الفيسبوك
التويتر
اليوتيوب
الانستغرام
لينكدإن
تيلكرام
بنترست
بودكاست
الحوار المتمدن
- موبايل
الموقع
الرئيسي
التعلم العميق
محمد عبد الكريم يوسف
مدرب ومترجم وباحث
(Mohammad Abdul-karem Yousef)
2022 / 5 / 17
العولمة وتطورات العالم المعاصر
التعلم العميق هو نوع من التعلم الآلي والذكاء الاصطناعي (AI) الذي يقلد الطريقة التي يكتسب بها البشر أنواعًا معينة من المعرفة.
إد بيرنز ، كيت فرشاة
ترجمة محمد عبد الكريم يوسف
ما هو التعلم العميق؟
التعلم العميق هو نوع من التعلم الآلي والذكاء الاصطناعي ( AI ) الذي يقلد الطريقة التي يكتسب بها البشر أنواعًا معينة من المعرفة. يعد التعلم العميق عنصرًا مهمًا في علم البيانات ، والذي يتضمن الإحصاء والنمذجة التنبؤية . إنه مفيد للغاية لعلماء البيانات المكلفين بجمع وتحليل وتفسير كميات كبيرة من البيانات ؛ التعلم العميق يجعل هذه العملية أسرع وأسهل.
في أبسط صوره ، يمكن اعتبار التعلم العميق وسيلة لأتمتة التحليلات التنبؤية . في حين أن خوارزميات التعلم الآلي التقليدية خطية ، فإن خوارزميات التعلم العميق مكدسة في تسلسل هرمي يتزايد فيه التعقيد والتجريد.
لفهم التعلم العميق ، تخيل طفلًا صغيرًا تكون كلمته الأولى كلبًا . يتعلم الطفل الدارج ما هو الكلب - وما هو ليس كذلك - بالإشارة إلى الأشياء وقول كلمة " كلب " . يقول الوالد ، "نعم ، هذا كلب" ، أو "لا ، هذا ليس كلبًا". مع استمرار الطفل الصغير في الإشارة إلى الأشياء ، يصبح أكثر وعياً بالسمات التي تمتلكها جميع الكلاب. ما يفعله الطفل ، دون أن يعرفه ، هو توضيح تجريد معقد - مفهوم الكلب - من خلال بناء تسلسل هرمي يتم فيه إنشاء كل مستوى من مستويات التجريد بالمعرفة التي تم اكتسابها من الطبقة السابقة للتسلسل الهرمي.
كيف يعمل التعلم العميق
تمر برامج الكمبيوتر التي تستخدم التعلم العميق بنفس العملية التي يتعلم بها الطفل الصغير للتعرف على الكلب. تطبق كل خوارزمية في التسلسل الهرمي تحويلًا غير خطي على مدخلاتها وتستخدم ما تتعلمه لإنشاء نموذج إحصائي كمخرج. تستمر التكرارات حتى يصل الإخراج إلى مستوى مقبول من الدقة. إن عدد طبقات المعالجة التي يجب أن تمر البيانات من خلالها هو ما ألهم التسمية بعمق .
في التعلم الآلي التقليدي ، يتم الإشراف على عملية التعلم ، ويجب أن يكون المبرمج محددًا للغاية عند إخبار الكمبيوتر بأنواع الأشياء التي يجب أن يبحث عنها ليقرر ما إذا كانت الصورة تحتوي على كلب أم لا. هذه عملية شاقة تسمى استخراج الميزات ، ويعتمد معدل نجاح الكمبيوتر كليًا على قدرة المبرمج على التحديد الدقيق لمجموعة ميزات للكلاب . ميزة التعلم العميق هي أن البرنامج يبني الميزة التي حددها بنفسه دون إشراف. التعلم غير الخاضع للإشراف ليس فقط أسرع ، ولكنه عادة ما يكون أكثر دقة.
في البداية ، قد يتم تزويد برنامج الكمبيوتر ببيانات التدريب - مجموعة من الصور التي قام الإنسان بتسمية كل صورة لكلب أو ليس كلبًا باستخدام العلامات الوصفية. يستخدم البرنامج المعلومات التي يتلقاها من بيانات التدريب لإنشاء مجموعة ميزات للكلب وبناء نموذج تنبؤي. في هذه الحالة ، قد يتنبأ النموذج الذي ينشئه الكمبيوتر أولاً أنه يجب تسمية أي شيء في الصورة التي لها أربعة أرجل وذيل كلب . بالطبع البرنامج ليس على علم بالتسميات الأربعة أرجل أو الذيل . سيبحث ببساطة عن أنماط البكسل في البيانات الرقمية. مع كل تكرار ، يصبح النموذج التنبئي أكثر تعقيدًا وأكثر دقة.
على عكس الطفل الصغير ، الذي سيستغرق أسابيع أو حتى أشهر لفهم مفهوم الكلب ، يمكن عرض مجموعة تدريب على برنامج كمبيوتر يستخدم خوارزميات التعلم العميق وفرز ملايين الصور ، وتحديد بدقة الصور التي تحتوي على كلاب في غضون بضعة أيام. الدقائق.
لتحقيق مستوى مقبول من الدقة ، تتطلب برامج التعلم العميق الوصول إلى كميات هائلة من بيانات التدريب وقوة المعالجة ، ولم يكن أي منهما متاحًا بسهولة للمبرمجين حتى عصر البيانات الضخمة والحوسبة السحابية . نظرًا لأن برمجة التعلم العميق يمكن أن تخلق نماذج إحصائية معقدة مباشرة من مخرجاتها التكرارية ، فهي قادرة على إنشاء نماذج تنبؤية دقيقة من كميات كبيرة من البيانات غير المنظمة وغير المنظمة. هذا مهم لأن إنترنت الأشياء ( IoT ) يستمر في الانتشار لأن معظم البيانات التي ينشئها البشر والآلات غير منظمة وغير مصنفة.
طرق التعلم العميق
يمكن استخدام طرق مختلفة لإنشاء نماذج قوية للتعلم العميق. تتضمن هذه الأساليب التعلم من الانحلال ونقل التعلم والتدريب من نقطة الصفر والتسرب .
تعلم معدل الاضمحلال. معدل التعلم عبارة عن معلمة فائقة - عامل يحدد النظام أو يحدد شروطًا لتشغيله قبل عملية التعلم - يتحكم في مقدار التغيير الذي يمر به النموذج استجابةً للخطأ المقدر في كل مرة يتم فيها تغيير أوزان النموذج. قد تؤدي معدلات التعلم المرتفعة جدًا إلى عمليات تدريب غير مستقرة أو تعلم مجموعة من الأوزان دون المستوى الأمثل. قد تؤدي معدلات التعلم الصغيرة جدًا إلى عملية تدريب طويلة من المحتمل أن تتعثر.
طريقة تحلل معدل التعلم - وتسمى أيضًا معدلات التعلم التلدين أو معدلات التعلم التكيفي - هي عملية تكييف معدل التعلم لزيادة الأداء وتقليل وقت التدريب. تتضمن التعديلات الأسهل والأكثر شيوعًا لمعدل التعلم أثناء التدريب تقنيات لتقليل معدل التعلم بمرور الوقت.
نقل التعلم. تتضمن هذه العملية إتقان نموذج تم تدريبه مسبقًا ؛ يتطلب واجهة مع الأجزاء الداخلية لشبكة موجودة مسبقًا. أولاً ، يقوم المستخدمون بتغذية الشبكة الحالية ببيانات جديدة تحتوي على تصنيفات لم تكن معروفة من قبل. بمجرد إجراء التعديلات على الشبكة ، يمكن تنفيذ مهام جديدة بقدرات تصنيف أكثر تحديدًا. تتميز هذه الطريقة بأنها تتطلب بيانات أقل بكثير من غيرها ، وبالتالي تقليل وقت الحساب إلى دقائق أو ساعات.
التدريب من الصفر. تتطلب هذه الطريقة من المطور تجميع مجموعة كبيرة من البيانات المسماة وتكوين بنية شبكة يمكنها التعرف على الميزات والنموذج. هذه التقنية مفيدة بشكل خاص للتطبيقات الجديدة ، بالإضافة إلى التطبيقات التي تحتوي على عدد كبير من فئات الإخراج. ومع ذلك ، بشكل عام ، فهو نهج أقل شيوعًا ، لأنه يتطلب كميات هائلة من البيانات ، مما يجعل التدريب يستغرق أيامًا أو أسابيع.
أوقع. تحاول هذه الطريقة حل مشكلة فرط التخصيص في الشبكات بكميات كبيرة من المعلمات عن طريق إسقاط الوحدات بشكل عشوائي وتوصيلاتها من الشبكة العصبية أثناء التدريب. لقد ثبت أن طريقة التسرب يمكن أن تحسن أداء الشبكات العصبية في مهام التعلم الخاضعة للإشراف في مجالات مثل التعرف على الكلام وتصنيف المستندات وعلم الأحياء الحسابي.
التعلم العميق الشبكات العصبية؟
يدعم نوع من خوارزمية التعلم الآلي المتقدمة ، والمعروف باسم الشبكة العصبية الاصطناعية ، معظم نماذج التعلم العميق. نتيجة لذلك ، قد يشار إلى التعلم العميق أحيانًا على أنه التعلم العصبي العميق أو الشبكات العصبية العميقة .
تأتي الشبكات العصبية في عدة أشكال مختلفة ، بما في ذلك الشبكات العصبية المتكررة والشبكات العصبية التلافيفية والشبكات العصبية الاصطناعية والشبكات العصبية المغذية ، ولكل منها فوائد لحالات استخدام محددة. ومع ذلك ، فإنهم جميعًا يعملون بطرق متشابهة إلى حد ما - من خلال تغذية البيانات والسماح للنموذج بمعرفة ما إذا كان قد اتخذ التفسير الصحيح أو القرار الصحيح بشأن عنصر بيانات معين.
تتضمن الشبكات العصبية عملية التجربة والخطأ ، لذا فهي بحاجة إلى كميات هائلة من البيانات للتدريب عليها. ليس من قبيل المصادفة أن الشبكات العصبية أصبحت شائعة فقط بعد أن تبنت معظم الشركات تحليلات البيانات الضخمة وتراكمت مخازن كبيرة من البيانات. نظرًا لأن التكرارات القليلة الأولى للنموذج تتضمن تخمينات متعلمة إلى حد ما حول محتويات صورة أو أجزاء من الكلام ، يجب تسمية البيانات المستخدمة أثناء مرحلة التدريب حتى يتمكن النموذج من معرفة ما إذا كان تخمينه دقيقًا. هذا يعني أنه على الرغم من أن العديد من الشركات التي تستخدم البيانات الضخمة لديها كميات كبيرة من البيانات ، فإن البيانات غير المهيكلة تكون أقل فائدة. لا يمكن تحليل البيانات غير المنظمة إلا من خلال نموذج التعلم العميق بمجرد أن يتم تدريبها وتصل إلى مستوى مقبول من الدقة ، لكن نماذج التعلم العميق لا يمكن أن تتدرب على البيانات غير المنظمة.
أمثلة التعلم العميق
نظرًا لأن نماذج التعلم العميق تعالج المعلومات بطرق مشابهة للدماغ البشري ، فيمكن تطبيقها على العديد من المهام التي يقوم بها الأشخاص. يستخدم التعلم العميق حاليًا في معظم أدوات التعرف على الصور الشائعة ومعالجة اللغة الطبيعية وبرامج التعرف على الكلام. بدأت هذه الأدوات في الظهور في تطبيقات متنوعة مثل السيارات ذاتية القيادة وخدمات الترجمة اللغوية.
تشمل حالات الاستخدام اليوم للتعلم العميق جميع أنواع تطبيقات تحليلات البيانات الضخمة ، لا سيما تلك التي تركز على البرمجة اللغوية العصبية وترجمة اللغة والتشخيص الطبي وإشارات تداول سوق الأوراق المالية وأمن الشبكة والتعرف على الصور.
تشمل المجالات المحددة التي يتم فيها استخدام التعلم العميق حاليًا ما يلي:
· تجربة العملاء : يتم بالفعل استخدام نماذج التعلم العميق لروبوتات المحادثة. ومع استمرار نضجها ، من المتوقع أن يتم تنفيذ التعلم العميق في العديد من الشركات لتحسين تجربة العملاء وزيادة رضا العملاء.
· توليد النص: يتم تعليم الآلات القواعد النحوية وأسلوب جزء من النص ثم تستخدم هذا النموذج تلقائيًا لإنشاء نص جديد تمامًا يطابق الإملاء الصحيح والنحو والأسلوب الصحيح للنص الأصلي.
· الفضاء والجيش: يتم استخدام التعلم العميق لاكتشاف الأشياء من الأقمار الصناعية التي تحدد مجالات الاهتمام ، بالإضافة إلى المناطق الآمنة أو غير الآمنة للقوات.
· الأتمتة الصناعية: يعمل التعلم العميق على تحسين سلامة العمال في بيئات مثل المصانع والمستودعات من خلال توفير الخدمات التي تكتشف تلقائيًا عندما يقترب العامل أو الكائن من الآلة.
· اضافة اللون: يمكن إضافة الألوان إلى الصور ومقاطع الفيديو بالأبيض والأسود باستخدام نماذج التعلم العميق. في الماضي ، كانت هذه عملية يدوية تستغرق وقتًا طويلاً للغاية.
· البحث الطبى: بدأ باحثو السرطان في تطبيق التعلم العميق في ممارساتهم كطريقة لاكتشاف الخلايا السرطانية تلقائيًا.
· رؤية الكمبيوتر: لقد عزز التعلم العميق رؤية الكمبيوتر بشكل كبير ، مما وفر أجهزة الكمبيوتر بدقة فائقة لاكتشاف الأشياء وتصنيف الصور واستعادتها وتجزئتها.
القيود والتحديات
أكبر قيود على نماذج التعلم العميق هو أنها تتعلم من خلال الملاحظات. وهذا يعني أنهم يعرفون فقط ما هو موجود في البيانات التي تدربوا عليها. إذا كان لدى المستخدم كمية صغيرة من البيانات أو أنها تأتي من مصدر واحد محدد لا يمثل بالضرورة المجال الوظيفي الأوسع ، فلن تتعلم النماذج بطريقة قابلة للتعميم.
تعد قضية التحيزات أيضًا مشكلة رئيسية لنماذج التعلم العميق. إذا تدرب النموذج على البيانات التي تحتوي على تحيزات ، فسيعيد النموذج إنتاج تلك التحيزات في تنبؤاته. كانت هذه مشكلة محيرة لمبرمجي التعلم العميق لأن النماذج تتعلم التمييز بناءً على الاختلافات الدقيقة في عناصر البيانات. في كثير من الأحيان ، العوامل التي تحددها مهمة لا يتم توضيحها صراحة للمبرمج. هذا يعني ، على سبيل المثال ، أن نموذج التعرف على الوجه قد يتخذ قرارات بشأن خصائص الأشخاص بناءً على أشياء مثل العرق أو الجنس دون أن يكون المبرمج على علم بذلك.
يمكن أن يصبح معدل التعلم أيضًا تحديًا كبيرًا لنماذج التعلم العميق. إذا كان المعدل مرتفعًا جدًا ، فسيتقارب النموذج بسرعة كبيرة ، مما ينتج عنه حل أقل من الأمثل. إذا كان المعدل منخفضًا جدًا ، فقد تتعطل العملية ، وسيكون من الصعب الوصول إلى حل.
يمكن لمتطلبات أجهزة نماذج التعلم العميق أيضًا أن تخلق قيودًا. يلزم وجود وحدات معالجة رسومات متعددة النواة عالية الأداء ( GPU ) ووحدات معالجة أخرى مماثلة لضمان تحسين الكفاءة وتقليل استهلاك الوقت. ومع ذلك ، فإن هذه الوحدات باهظة الثمن وتستهلك كميات كبيرة من الطاقة. تشمل متطلبات الأجهزة الأخرى ذاكرة الوصول العشوائي ومحرك الأقراص الثابتة ( HDD ) أو محرك الحالة الصلبة المستند إلى ذاكرة الوصول العشوائي (SSD).
تشمل القيود والتحديات الأخرى ما يلي:
· يتطلب التعلم العميق كميات كبيرة من البيانات. علاوة على ذلك ، ستحتاج النماذج الأكثر قوة ودقة إلى مزيد من المعلمات ، والتي بدورها تتطلب المزيد من البيانات.
· بمجرد التدريب ، تصبح نماذج التعلم العميق غير مرنة ولا يمكنها التعامل مع تعدد المهام. يمكنها تقديم حلول فعالة ودقيقة ولكن فقط لمشكلة واحدة محددة. حتى حل مشكلة مماثلة سيتطلب إعادة تدريب النظام.
· أي تطبيق يتطلب التفكير - مثل البرمجة أو تطبيق الطريقة العلمية - التخطيط طويل المدى والمعالجة الشبيهة بالخوارزميات هو أبعد مما يمكن أن تفعله تقنيات التعلم العميق الحالية ، حتى مع البيانات الكبيرة.
التعلم العميق مقابل التعلم الآلي
التعلم العميق هو مجموعة فرعية من التعلم الآلي الذي يميز نفسه من خلال الطريقة التي يحل بها المشاكل. يتطلب التعلم الآلي خبيرًا في المجال لتحديد أكثر الميزات المطبقة. من ناحية أخرى ، يتفهم التعلم العميق الميزات بشكل تدريجي ، وبالتالي يلغي الحاجة إلى خبرة المجال. هذا يجعل خوارزميات التعلم العميق تستغرق وقتًا أطول للتدريب من خوارزميات التعلم الآلي ، والتي لا تحتاج سوى بضع ثوانٍ إلى بضع ساعات. ومع ذلك ، فإن العكس هو الصحيح أثناء الاختبار. تستغرق خوارزميات التعلم العميق وقتًا أقل لتشغيل الاختبارات مقارنة بخوارزميات التعلم الآلي ، التي يزيد وقت اختبارها جنبًا إلى جنب مع حجم البيانات.
علاوة على ذلك ، لا يتطلب التعلم الآلي نفس الآلات المتطورة والمكلفة ووحدات معالجة الرسومات عالية الأداء التي يتطلبها التعلم العميق.
في النهاية ، يختار العديد من علماء البيانات التعلم الآلي التقليدي على التعلم العميق نظرًا لقابليته الفائقة في التفسير ، أو القدرة على فهم الحلول. تُفضل خوارزميات التعلم الآلي أيضًا عندما تكون البيانات صغيرة.
تشمل الحالات التي يصبح فيها التعلم العميق أفضل المواقف التي يكون فيها قدرًا كبيرًا من البيانات ، أو نقصًا في فهم المجال لاستبطان الميزات ، أو المشكلات المعقدة ، مثل التعرف على الكلام و البرمجة اللغوية العصبية .
|
|
التعليق والتصويت على الموضوع في الموقع الرئيسي
.. موريتانيا - مالي: علاقات على صفيح ساخن؟ • فرانس 24 / FRANCE
.. المغرب - إسبانيا: لماذا أعيد فتح التحقيق في قضية بيغاسوس للت
.. قطر تؤكد بقاء حماس في الدوحة | #غرفة_الأخبار
.. إسرائيل تكثف القصف بعد 200 يوم من الحرب | #غرفة_الأخبار
.. العرب الأميركيون مستاؤون من إقرار مجلس النواب حزمة مساعدات ج
