التخطي إلى المحتوى

إن عبارة “التعلم العميق” كانت تقوم بجولات الفيروس في السنوات الأخيرة حيث أصبحت أكثر شعبية وفهمًا في جميع أنحاء العالم, مهما كانت فكرتك عن التعلم العميق حاليًا لتلخيصها بكلمة واحدة يمكن تقطيرها إلى الدقة, لقد كان التعلم العميق قادراً على تحقيق مستوى هائل من الدقة من حيث الاعتراف, وهذا المستوى من الدقة مهم عندما تنتشر أهميته على نطاق واسع كما هو الحال في عالم الإلكترونيات الاستهلاكية فضلاً عن الأعمال الرائدة الجديدة, مثل السيارات التي لا تحتوي على سائق الآن, قبل أن نقفز إلى فهم الفروق الدقيقة في التعلم العميق, دعونا نلقي نظرة سريعة على التعلم الآلي وهو مفهوم يرتبط ارتباطًا وثيقًا.

تعلُم الآلة

التعلم الآلي هو العملية التي يمكن من خلالها برمجة جهاز حوسبة لتنفيذ مهمة دون أن يقول ذلك صراحة, والآن قد يبدو هذا كثيرًا مثل البرمجة القياسية لكن هناك فرقًا أساسيًا بينها, وعندما تكتب برنامجًا عاديًا تكون مهمة جهاز الحوسبة هي البدء من البيانات التي يتم تقديمها والوصول إلى المخرجات المطلوبة, يتم تحقيق ذلك عن طريق إعطاء الجهاز مجموعة من التعليمات التي يتم تنفيذها رتابة بواسطة الجهاز دون أي فهم للمشكلة في متناول اليد, ومع ذلك إذا أردنا استخدام نفس خط التفكير لبرنامج تعليمي آلي, فسنقدم له بيانات للعمل عليها ونمنحها هدفًا نهائيًا للوصول إليها, لم يتم تحديد كيفية الوصول إلى الهدف النهائي بشكل صريح بواسطة الشخص الذي يقوم بالبرمجة, وهذا يسمح للكمبيوتر بتحليل وفهم البيانات والمشكلة في متناول اليد.

سؤال آخر قد يطرح نفسه: “ما الفائدة من معرفة ما إذا كان الكمبيوتر لديه أي فهم للمشكلة والبيانات المتاحة، طالما أنه تم إنجاز العمل؟” للإجابة على هذا السؤال، لنلقي نظرة على أحد التطبيقات الأولى للتعلم الآلي وهو مجلد البريد العشوائي, لماذا يحتاج شيء بسيط مثل فرز الرسائل غير المرغوب فيها إلى خوارزمية للتعلم الآلي؟, حسنًا يتم اكتشاف رسائل البريد الإلكتروني العشوائي بمساعدة إشارات محددة موجودة في كلمات البريد الإلكتروني مثل “الترحيب” وما إلى ذلك

إحدى الطرق الأخرى هي بنية الكلمة مثل استخدام الحرف u بدلاً من الكلمة التي أنت عالجتها خلال البرمجة، يجب عليك كتابة الكثير من التعليمات البرمجية لحساب كل من هذه المتغيرات العشوائية, وإذا اكتشف مرسلو البريد العشوائي طريقة للتغلب على الكود بإضافة شيء مثل “لأجلك” والذي لن يتمكن البرنامج من اكتشافه لأنك لم تخبره بالتحديد بتحديد هذا الاختلاف الجديد, ومع ذلك عند استخدام خوارزمية للتعلم الآلي في اللحظة التي يتم فيها الإبلاغ عن تنوع جديد من الرسائل غير المرغوب فيها, سيُضاف البرنامج تلقائيًا إلى قاعدة البيانات الخاصة به وبالتالي سيعرف ما الذي يبحث عنه في المرة  بدلاً من جعل المبرمج مرهقًا بتعديلات صريحة على البرنامج في كل مرة.

التعلم عميق

التعلم العميق عبارة عن مجموعة فرعية من التعلم الآلي الذي يحاول العثور على أنماط مخفية بسلاسة داخل البيانات بكميات هائلة, خلافًا للإعتقاد الشائع ليس موضوعًا جديدًا, كما مكن تتبع وجوده في الثمانينات, وهناك سببان رئيسيان لمعاودة هذه الظاهرة في الآونة الأخيرة, ويتطلب التعلم العميق ما يُعرف بالبيانات المسماة، والتي يمكن وصفها بأنها بيانات ممتازة ودقيقة ومصنفة فعلى سبيل المثال، يتطلب تطوير سيارة بدون سائق ملايين الصور وآلاف ساعات الفيديو, ويتطلب التعلم العميق أيضا قوة حوسبة كبيرة، والإحتمالية التي ارتفعت في السنوات الأخيرة, فعلى سبيل المثال تحتوي وحدات معالجة الرسومات عالية الأداء اليوم على بنية متوازية تتسم بالكفاءة للتعلم العميق خاصة عند دمجها مع مستوى أعلى من أنظمة حسابية مثل مجموعة من الخوادم والحوسبة السحابية.

معظم شبكات التعلم العميق عبارة عن بنى شبكات عصبية، ولهذا السبب تسمى الشبكات العصبية القائمة على التعلم العميق أي الشبكات العصبية العميقة, الشبكة العصبية هي نموذج حوسبي يشبه هيكل شبكته الطبقي الترتيبات العصبية في الدماغ, وتعتبر الشبكة العصبية جيدة جدًا في التعلم من البيانات, مما يعني أنه يمكن تدريبها على التعرف على الأنماط وتصنيف البيانات والتنبؤ بالأحداث المستقبلية, ويشير المصطلح “عميق” عادةً إلى عدد الطبقات المخفية داخل الشبكة العصبية في شبكة عصبية عادية, وقد يكون هناك طبقتان أو ثلاث طبقات مخفية, بينما في شبكة عصبية عميقة قد يكون هناك ما يزيد عن 150 طبقة مخفية, كما تقسم الشبكة العصبية مدخلاتك إلى طبقات من التجريد يمكن تدريبه على العديد من الأمثلة للتعرف على أنماط الكلام أو الصور, تمامًا كما يفعل العقل البشري, يتم تعريف سلوكها من خلال الطريقة التي ترتبط بها عناصرها وقوة أو وزن تلك الاتصالات.

في الختام

انتشرت تطبيقات التعلم العميق على نطاق واسع في الصناعة، بدءاً من القيادة الآلية إلى الأجهزة الطبية, واحدة من المجالات الأساسية حيث يتم استخدام التعلم العميق في السيارات ذاتية القيادة, ويستخدم باحثو السيارات التعلم العميق لإكتشاف الكائنات تلقائيًا مثل علامات التوقف وإشارات المرور, حيث يُستخدم التعلم العميق أيضًا لإكتشاف المشاة, مما يساعد على تقليل الحوادث عندما يتعلق الأمر بالبحث الطبي, ويستخدم باحثو السرطان تعلمًا عميقًا لإكتشاف خلايا السرطان عندما يتعلق الأمر بالتطبيقات الصناعية, ويساعد التعلم العميق في تحسين سلامة العمال حول الآلات من خلال تحديد الوقت الذي يكون فيه الأشخاص على مسافة غير آمنة من هذه الأشياء, وفي الختام يمكننا أن نقول أن التعلم العميق موجود في تلك الأماكن التي يوجد فيها مستوى عالية من البيانات إلى جانب مستوى مجنون من قوة المعالجة.

المصدر: Science Abc

إقرأ أيضاً: ماذا سيحدث لو إختفى كوكب فجأة من النظام الشمسي؟

إقرأ أيضاً: الموناليزا: لماذا تبلغ قيمة هذه اللوحة 830 مليون دولار؟

التعليقات

اترك تعليقاً

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *