أسئلة: الشبكات العصبية والتعلم العميق

الإجابة الصحيحة: طبقة إدخال، طبقات مخفية، طبقة إخراج

تتكون الشبكة العصبية من طبقة إدخال للبيانات، وطبقات مخفية لاستخراج السمات، وطبقة إخراج لتقديم النتائج.

الإجابة الصحيحة: تحديد مقدار واتجاه مساهمة قيمة المدخل في الحساب

الوزن هو معامل عددي يحدد مدى تأثير المدخل على ناتج الخلية، ويمكن أن يكون موجباً أو سالباً.

الإجابة الصحيحة: فرط التخصيص

فرط التخصيص يحدث عندما يحفظ النموذج تفاصيل بيانات التدريب بدلاً من تعلم الأنماط العامة.

الإجابة الصحيحة: بناء السمات هرمياً (خطوط ثم أجزاء ثم كائنات)

التعلم العميق يستخرج سمات متدرجة من البسيطة في الطبقات الضحلة إلى المعقدة في الطبقات العميقة.

الإجابة الصحيحة: تعديل المعلمات لتقليل دالة الخسارة

التدريب يهدف إلى ضبط الأوزان والمعلمات تدريجياً لتقليل الفرق بين توقعات الشبكة والقيم الصحيحة.

الإجابة الصحيحة: أن الشبكة تستخدم عدداً كبيراً من الطبقات المخفية

يشير العمق إلى تكديس العديد من الطبقات المخفية لتعلم تمثيلات متتابعة من البيانات.

الإجابة الصحيحة: لأن الأداء يعتمد على ملاءمة البنية للمهمة والبيانات

زيادة العمق قد تزيد الكلفة الحوسبية دون ضمان تحسن الأداء إذا لم تكن البيانات أو البنية مناسبة.

الإجابة الصحيحة: إنتاج قيمة ناتجة تنتقل للجزء التالي من الشبكة

بعد جمع المدخلات المرجحة مع الانحياز، تُطبق دالة التنشيط لإنتاج القيمة النهائية للخلية.

الإجابة الصحيحة: بقياس الأداء على بيانات تحقق منفصلة

التقييم على بيانات لم تُستخدم في التدريب هو الطريقة الوحيدة للتأكد من قدرة النموذج على التعميم.

الإجابة الصحيحة: توافر أدوات برمجية وقدرات حوسبية أفضل

تطور الخوارزميات، وتوافر البيانات، وزيادة القدرة الحاسوبية (مثل GPU) هي عوامل رئيسية لانتشار التعلم العميق.

الإجابة الصحيحة: خوارزمية لحساب التدرجات اللازمة لتعديل المعلمات

الانتشار العكسي هو الآلية التي تُستخدم لحساب كيفية تعديل الأوزان لتقليل الخطأ.

الإجابة الصحيحة: اختيار المهمة والبيانات والبنية والهدف والتقييم

رغم قدرة الشبكات على تعلم التمثيلات، يظل التصميم والتقييم والهدف مسؤولية بشرية.

الطبقات المخفية هي أي طبقة بين الإدخال والإخراج تقوم بتحويل البيانات. في التعلم العميق، تُنظم هذه الطبقات هرمياً؛ حيث تستخرج الطبقات الضحلة سمات بسيطة (مثل الحواف)، بينما تستخرج الطبقات الوسطى أجزاءً (مثل الأشكال)، وتستخرج الطبقات العميقة سمات أكثر تجريداً (مثل البنية الكاملة للجسم)، مما يسمح بفهم علاقات معقدة.

تستقبل الخلية قيم المدخلات، تقوم بضرب كل قيمة في الوزن الخاص بها، تجمع هذه النواتج مع إضافة حد الانحياز، ثم تمرر المجموع على دالة تنشيط معينة، والنتيجة النهائية هي القيمة التي تُرسل إلى الطبقة التالية.

يعد خطراً لأنه يجعل النموذج يحفظ تفاصيل بيانات التدريب (بما فيها الضوضاء) بدلاً من فهم الأنماط، مما يؤدي لفشل النموذج مع أي بيانات جديدة. يُتجنب ذلك بتقييم النموذج على بيانات تحقق أو اختبار منفصلة لم يسبق للنموذج رؤيتها أثناء التدريب.

لا، لا يعني ذلك ذكاءً عاماً. التعلم العميق يحقق أداءً عالياً في مهام محددة جداً (مثل تصنيف الصور) بناءً على الأنماط التي تعلمها من البيانات، لكنه قد يفشل تماماً خارج ظروف التقييم المحددة ولا يمتلك القدرة على التفكير أو الفهم العام كالبشر.

1. زيادة عدد الطبقات والوحدات (المعلمات/الأوزان) التي تتطلب عمليات حسابية أكبر. 2. الحاجة إلى كميات ضخمة من البيانات المتنوعة لتدريب هذه المعلمات بفعالية.

البيانات هي المصدر الذي تتعلم منه الشبكة. إذا كانت غير ممثلة أو منخفضة الجودة، فلن تتعلم الشبكة الأنماط الصحيحة، حتى لو كانت البنية الهندسية للنموذج ممتازة. ستتعلم الشبكة أنماطاً خاطئة أو ناقصة، مما يؤدي إلى نتائج ضعيفة وغير دقيقة في الاستدلال.