف على الأنماط المعقدة داخل البيانات. تعمل هذه الشبكات على تشغيل العديد من الأنظمة الذكية التي نتفاعل معها يومياً، بدءاً من أدوات التعرف على الصور المتطورة إلى خدمات الترجمة اللغوية المتقدمة.

فهم الشبكات العصبية

تتكون الشبكة العصبية من طبقات من العقد المترابطة أو الخلايا العصبية. وتتضمن هذه الطبقات عادةً طبقة مدخلات تستقبل البيانات الخام، وطبقة مخفية واحدة أو أكثر تعالج البيانات، وطبقة مخرجات تنتج النتيجة النهائية، مثل التصنيف أو التنبؤ. يحمل كل اتصال بين الخلايا العصبية وزناً، مما يدل على أهمية الاتصال. وتعالج الخلايا العصبية مدخلاتها باستخدام دالة تنشيط لتحديد إشارة الخرج التي تمررها. تتعلم الشبكة من خلال تعديل هذه الأوزان أثناء عملية التدريب، وعادةً ما تستخدم خوارزميات مثل النسب المتدرج والترحيل العكسي، لتقليل الخطأ بين تنبؤاتها والقيم المستهدفة الفعلية. للحصول على إرشادات حول التدريب الفعال، راجع نصائح تدريب النموذج.

النماذج التي تستخدم التعلُّم العميق هي في الأساس شبكات عصبية ذات طبقات مخفية عديدة (ومن هنا جاءت كلمة "عميق"). يسمح لها هذا العمق بتعلم الأنماط المعقدة للغاية والسمات الهرمية من مجموعات البيانات الكبيرة، مما يجعلها فعالة بشكل استثنائي في مهام مثل اكتشاف الأجسام وتجزئة الصور. على عكس نماذج التعلم الآلي الأبسط التي قد تتطلب هندسة الميزات يدويًا، تتفوق الشبكات العصبية في استخراج الميزات ذات الصلة تلقائيًا من البيانات غير المنظمة مثل الصور والنصوص.

تطبيقات الشبكات العصبية

الشبكات العصبية متعددة الاستخدامات بشكل لا يصدق وقد تم تطبيقها في العديد من المجالات. وفيما يلي مثالان رئيسيان:

  1. الرؤية الحاسوبية: في مجال الرؤية الحاسوبية، تُستخدم الشبكات العصبية الشبكية، ولا سيما الأنواع المتخصصة مثل الشبكات الشبكية المتكاملة (CNNs)، لتحليل المعلومات البصرية وتفسيرها. النماذج الحديثة مثل Ultralytics YOLO تستفيد من الشبكات العصبية العميقة للكشف عن الأجسام في الوقت الحقيقي، وتجزئة الصور، وتقدير الوضع، مما يتيح تطبيقات من القيادة الذاتية إلى تحليل التصوير الطبي. يمكنك تدريب هذه النماذج ونشرها باستخدام منصات مثل Ultralytics HUB.
  2. معالجة اللغة الطبيعية: تُعد الشبكات العصبية أساسية في معالجة اللغة الطبيعية (NLP)، مما يمكّن الآلات من فهم اللغة البشرية وتوليدها. وتشمل التطبيقات الترجمة الآلية وتحليل المشاعر وتطوير روبوتات الدردشة الآلية. وتعتمد نماذج مثل BERT ونماذج GPT المختلفة على بنيات الشبكات العصبية المتطورة، وتحديداً المحولات.

الشبكات العصبية مقابل المفاهيم المتشابهة

من المفيد التمييز بين الشبكات العصبية ومفاهيم الذكاء الاصطناعي ذات الصلة:

  • الذكاء الاصطناعي (AI): الذكاء الاصطناعي هو المجال الواسع لإنشاء آلات ذكية. الشبكات العصبية هي تقنية محددة تستخدم في الذكاء الاصطناعي لتحقيق قدرات التعلم.
  • التعلم الآلي (ML): التعلم الآلي هو مجموعة فرعية من الذكاء الاصطناعي تركز على الخوارزميات التي تتعلم من البيانات. تُعد الشبكات العصبية العصبية فئة رئيسية من نماذج التعلُّم الآلي، وهي مهيمنة بشكل خاص في التعلُّم العميق.
  • التعلم العميق (DL): التعلم العميق هو مجال فرعي للتعلم الآلي يستخدم على وجه التحديد الشبكات العصبية ذات الطبقات المتعددة (البنى العميقة) لنمذجة الأنماط المعقدة. جميع نماذج التعلم العميق هي شبكات عصبية، ولكن ليست كل الشبكات العصبية عميقة.
  • الشبكات العصبية التلافيفية (CNNs): الشبكات العصبية التلافيفية (CNNs ) هي نوع متخصص من الشبكات العصبية التلافيفية المصممة بشكل أساسي لمعالجة البيانات الشبيهة بالشبكات، مثل الصور، مما يجعلها فعالة للغاية في مهام الرؤية الحاسوبية.
  • الشبكات العصبية المتكررة (RNNs): صُممت الشبكات العصبية المتكررة للتعامل مع البيانات المتسلسلة، مثل النصوص أو السلاسل الزمنية، من خلال وجود اتصالات تشكل دورات، مما يسمح باستمرار المعلومات.
  • المحولات: المحولات هي بنية أكثر حداثة، تعتمد بشكل كبير على آليات الانتباه، والتي أصبحت أحدث ما توصلت إليه العديد من مهام البرمجة اللغوية العصبية وتستخدم بشكل متزايد في الرؤية الحاسوبية.

باختصار، الشبكات العصبية هي نماذج قوية مستوحاة من الدماغ تمكّن الآلات من تعلم الأنماط المعقدة من البيانات. وهي لبنات بناء أساسية للتعلم العميق وتدفع التقدم في تطبيقات الذكاء الاصطناعي المتنوعة، بدءاً من فهم الصور باستخدام الرؤية الحاسوبية إلى معالجة اللغة في معالجة اللغات الطبيعية.

قراءة الكل