شبكة الخلايا العصبية الاصطناعية (الشبكة العصبية) هي نموذج حسابي يحاكي طريقة عمل الخلايا العصبية في الدماغ البشري.
تستخدم الشبكات العصبية الاصطناعية (ANNs) خوارزميات التعلم التي يمكنها إجراء تعديلات بشكل مستقل – أو التعلم، بمعنى ما – عند تلقي مدخلات جديدة.
هذا يجعلها أداة فعالة للغاية لنمذجة البيانات الإحصائية غير الخطية. تلعب شبكات ANN للتعلم العميق دورًا مهمًا في التعلم الآلي (ML) وتدعم المجال الأوسع لتكنولوجيا الذكاء الاصطناعي (AI).
شرح شبكة الخلايا العصبية الاصطناعية.
تحتوي الشبكة العصبية الاصطناعية على ثلاث طبقات أو أكثر مترابطة.
تتكون الطبقة الأولى من الخلايا العصبية المدخلة. ترسل هذه الخلايا العصبية البيانات إلى الطبقات الأعمق، والتي بدورها سترسل بيانات الإخراج النهائية إلى آخر طبقة إخراج.
يتم إخفاء جميع الطبقات الداخلية وتشكيلها بواسطة وحدات تقوم بتغيير المعلومات المتلقاة من طبقة إلى أخرى بشكل تكيفي من خلال سلسلة من التحويلات.
تعمل كل طبقة كطبقة إدخال وإخراج تسمح لشبكة ANN بفهم كائنات أكثر تعقيدًا. مجتمعة، تسمى هذه الطبقات الداخلية الطبقة العصبية.
تحاول الوحدات الموجودة في الطبقة العصبية التعرف على المعلومات التي تم جمعها من خلال وزنها وفقًا للنظام الداخلي لـ ANN. تسمح هذه الإرشادات للوحدات بإنشاء نتيجة محولة، والتي يتم توفيرها بعد ذلك كمخرجات للطبقة التالية.
تستفيد مجموعة إضافية من قواعد التعلم من backpropagation، وهي عملية يمكن من خلالها لـ ANN تعديل نتائج مخرجاتها من خلال أخذ الأخطاء في الاعتبار.
من خلال backpropagation، في كل مرة يتم فيها تصنيف الإخراج على أنه خطأ أثناء مرحلة التدريب تحت الإشراف، يتم إرسال المعلومات إلى الخلف.
يتم تحديث كل وزن بالتناسب مع مقدار مسؤوليتهم عن الخطأ. ومن ثم، يتم استخدام الخطأ لإعادة معايرة وزن وصلات وحدة ANN لمراعاة الفرق بين النتيجة المرغوبة والنتيجة الفعلية.
في الوقت المناسب، سوف “تعلم” ANN كيفية تقليل فرصة الأخطاء والنتائج غير المرغوب فيها. يتضمن تدريب شبكة عصبية اصطناعية الاختيار من بين النماذج المسموح بها والتي يوجد لها العديد من الخوارزميات المرتبطة.
إقرأ أيضاً… ما هو الفرق بين الذكاء الاصطناعي والشبكات العصبية؟
المزايا.
تتمتع ANN بالعديد من المزايا، ولكن من أكثر هذه المزايا شهرة حقيقة أنها يمكن أن تتعلم بالفعل من مراقبة مجموعات البيانات. بهذه الطريقة، يتم استخدام ANN كأداة تقريب دالة عشوائي.
تساعد هذه الأنواع من الأدوات في تقدير الطرق الأكثر فعالية من حيث التكلفة والمثالية للوصول إلى الحلول أثناء تحديد وظائف الحوسبة أو التوزيعات.
تأخذ ANN عينات البيانات بدلاً من مجموعات البيانات الكاملة للوصول إلى الحلول، مما يوفر الوقت والمال. تعتبر الشبكات العصبية الاصطناعية نماذج رياضية بسيطة إلى حد ما لتعزيز تقنيات تحليل البيانات الحالية.
يمكن استخدامها في العديد من التطبيقات العملية، مثل التحليل التنبئي في ذكاء الأعمال. واكتشاف البريد الإلكتروني العشوائي، ومعالجة اللغة الطبيعية في روبوتات المحادثة، وغيرها الكثير.
