ما هو التعلم العميق؟
لعلك سمعت من قبل عن مفهوم التعلم العميق مع عدة مفاهيم أخرى مثل تعلم الآلة والشبكات العصبية الاصطناعية وكثيرًا ما ترتبط هذه المفاهيم ببعضها البعض ويتم ذكرها سويًا عند الحديث عن مجال الذكاء الاصطناعي بشكل عام وتطبيقاته الكثيره، ولكن ماذا تعني هذه المفاهيم بالتحديد؟ وما الفرق بينهما؟
في البداية يشير مفهوم تعلم الآلة إلى التخصص المهتم بدراسة الخوارزميات القائمة على جعل الآلة تتعلم وتتطور بمفردها دون الحاجة إلى أوامر برمجية محددة. حيث يتم إدخال «مجموعة بيانات-data set» إلى تلك الخوارزميات فتحللها وتتعلم منها ومن ثم تقوم ببناء توقعات استنادًا على ما تعلمته. يمثل تخصص تعلم الآلة التقاطع بين علم الحاسب والاحصاء. [1]
مثال بسيط على تطبيق خوارزميات تعلم الآلة هو “المقترحات”. عند استماعك إلى الموسيقى على إحدى منصات الاستماع الشهيرة، ففي زيارتك التالية تجد المزيد من الموسيقى المشابهة والترشيحات ذات الصلة بتاريخ استماعك، حيث قامت خوارزميات تعلم الآلة بتحليل بيانات تاريخ استماعك وتفضيلاتك وقامت بإيجاد الأنماط خلالها ثم ببناء توقعات للعديد من الموسيقى الأخرى التي تناسب ذوقك.
يمكنك معرفة المزيد عن تعلم الآلة في مقدمة عن تعلم الآلة.
أما عن مفهوم التعلم العميق فهو تخصص من تعلم الآلة الذي هو بدوره تخصص من الذكاء الاصطناعي.
محتويات المقال :
«التعلم العميق -deep learning»
هو التخصص المهتم بدراسة «الشبكات العصبية الاصطناعية-artificial neural networks» التي تقوم بمحاكاة الشبكات العصبية في مخ الانسان.
«الشبكة العصبية الاصطناعية-artificial neural network»
تعرف «الشبكة العصبية الاصطناعية-artificial neural network» على أنها قطعة من نظام الحوسبة المصممة لمحاكاة عملية التحليل والمعالجة في مخ الانسان. وحدة المعالجة الأساسية في مخ الانسان هي الخلية العصبية، وتقابلها الخلية العصبية الاصطناعية في الآلة. تَجَمُّع الخلايا العصبية الاصطناعية يعرف بالشبكة العصبية الاصطناعية. [2]
ظهر تخصص التعلم العميق كامتداد وتطور لتعلم الآلة حين عجزت خوارزميات تعلم الآلة التقليدية عن أداء بعض المهام المعقدة. على سبيل المثال، تتطلب خوارزميات تعلم الآلة التقليدية مجموعة بيانات مبسطة ومرتبة للتعلم منها. ولكنها غير قابلة على التعلم من مجموعة البيانات الكبيرة والمعقدة مثل الموجات الصوتية المختلفة وأبعاد الصور وعدد ال pixels بداخلها، لذا تستخدم خوارزميات التعلم العميق للتعامل مع بيانات معقدة كهذه كما في تطبيقات «التعرف على الصوت- voice recognition» التي تستخدمها سيري مساعدة جوجل في التعرف على أصوات محدثيها وتطبيقات «التعرف على الصور- image recognition» المستخدمة من قبل فيسبوك للتعرف على وجوه الأشخاص داخل الصور.
تكوين خوارزمية التعلم العميق
تتكون الخوارزمية من هيكل متعدد الطبقات من الشبكات العصبية الاصطناعية. حيث تكون الطبقة على الطرف الأيسر هي طبقة الإدخال، و الطبقة على الطرف الأيمن هي طبقة الإخراج، وفي الوسط العديد من الطبقات المخفية المسؤولة عن المعالجة. بنية خوارزميات التعلم العميق الطبقية تمكنها من معالجة أفضل للبيانات وأداء أفضل.
وبناءً على ذلك، تتطلب خوارزمية التعلم العميق مستوى أقل من التدخل البشري في تحسين نتائج الخوارزمية. حيث تقوم الخوارزمية بالتعلم والتحسين من أخطائها بمفردها. على عكس خوارزمية تعلم الآلة التقليدية التي تتطلب الكثير من التدخل البشري للتعديل والتحسين. [3]
ولكن مع ذلك، ما زالت خوارزميات التعلم العميق قيد التطور. بالرغم من تقدمها والتحسين الملحوظ فيما تقدمه من نتائج وأداء إلى أنها تتطلب الكثير من الوقت وقدره حوسبة عالية لتتعلم من مجموعة البيانات الضخمة وتكوين نموذج قابل للتطبيق.
على الرغم من تقدم خوارزميات وتقنيات عالم الذكاء الاصطناعي والنتائج المبشرة التي تحملها تطبيقاتها إلى أنها لا تزال في مراحلها الأولى وأمامها الكثير من التقدم والفرص.
مصادر:
1 levity
2 Wikipedia
3 simplilearn
Author: Norhan Abdelkarim
طالبة جامعية مصرية.
سعدنا بزيارتك، جميع مقالات الموقع هي ملك موقع الأكاديمية بوست ولا يحق لأي شخص أو جهة استخدامها دون الإشارة إليها كمصدر. تعمل إدارة الموقع على إدارة عملية كتابة المحتوى العلمي دون تدخل مباشر في أسلوب الكاتب، مما يحمل الكاتب المسؤولية عن مدى دقة وسلامة ما يكتب.
التعليقات :