الوصف
هذا الفيديو التعليمي هو الجزء الثالث من الدورة الكاملة للتعلم العميق في MATLAB.
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:
المراجعات
لا توجد مراجعات بعد.