في بنية هذه الشبكة ، من أجل تطبيق التعيين على الصورة ، يُعتبر أن كل اتصال عصبي يطبق نفس التحويل المحلي على جميع التحولات المكانية. مع هذا الحكم ، يتم زيادة النسبة بين درجة حرية النظام وعدد العينات المطلوبة للتعلم بشكل كبير ويؤدي إلى تعزيز قوة تعميم النظام. تُظهر هذه الميزة كفاءتها في مجال معالجة الصور ، حيث نواجه عادةً مشكلة أن الحجم الكبير للإدخال يؤدي إلى مشكلة مطروحة بشكل سيء.

في بنية هذه الشبكة ، تتكرر أوزان الشبكة على المصفوفات المكانية ، مما يجعل هذا النوع من الشبكات غير حساس بطبيعته لنقل المدخلات. هذه الميزة مفيدة أيضًا لمعالجة الصور. بالإضافة إلى ذلك ، فإن تنفيذ هذه الشبكة على الأجهزة أمر سهل ، مما يجعل من الممكن استخدامها في التطبيقات غير المنقطعة. تستخدم CNN حاليًا في أمور مثل معالجة الكتابة اليدوية والتعرف على الوجوه.

عنوان:
تعلم عميق

الاختلافات بين نماذج التعرف على الأنماط التقليدية والتعلم العميق

ما هو مستخرج الميزات القابلة للتدريب؟

الهيكل العام لنظام التعرف على الأنماط

هيكل نظام الكشف عن الأشياء

يتميز بالتخيل في مراحل نظام التعلم العميق (الشبكة التلافيفية)

ميزة المستوى المنخفض ، ميزة المستوى المتوسط ​​، ميزة المستوى العالي

اللحاء البصري (من أين أتت فكرة التعلم العميق؟)

إدخال ثلاثة هياكل تعلم عميقة (التغذية الأمامية ، التغذية الخلفية ، ثنائية الاتجاه)

لماذا نحتاج التعلم العميق؟

ما هي النماذج العميقة؟ هل نماذج MLP و SVM والطبقة المزدوجة وشجرة القرار عميقة؟

في أي التطبيقات يتم استخدام التعلم العميق اليوم؟

قارن النماذج

(التعزيز ، الإدراك ، SVM ، AE ، شجرة القرار ، RBM ، DBN ، DBM ، GMM ، الترميز الاحتياطي ، BayesNP ، الشبكة التقليدية ، RNN ، الشبكة العصبية)

الهيكل العام للشبكة العصبية التلافيفية

إدخال كتلة التطبيع

تقديم كتلة تصفية البنك

إدخال الكتلة غير الخطية

إدخال كتلة التجميع أو الاختزال الجزئي

إدخال تغييرات على صورة أثناء مرورها عبر طبقات مختلفة من الشبكة العصبية التلافيفية

إدخال بنية الشبكة العصبية التلافيفية

ما الذي يغير الصورة بعد الالتواء؟

ما الذي يغير الصورة بعد التجميع؟

مفهوم الالتواء في الصورة

نافذة في الالتواء

مفهوم التجميع في الصورة

مثال على مشغل متوسط ​​محلي

اعرض صورة كل مرحلة من مراحل الشبكة العصبية التلافيفية

خوارزمية ما قبل الانتشار للخطأ في الشبكة العصبية التلافيفية

مثال رقمي لمشغل تلافيفي

استخدامان لتحديد إشارات المرور وتحديد أرقام المنازل

مثال على شبكة عصبية تلافيفية تحدد موضوع مشهد في مقطع فيديو

مثال على الشبكة العصبية التلافيفية في اكتشاف الكائن

The post الشبكة العصبية التلافيفية في MATLAB appeared first on فيلم تعلم البرمجيات للطالب العربي.

سرعة تدريب منخفضة
عالقون في الحد الأدنى المحلي

إحدى الشبكات البديلة لحل هاتين المشكلتين هي شبكات المعتقدات العميقة أو DBN.

بالإضافة إلى مهام التصنيف ، يمكن استخدام شبكات المعتقدات العميقة كطريقة لاستخراج الميزات.

إحدى مزايا شبكات الاعتقاد العميق في التعلم هي الميزة الموضحة في هذا الفيديو التعليمي. في هذه الطريقة ، بمساعدة البيانات غير المسماة ، يمكن استخراج ميزات عالية المستوى للبيانات التعليمية ويمكن زيادة قوة التمايز بين الفئات المختلفة في البيانات.

تتكون شبكات المعتقدات العميقة من طبقات تسمى آلات بولتزمان المحدودة. في الواقع ، من خلال تكديس آلات Boltzmann المحدودة ، يمكن إنشاء شبكات الاعتقاد العميق للمعالجة الهرمية.

The post دروس فيديو لشبكة المعتقدات العميقة في MATLAB appeared first on فيلم تعلم البرمجيات للطالب العربي.

العناوين الرئيسية:
برمجة الشبكات العصبية في برنامج MATLAB

ما قبل المعالجة والمعالجة اللاحقة

(Mapminamx و Mapstd و Processpca و Fixunknowns و removeconstraints)

تطبيع بيانات الإدخال

تصحيح البيانات غير المفقودة والقيم غير المفقودة

تطبيق الشبكة العصبية

(nftool و nctool و nprtool و ntstool)

الشبكات العصبية الضحلة متعددة الطبقات

أوامر الشبكة العصبية في MATLAB

(feedforwardnet، cascadeforwardnet، fitnet، patternnet)

الشبكة العصبية للتطبيق المناسب

الشبكة العصبية لتطبيق التعرف على الأنماط

خصائص كائن الشبكة العصبية

(net.biasConnect، net.inputConnect، net.layerConnect، net.outputConnect، net.biases، net.inputWeights، net.layerWeights، net.outputs، net.IW، net.LW، net.b)

قيم الوزن والانحياز

خصائص الكائن الفرعي للشبكة العصبية

(المدخلات ، الطبقات ، المخرجات ، التحيزات ، أوزان المدخلات ، أوزان الطبقة)

اضبط عدد الخلايا العصبية في الطبقة المخفية

اضبط وظيفة تدريب الشبكة العصبية

نمذجة الشبكة العصبية

حدد وظيفة التدريب

ما وظيفة التدريب التي يجب أن نختارها لتدريب الشبكة العصبية؟

ما هو الفرق بين trainlm و trainbr و trainscg؟ أيهما أفضل؟

الإلمام بوظائف التدريب
(traingd ، traingdm ، traingda ، traingdx ، trainrp ، traincgf ، traincgp ، traincgb ، trainscg ، trainbfg ، trainoss ، trainlm ، و trainbr)

ما هي وظيفة تدريب الشبكة العصبية الأكثر استخدامًا؟

هل التقارب السريع جيد؟

الشبكات العصبية ذات الحوسبة المتوازية و GPU

فئة Autoencoder

تعلم تكميم ناقلات الشبكة العصبية

تجمع

خريطة التنظيم الذاتي

شبكة عصبية تنافسية

قاعدة التعلم Kohonen (تعلم)

قاعدة تعلم التحيز (Learncon)

The post تنفيذ الشبكات العصبية الاصطناعية في MATLAB appeared first on فيلم تعلم البرمجيات للطالب العربي.

هذا القسم مخصص لتنفيذ وبرمجة نماذج التعلم العميق في MATLAB.

في عام 2020 ، أعادت MATLAB تسمية مجموعة أدوات الشبكة العصبية الخاصة بها إلى Deep Learning. يوضح هذا التغيير الدافع الكبير لشركة MATLAB لتوفير مجموعة أدوات قوية لمستخدميها.

يوفر لك التعلم العميق في MATLAB أداة ملائمة لتصميم وتنفيذ الشبكات العصبية العميقة باستخدام خوارزميات ونماذج مدربة مسبقًا. يمكنك استخدام الشبكات العصبية التلافيفية (ConvNet ، CNN) والذاكرة طويلة المدى (LSTM) لتصنيف الصور والانحدار والسلاسل الزمنية والبيانات النصية.

يمكنك إنشاء هياكل شبكة مثل شبكات الخصومة التوليدية (GANs) وشبكات سيامي باستخدام التمايز التلقائي وحلقات التدريب المخصصة والأوزان المنقسمة.

باستخدام أداة Deep Network Designer ، يمكنك تصميم الشبكات العصبية العميقة وتحليلها وتدريبها تلقائيًا بدون تشفير.

باستخدام أداة Experiment Manager ، يمكنك إدارة العديد من تجارب التعلم المتعمقة ، وتتبع معلمات التدريب في كل تجربة ، وتحليل النتائج ، ومقارنة أكواد الإنتاج ، وتحديد أفضل نموذج. تمنح هذه الأداة المستخدمين قدرة كبيرة على أداء مهمة التحكم في الإصدار. في مهمة التعلم العميق الحقيقية ، فإن العثور على المعلمات الصحيحة لنموذج ما يستغرق وقتًا طويلاً للغاية ومن الضروري حفظ المعلمات في كل مرة يتم فيها تنفيذ الكود للعثور أخيرًا على أفضل معلمة من خلال مقارنة العروض المختلفة. يمكنك القيام بذلك بسهولة بمساعدة أدوات إدارة الخبرة.

باستخدام أداة التعلم العميق ، يمكنك عرض نموذج التعلم العميق ورؤية الطبقات المختلفة ووظائف التحويل لكل طبقة. لذلك يمكنك بسهولة رؤية هيكل النموذج الخاص بك والحصول على فهم جيد لنموذج التعلم العميق.

باستخدام MATLAB Deep Learning Toolbox ، يمكنك إنشاء اتصالات مع أدوات برمجة التعلم العميق الأخرى مثل TensorFlow ™ و PyTorch. يستخدم مبرمجو Python الآن TensorFlow ™ و PyTorch ، لذا يمكنك استيراد النماذج المضمنة في هذه المكتبات إلى MATLAB واستخدامها كنموذج MATLAB. تنسيق الاتصال هو ONNX ، والذي يمكنه استيراد نماذج من TensorFlow-Keras و Caffe إلى MATLAB.

يدعم صندوق الأدوات هذا Transfer Learning مع DarkNet-53 و ResNet-50 و NASNet و SqueezeNet ونماذج أخرى مدربة مسبقًا. كما هو مذكور في الفيديو التعليمي Deep Learning Tutorial ، تمنعك هذه الميزة من اختراع العجلة من نقطة الصفر وإنشاء نماذج متقدمة بسهولة وتحقيق كفاءات عالية جدًا.

باستخدام التعلم المتعمق في MATLAB ، يمكنك تبسيط عملية تدريب النموذج الخاص بك على وحدة معالجة رسومات واحدة أو عدة وحدات معالجة رسومات. تتم هذه الميزة بمساعدة صندوق أدوات المعالجة المتوازية MATLAB. يمكنك أيضًا استخدام السحابة ، بما في ذلك NVIDIA®GPU Cloud و Amazon EC2®GPU. تتم هذه الميزة باستخدام مربع أدوات MATLAB Parallel Server.

العناوين الرئيسية:
شبكات مدربة مسبقًا

أداة مستكشف الوظائف الإضافية

قم بتثبيت شبكة التعلم العميق في MATLAB

اتصل بـ AlexNet في MATLAB

مقارنة بين شبكات التعلم العميق المدربة مسبقًا من حيث السرعة والحجم والدقة الحسابية

نقاط مهمة في اختيار نموذج التعلم العميق

ابدأ البرمجة برمز بسيط

معلمة الطبقات

اطبع هيكل الشبكة

احسب الحجم المناسب للصورة المدخلة

تغيير حجم الصورة المدخلة

أسماء طبقات الشبكة المختلفة

معلمات كل طبقة شبكة

استخراج معلمات الطبقة الأولى

استخرج معلمات الطبقات التالية

FilterSize و NumChannels و Stride

معلمات قابلة للتعلم

معلمات طبقة التجميع

فئة maxPooling2dLayer

طبقة FullyConnectedLayer

العمق والحجم وعدد المعلمات وحجم الصورة من Squeezenet و googlenet و inceptionv3 و densenet201 و mobilenetv2 و resnet18 و resnet50 و resnet101 و xception و inceptionresnetv2 و shufflenet و nasnetmobile و nasnetlarge و darknet19 و darknet53 و alexnet و vgg16

ثبِّت googlenet

تحقق من نسخة MATLAB

تحقق من طبقات googlenet

أسماء فئات إخراج الشبكة

تقديم نماذج Caffe

تقديم مصمم شبكة التطبيقات

اعمل مع التعلم العميق في MATLAB دون أي برمجة

الصفحة الرئيسية لأداة تصميم الشبكة

خيارات المصمم

التعريف بمكتبة الطبقات

ترتيب تلقائي

مقدمة تحليل

البحث عن أخطاء التصميم والتحذيرات

تصدير مقدمة

ألوان كل طبقة

تحميل البيانات

بيانات التحقق من الصحة وبيانات التدريب

خيارات التعزيز

تغيير بيانات التدريب

تحديد النسبة المئوية لبيانات التحقق من الصحة

مثال على التعلم الانتقالي

اضبط الطبقة المتصلة بالكامل

اضبط طبقة الإخراج

تقرير من فحص الشبكة

خيارات تعديل التدريب

حدد وظيفة التدريب أو حلالا

إدخال أجزاء مختلفة من نافذة التدريب

الدقة ، وظيفة الخسارة

الرسوم البيانية من التدريب

أسباب التوقف عن التدريب

دورة تدريبية

مورد الأجهزة

خيار التصدير

مثال

احصل على مخرجات من الشبكة المدربة

ماذا يمكنك أن تفعل بأداة بناء شبكة التعلم العميق في MATLAB؟

ما هو مقدار البيانات المطلوبة في التعلم الانتقالي؟

فوائد نقل التعلم

مثال على نقل التعلم

خيار NumFilters

التحقق من صحة التردد

MaxEpochs

الحجم

إنشاء رمز مع المعلمات الأساسية

أمر التنبؤ

هيكل شبكات التعلم العميق

ما هي المعلمة التي تعتمد على نوع وعدد الطبقات؟

الاختلافات بين طبقات التصنيف والانحدار

طبقة سوفت ماكس

شبكة صغيرة أو كبيرة

مفهوم التسلسل

تحديد طبقات الشبكة في التعليمات البرمجية

طبقة ImageInputLayer

بناء شبكات معقدة

مفهوم الرسم البياني غير الدوري الموجه (DAG)

أمر LayerGraph

أمر AddLayers

أمر ConnectLayers

مثال البرمجة MATLAB

عرض هيكل الشبكة مع قطعة أرض

خيارات التدريب في البرمجة

أنواع Solver في تدريب sgdm و adam و rmsprop

أمر TrainNetwork

تنفيذ تدريب شبكة التعلم العميق

خيار دورة التدريب

أوقف عملية التدريب

مفهوم العصر

النقطة الأخيرة

استخراج الوزن والتحيز من الشبكة المدربة

تطبيق بيانات الاختبار

مثال على التصنيف مع شبكة CNN

كيفية إدخال البيانات في MATLAB؟

كيف نحدد هيكل الشبكة؟

كيف تدرب الشبكة؟

كيف يتم تطبيق بيانات الاختبار على الشبكة؟

تقديم imageDataStore

فوائد imds

كيفية التعرف على جميع الصور في مجلد دون قراءة جميع الصور في MATLAB؟

أمر Fullfile

مثال من imageDataStore

استخراج صورة من imds

عدد الأوامر

أمر Readimage

قسّم البيانات إلى قسمين: التدريب والاختبار باستخدام أوامر MATLAB

الارتباك مصفوفة

كشف أخطاء الشبكة

القنوات في طبقات الشبكة

تدريب طبقة الالتواء

مفهوم المرشح في طبقة الالتفاف و filterSize

خطوة في طبقة الالتواء

مفهوم الاختزال

عدد س

و الأوزان في مرشح

التواء نوع متوسع

تمدد عامل

خريطة ميزة المفهوم

صيغة عدد معاملات طبقة الالتواء

حشوة صفرية

صيغة عدد الخلايا العصبية

صيغة حجم الإخراج

طبقة التسوية الدفعية

مزايا التطبيع في التعلم العميق

الوضع الأمثل لطبقة التسوية

نظرية طبقة ReLU

طبقات التنشيط النشطة

طبقة متسربة ReLU

طبقة مقطوعة ReLU

طبقة التسوية على طول القناة

تجميع التدريب كحد أقصى

متوسط ​​تجميع التدريب

مثال على التجميع

مهمة التجميع

طبقة التسرب

طبقة متصلة بالكامل

أسباب استخدام Softmax في فئة الإخراج

الإلمام بطبقات التعلم العميق المتوفرة في MATLAB 2020

طبقات الإدخال

إدخال التسلسل

مفهوم العائد على الاستثمار

طبقة التفاف ثنائية الأبعاد

طبقة قناة ثلاثية الأبعاد

طبقة الالتواء مجمعة

طبقة قناة منقول

طبقة متصلة بالكامل

تسلسل الطبقة

طبقة LSTM وطبقة LSTM ثنائية الاتجاه وطبقة GRU

مفهوم التسطيح في التعلم العميق

طبقة التجميع العالمية

طبقة تفريغ ثنائية الأبعاد

طبقات مجمعة

طبقة المجمع

طبقة التسلسل

طبقة جامع الوزن

طبقات تحديد الكائن

طبقة GAN

طبقة تصنيف البكسل

مثال عملي على تحديد كائن أمام كاميرا ويب متصلة بجهاز كمبيوتر

تعرف على النظارات الشمسية والأقلام والماوس من خلال التعلم المتعمق

مثال عملي على نقل التعلم

تغيير فئات مخرجات الشبكة العميقة

حدد اسمًا لكل طبقة

أمر ImageDataAugmenter

الأمر augmentedImageDataStore

مثال على التعرف على الوجوه

مثال على تشخيص مرض الكورونا

أدوات إدارة الخبرة

مدير التجربة

مقارنة بين نماذج التعلم العميق

التحكم في الإصدار في MATLAB

تحسين معايير نموذج التعلم العميق

قم بإنشاء تجربة

قسم متصفح التجربة

حدد معامل المتغير

حدد تجربة

جدول Hyperparameter

وظيفة الإعداد

اختبر العديد من شبكات التعلم العميق معًا

فرز نتائج إدارة الخبرة

The post التعلم العميق في MATLAB appeared first on فيلم تعلم البرمجيات للطالب العربي.

في هذا الفيديو التعليمي ، سوف نقدم لك أساسيات التعلم العميق حتى تتمكن من اكتساب المعرفة اللازمة للعمل في مجال التعلم العميق وتكون قادرًا على تنفيذ النماذج الخاصة بك في لغات البرمجة المختلفة.

الذكاء الاصطناعي هو محاكاة للذكاء البشري. يحلم الجنس البشري منذ فترة طويلة بالقدرة على تصميم نظام يمكن أن يعمل مثل الذكاء البشري. يحتوي الدماغ البشري ، وهو جوهر عملية صنع القرار ، على ملايين الخلايا العصبية المسؤولة بشكل أساسي عن الذكاء. يكتسب كل شخص قدرًا هائلاً من المعرفة والبيانات من بيئته خلال حياته. تتم معالجة هذه البيانات بواسطة الدماغ ويتم استخراج المعرفة منها. يعد التعبير الرياضي عن وظيفة التعلم للدماغ من البيئة أمرًا صعبًا للغاية ، لذا فإن إحدى الصعوبات في نمذجة الذكاء في الدماغ هي عدم فهم الإنسان لوظيفة التعلم في الدماغ وتحويله إلى ذكاء. نحتاج إلى تصميم أنظمة كمبيوتر تلتقط نفس مدخلات الدماغ وتحويله إلى ذكاء. السؤال الرئيسي هنا هو كيفية تحويل البيانات الخارجية إلى ذكاء بحيث يمكن لنظام الكمبيوتر أن يتدرب مثل دماغنا ويعمل مثل دماغنا.

لحل هذه المشكلة ، قدم الباحثون خوارزميات تستخرج الأنماط من بيانات الإدخال. يُعرف هذا المفهوم باسم التعلم الآلي. مع إدخال التعلم الآلي ، تمكنت الأنظمة الذكية من استخراج المعلومات من البيئة الخارجية ، وتم تقديم نماذج تحل إلى حد ما المشكلة السابقة في الذكاء الاصطناعي. خوارزمية بسيطة للتعلم الآلي هي بايز ساذجة يمكنها فصل رسائل البريد الإلكتروني العشوائية عن رسائل البريد الإلكتروني الحقيقية.

تعتمد كفاءة خوارزميات التعلم الآلي على كيفية التعبير عن بيانات الإدخال. يُعرف هذا المفهوم بالتمثيل. كنظام ، ضع في اعتبارك التشخيص القائم على التعلم الآلي ، والذي يقوم بعمله التشخيصي بناءً على نتائج اختبارات المريض مثل كمية السكر واليوريا والدهون وما إلى ذلك. لا يمكن لهذا النظام نفسه التواصل مباشرة مع المريض ويمكنه فقط إجراء التشخيص بناءً على البيانات التي يعطيها الطبيب للنظام. هذا يعني أنه إذا لم يقم الطبيب بإدخال عدد الدهون في الدم ، فلن يتمكن النظام من الاستجابة لأنه أحد المدخلات غير المعروفة. لا يمكن لهذا النظام أن يعمل على أساس صورة التصوير بالرنين المغناطيسي لأنه لا يمكن أن يكون لديه فهم صحيح للصورة ولا يتخذ سوى القرارات بناءً على بيانات اختبار المريض.

يمكن حل العديد من مهام الذكاء الاصطناعي من خلال تصميم ميزات لاستخراج البيانات من الإدخال بمساعدة خوارزميات التعلم الآلي. على سبيل المثال ، تتمثل إحدى الميزات المستخدمة لتحديد المتحدث في معالجة إشارة الكلام في تقدير حجم السبيل الصوتي للمتحدث. يمكن لخوارزمية بهذه الميزة اكتشاف ما إذا كان المتحدث ذكرًا أم أنثى أم طفلًا.

النقطة المهمة هنا هي أننا لا نعرف الميزات التي يجب استخراجها في كل مستخدم لتحقيق أفضل كفاءة ، لذلك يعد استخراج الميزات أحد نقاط الضعف في نماذج التعلم الآلي. في بعض الأحيان ، يتم العثور على الميزات المناسبة لتطبيق معين بعد إدراك مئات الباحثين ، مما يشير إلى ضعف نماذج التعلم الآلي.

تم اقتراح التعلم العميق لحل مشكلة نماذج التعلم الآلي. لم تعد نماذج التعلم العميق تتبع خوارزميات استخراج الميزات ويمكن أن تعمل مثل الدماغ البشري بمساعدة طبقاتها. يمكنك رؤية الشكل المفاهيمي للتعلم العميق في الشكل التالي ، والذي تم شرحه جيدًا في الفيديو التعليمي لأساسيات التعلم العميق في MATLAB:

الذكاء الاصطناعي هو محاكاة للذكاء البشري. يحلم الجنس البشري منذ فترة طويلة بالقدرة على تصميم نظام يمكن أن يعمل مثل الذكاء البشري. يحتوي الدماغ البشري ، وهو جوهر عملية صنع القرار ، على ملايين الخلايا العصبية المسؤولة بشكل أساسي عن الذكاء. يكتسب كل شخص قدرًا هائلاً من المعرفة والبيانات من بيئته خلال حياته. تتم معالجة هذه البيانات بواسطة الدماغ ويتم استخراج المعرفة منها. يعد التعبير الرياضي عن وظيفة التعلم للدماغ من البيئة أمرًا صعبًا للغاية ، لذا فإن إحدى الصعوبات في نمذجة الذكاء في الدماغ هي عدم فهم الإنسان لوظيفة التعلم في الدماغ وتحويله إلى ذكاء. نحتاج إلى تصميم أنظمة كمبيوتر تلتقط نفس مدخلات الدماغ وتحويله إلى ذكاء. السؤال الرئيسي هنا هو كيفية تحويل البيانات الخارجية إلى ذكاء بحيث يمكن لنظام الكمبيوتر أن يتدرب مثل دماغنا ويعمل مثل دماغنا.

لحل هذه المشكلة ، قدم الباحثون خوارزميات تستخرج الأنماط من بيانات الإدخال. يُعرف هذا المفهوم باسم التعلم الآلي. مع إدخال التعلم الآلي ، تمكنت الأنظمة الذكية من استخراج المعلومات من البيئة الخارجية ، وتم تقديم نماذج تحل إلى حد ما المشكلة السابقة في الذكاء الاصطناعي. خوارزمية بسيطة للتعلم الآلي هي بايز ساذجة يمكنها فصل رسائل البريد الإلكتروني العشوائية عن رسائل البريد الإلكتروني الحقيقية.

تعتمد كفاءة خوارزميات التعلم الآلي على كيفية التعبير عن بيانات الإدخال. يُعرف هذا المفهوم بالتمثيل. كنظام ، ضع في اعتبارك التشخيص القائم على التعلم الآلي ، والذي يقوم بعمله التشخيصي بناءً على نتائج اختبارات المريض مثل كمية السكر واليوريا والدهون وما إلى ذلك. لا يمكن لهذا النظام نفسه التواصل مباشرة مع المريض ويمكنه فقط إجراء التشخيص بناءً على البيانات التي يعطيها الطبيب للنظام. هذا يعني أنه إذا لم يقم الطبيب بإدخال عدد الدهون في الدم ، فلن يتمكن النظام من الاستجابة لأنه أحد المدخلات غير المعروفة. لا يمكن لهذا النظام أن يعمل على أساس صورة التصوير بالرنين المغناطيسي لأنه لا يمكن أن يكون لديه فهم صحيح للصورة ولا يتخذ سوى القرارات بناءً على بيانات اختبار المريض.

يمكن حل العديد من مهام الذكاء الاصطناعي من خلال تصميم ميزات لاستخراج البيانات من الإدخال بمساعدة خوارزميات التعلم الآلي. على سبيل المثال ، تتمثل إحدى الميزات المستخدمة لتحديد المتحدث في معالجة إشارة الكلام في تقدير حجم السبيل الصوتي للمتحدث. يمكن لخوارزمية بهذه الميزة اكتشاف ما إذا كان المتحدث ذكرًا أم أنثى أم طفلًا.

النقطة المهمة هنا هي أننا لا نعرف الميزات التي يجب استخراجها في كل مستخدم لتحقيق أفضل كفاءة ، لذلك يعد استخراج الميزات أحد نقاط الضعف في نماذج التعلم الآلي. في بعض الأحيان ، يتم العثور على الميزات المناسبة لتطبيق معين بعد إدراك مئات الباحثين ، مما يشير إلى ضعف نماذج التعلم الآلي.

تم اقتراح التعلم العميق لحل مشكلة نماذج التعلم الآلي. لم تعد نماذج التعلم العميق تتبع خوارزميات استخراج الميزات ويمكن أن تعمل مثل الدماغ البشري بمساعدة طبقاتها. يمكنك رؤية الشكل المفاهيمي للتعلم العميق في الشكل التالي ، والذي تم شرحه جيدًا في الفيديو التعليمي لأساسيات التعلم العميق في MATLAB:

The post أساسيات التعلم العميق appeared first on فيلم تعلم البرمجيات للطالب العربي.

عنوان:
مقدمة

الذكاء الاصطناعي (AI)

تعريف الشبكة العصبية الاصطناعية

أنواع الشبكات العصبية الاصطناعية

تطبيقات الشبكة العصبية الاصطناعية

التطبيقات العامة لشبكات ANN

التعرف على الأنماط

حفظ ومراجعة البيانات

تقريب الوظيفة (الانحدار غير الخطي والتقدير والتنبؤ)

عملية التنقيب عن البيانات

تعريف المشكلة

مخزن البيانات

بناء قاعدة بيانات تتعلق بالتنقيب عن البيانات

حدد البيانات

البحث عن البيانات

تحويل البيانات (إعداد البيانات)

استكشاف البيانات

تقييم نموذج الشبكة العصبية

تفسير نتيجة صنع النموذج وتقديم النتائج

التاريخ

الخلايا العصبية البيولوجية

الخلايا العصبية الاصطناعية

نموذج رياضي للخلايا العصبية (McClach-Pitts-1943)

مقدمة عن وظائف نقل الشبكة العصبية: (hardlim ، logsig ، hardlims ، poslin ، purelin ، satlins ، satlin ، tansig ، tribas ، radbas)

الشبكات العصبية متعددة الطبقات (MLP)

وظائف التنشيط السيني

هيكل الشبكة العصبية

تدريب وتعميم وتنفيذ الشبكة العصبية

التعلم في الشبكات العصبية الاصطناعية

التدريب مع المشرف (التعلم الخاضع للإشراف)

التدريب بدون مراقب (التعلم غير الخاضع للإشراف)

خوارزميات التدريب

تعلم Heb

قانون التعلم دلتا

التعلم التنافسي

خوارزمية نزول التدرج

تجهيز

قوة التعميم و overfitting

كيف تعمل الشبكة العصبية؟

مثال تعليمي

خطوات تصميم نموذج الشبكة العصبية للتصنيف أو التنبؤ (التقدير)

فوائد الشبكات العصبية

عيوب الشبكات العصبية

خصائص الشبكات العصبية

بعض المقاطع التعليمية

اختيار طوبولوجيا الشبكة العصبية

قابلية تعميم الشبكة

The post أساسيات الشبكة العصبية الاصطناعية appeared first on فيلم تعلم البرمجيات للطالب العربي.

الذكاء الاصطناعي هو معرفة واسعة جدًا ، جزء منها هو التعلم العميق. يعد التعلم العميق أحد أكثر الموضوعات إثارة وجاذبية التي وجدها الكثير من المتحمسين. أحد أسباب هذا الاهتمام هو بساطة العمل والنتائج المذهلة. على سبيل المثال ، للتعرف على كائن في صورة ، إذا كنت تريد استخدام الطرق القديمة ، فيجب عليك استخراج الميزة ثم تحديد نموذج التصنيف. هذه العملية تستغرق وقتًا طويلاً ومتخصصة جدًا ويجب على أخصائي ضبط نوع الميزات ومعلماتها. ولكن مع التعلم العميق ، تحتاج فقط إلى تصميم هيكل النموذج الخاص بك ولا تحتاج إلى خطوة استخراج الميزة وتتم العملية برمتها بواسطة طبقات نموذج التعلم العميق.

السبب التالي لجاذبية التعلم العميق هو أن هناك العديد من النماذج المدربة مسبقًا التي تجعل عملية التصميم والتدريب والاختبار قصيرة جدًا ، ويمكنك تغيير نموذج جاهز للتطبيق الخاص بك وفقًا لمفهوم نقل التعلم . هذا يعني أنك لم تعد مضطرًا إلى اختراع العجلة من نقطة الصفر وبدء كل العملية الصعبة والمملة لتصميم نموذجك الذكي من البداية. يوجد الآن نماذج مدربة مسبقًا يمكنها تحديد 1000 صورة مختلفة للفئات بدقة. هذا يعني أنك تقوم باستيراد النموذج وإعطائه صورة ويقوم بعمل التعريف نيابة عنك.

لماذا هذه الباقة؟
الشبكات العصبية الاصطناعية هي نموذج بسيط من النظام العصبي في الدماغ البشري ، والتي لها العديد من التطبيقات في العلوم والهندسة. أهم ميزات ANN هي القدرات الرائعة وكذلك البساطة.

في الوقت الحالي ، تجد نماذج التعلم العميق العديد من التطبيقات وهي واحدة من الموضوعات الساخنة ، لذا فإن التعلم العميق هو أحد الأشياء الضرورية للجميع.

هناك العديد من موارد التعلم للتعلم العميق ، ولكن معظمها مبني على النظرية ، ولا يركزون على جانب التطبيق من التعلم العميق.

في حزمة البرنامج التعليمي هذه ، ستتعلم كيفية تنفيذ وتشغيل كود MATLAB لتطبيقات مختلفة. هناك العديد من الأمثلة في كل قسم لتتعلم بشكل أفضل.

نبدأ بالأساسيات ونستمر في التقدم ، لذلك ستتعلم خطوة بخطوة وستحصل على أفضل نتيجة.

هذه الحزمة هي نتيجة سنوات عديدة من الخبرة في مشاريع التعلم العميق المختلفة.

خطأ شائع:
يواجه معظم المبتدئين في MATLAB والتعلم العميق العديد من الأخطاء ، عند تشغيل أو تطوير التعليمات البرمجية. في هذا البرنامج التعليمي ، سنصف الخطأ الأكثر شيوعًا في صندوق أدوات التعلم العميق في MATLAB.

العديد من الأمثلة:
نجمع لك العديد من الأمثلة التي يمكنك أن تجدها جميعًا في أي كتاب أو مصدر تعليمي.

من يمكنه استخدام هذه الباقة:
كل من يرغب في تنفيذ كود أو مشروع في MATLAB

محتويات :
أساسيات التعلم العميق

ترميز MATLAB للشبكة العصبية الاصطناعية (ANN)

النمذجة من قبل ANN

التصنيف بواسطة ANN

ANN للتنبؤ

ANN في معالجة الصور

الشبكات العصبية التلافيفية

شبكات الذاكرة طويلة المدى

تطبيق Deep Network Designer

نماذج محددة مسبقا

نقل التعلم

الجزء الأول: أساسيات الشبكة العصبية الاصطناعية

الجزء 3: أساسيات التعلم العميق

الجزء 4: تنفيذ التعلم العميق في MATLAB

The post دورة كاملة من التعلم العميق في MATLAB appeared first on فيلم تعلم البرمجيات للطالب العربي.