التنبؤ باستخدام الشبكات العصبية - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

التنبؤ باستخدام الشبكات العصبية Prediction Using Neural Networks يوضح هذا القسم كيفية استخدام الشبكات العصبية لتصميم مصفوفات مخصصة لبيانات الصور، وكيف يمكنها في كثير من الأحيان أن تتفوق على التقنيات عالية الفعالية مثل: عملية المخطط التكراري للتدرجات الموجهة التي وصفت في القسم السابق. وتستخدم مكتبة TensorFlow ومكتبة Keras الشهيرتان لهذا الغرض. مكتبة TensorFlow هي مكتبة منخفضة المستوى توفر مجموعة واسعة من أدوات تعلم الآلة والذكاء الاصطناعي، وتسمح للمستخدمين بتعريف الحسابات العددية التي تتضمن متجهات متعددة الأبعاد (Tensors) ومعالجتها، وهي مصفوفات متعددة الأبعاد من البيانات. من ناحية أخرى، تعد مكتبة Keras ذات مستوى أعلى وتوفر واجهة أبسط لبناء النماذج وتدريبها، وهي مبنية باستخدام مكتبة TensorFlow (أو مكتبات خلفية أخرى) وتوفر مجموعة من الطبقات والنماذج المعرفة مسبقًا والتي يمكن تجميعها بسهولة لبناء نموذج تعلم عميق. وصممت مكتبة Keras لتكون صديقة للمستخدم وسهلة الاستخدام؛ مما يجعلها خيارًا رائعًا للممارسين. دوال التنشيط (Activation Functions) هي دوال رياضية تُطبق على مخرجات كل خلية عصبية في الشبكة العصبية. كما تتميز بأنها تضيف خصائص غير خطية (Non-linear) للنموذج وتسمح للشبكة بتعلم الأنماط المعقدة في البيانات. ويُعد اختيار دالة التنشيط أمرًا مهمًا ويمكن أن يؤثر على أداء الشبكة، حيث تتلقى الخلايا العصبية المدخلات وتعالجها من خلال متغيرات الأوزان والتحيزات وتنتج مخرجات بناءً على دالة التنشيط كما يظهر في الشكل 4.12. تنشأ الشبكات العصبية من خلال ربط العديد من الخلايا العصبية معًا في طبقات، وتُدرب على ضبط متغيرات الأوزان والتحيزات وتحسين أدائها بمرور الوقت. شكل 4.12: دالة التنشيط يُثبت المقطع البرمجي التالي مكتبة tensorflow ومكتبة keras: %capture !pip install tensorflow !pip install keras في الوحدة السابقة، تعرفت على الخلايا العصبية الاصطناعية وعلى معماريات الشبكات العصبية. وعلى وجه التحديد تعرفت على نموذج الكلمة إلى المتجه (Word2Vec) الذي يُستخدم طبقة مخفية وطبقة مُخرجات؛ ليتنبأ بسياق الكلمات لكلمة مُعطاة في جملة. وبعد ذلك تُستخدم مكتبة Keras لإنشاء معمارية عصبية مشابهة للصور. أولاً: تحوّل العناوين في y_train إلى تنسيق أعداد صحيحة، طبقًا لمتطلبات مكتبة Keras. # gets the set of all distinct labels classes=list(set(y_train)) print(classes) print() # replaces each label with an integer (its index in the classes lists) for both the training and testing data y_train_num = np.array([classes.index(label) for label in y_train]) y_test_num = np.array([classes.index(label) for label in y_test]) print() #example: print(y_train[:5]) # first 5 labels print(y_train_num[:5]) # first 5 labels in integer format وزارة التعليم 211 Ministry of Education 2025 - 1447 --- VISUAL CONTEXT --- **DIAGRAM**: شكل 4.12: دالة التنشيط Description: A conceptual diagram illustrating the components of a single neuron's activation function. It shows multiple inputs (X1, X2, ..., Xn) feeding into a summation unit (Σ). Each input is multiplied by a corresponding weight (W1, W2, ..., Wn). A bias (b) is also added to the sum. The result of the summation then passes through an activation function (fx) to produce the final output (y). The labels are: المدخلات (Inputs), متغيرات الأوزان (Weights), متغير التحيز (Bias), دالة التنشيط (Activation Function), المخرج (Output). Data: The diagram visually represents the mathematical operation of a neuron: weighted sum of inputs plus bias, followed by an activation function. Key Values: X1, X2, Xn, W1, W2, Wn, b, Σ, fx, y, المدخلات, متغيرات الأوزان, متغير التحيز, دالة التنشيط, المخرج Context: This diagram visually explains the concept of an activation function and the internal workings of a single neuron within a neural network, as discussed in the accompanying text.