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

ويمكن الآن استخدام نموذج التدريب للتنبؤ بعناوين الصور في مجموعة الاختبار.

pred = model.predict(X_test_hog) pred[0] # prints the predictions for the first image

14/14 [==============================] - 0s 2ms/step array([4.79123509e-03, 9.79321003e-01, 8.39506648e-03, 1.97884417e-03, 7.83501855e-06, 3.50346789e-04, 3.45465224e-07, 1.19854585e-05, 4.41945267e-05, 4.11721296e-04, 1.27362555e-05, 9.83431892e-06, 1.97038025e-04, 2.34744814e-03, 5.49758552e-04, 1.57057808e-03], dtype=float32)

بينما تُظهر دالة (predict) من مكتبة sklearn العنوان الأكثر احتمالاً الذي يتنبأ به المُصنّف، تُظهر دالة (predict) في مكتبة Keras احتمالات كل العناوين المُرشّحة. في هذه الحالة، يمكن استخدام دالة (np.argmax) لإظهار مؤشر العنوان الأكثر احتمالاً.

# index of the class with the highest predicted probability. print(np.argmax(pred[0])) # name of this class print(classes[np.argmax(pred[0])]) # uses axis=1 to find the index of the max value per row accuracy_score(y_test_num, np.argmax(pred, axis=1))

1 Duck 0.7529021558872305

تحقق هذه الشبكة العصبية البسيطة دقة تبلغ حوالي 75%، وهي دقة مشابهة لدقة SGDClassifier. ولكن ميزة المعماريات العصبية تنبع من براعتها، وهو ما يسمح لك بتجربة معماريات مختلفة للعثور على أفضل ما يناسب مجموعة بياناتك. تم تحقيق هذه الدقة من خلال معمارية بسيطة تضمنت طبقة مخفية واحدة تحتوي على مئتي خلية عصبية، وإضافة طبقات إضافية تجعل الشبكة أعمق، بينما تؤدي إضافة المزيد من الخلايا العصبية لكل طبقة إلى جعلها أوسع. ويُعد اختيار عدد الطبقات وعدد الخلايا العصبية لكل طبقة عناصر مهمة لتصميم الشبكة العصبية، ولها تأثير كبير على أدائها، ولكنها ليست الطريقة الوحيدة لتحسين الأداء، وفي بعض الحالات قد يكون استخدام نوع مختلف من معمارية الشبكة العصبية أكثر فاعلية.

التنبؤ باستخدام الشبكات العصبية الترشيحية Prediction Using Convolutional Neural Networks

أحد هذه الأنواع من المعماريات التي تناسب تصنيف الصور بشكل جيد يتمثل في الشبكة العصبية الترشيحية (Convolutional Neural Network - CNN)، وبما أن الشبكة العصبية الترشيحية تعالج بيانات الإدخال، فإنها تقوم باستمرار بضبط متغيرات الفلاتر المُرشّحة لاكتشاف الأنماط بناءً على البيانات التي تراها؛ حتى تتمكن بشكل أفضل من اكتشاف الخصائص المهمة، ثم تنقل مخرجات كل طبقة إلى الطبقة التالية التي يكتشف فيها خصائص أكثر تعقيدًا إلى أن تنتج المخرجات النهائية.

215 وزارة التعليم 2025 - 1447

ويمكن الآن استخدام نموذج التدريب للتنبؤ بعناوين الصور في مجموعة الاختبار. pred = model.predict(X_test_hog) pred[0] # prints the predictions for the first image 14/14 [==============================] - 0s 2ms/step array([4.79123509e-03, 9.79321003e-01, 8.39506648e-03, 1.97884417e-03, 7.83501855e-06, 3.50346789e-04, 3.45465224e-07, 1.19854585e-05, 4.41945267e-05, 4.11721296e-04, 1.27362555e-05, 9.83431892e-06, 1.97038025e-04, 2.34744814e-03, 5.49758552e-04, 1.57057808e-03], dtype=float32) بينما تُظهر دالة (predict) من مكتبة sklearn العنوان الأكثر احتمالاً الذي يتنبأ به المُصنّف، تُظهر دالة (predict) في مكتبة Keras احتمالات كل العناوين المُرشّحة. في هذه الحالة، يمكن استخدام دالة (np.argmax) لإظهار مؤشر العنوان الأكثر احتمالاً. # index of the class with the highest predicted probability. print(np.argmax(pred[0])) # name of this class print(classes[np.argmax(pred[0])]) # uses axis=1 to find the index of the max value per row accuracy_score(y_test_num, np.argmax(pred, axis=1)) 1 Duck 0.7529021558872305 تحقق هذه الشبكة العصبية البسيطة دقة تبلغ حوالي 75%، وهي دقة مشابهة لدقة SGDClassifier. ولكن ميزة المعماريات العصبية تنبع من براعتها، وهو ما يسمح لك بتجربة معماريات مختلفة للعثور على أفضل ما يناسب مجموعة بياناتك. تم تحقيق هذه الدقة من خلال معمارية بسيطة تضمنت طبقة مخفية واحدة تحتوي على مئتي خلية عصبية، وإضافة طبقات إضافية تجعل الشبكة أعمق، بينما تؤدي إضافة المزيد من الخلايا العصبية لكل طبقة إلى جعلها أوسع. ويُعد اختيار عدد الطبقات وعدد الخلايا العصبية لكل طبقة عناصر مهمة لتصميم الشبكة العصبية، ولها تأثير كبير على أدائها، ولكنها ليست الطريقة الوحيدة لتحسين الأداء، وفي بعض الحالات قد يكون استخدام نوع مختلف من معمارية الشبكة العصبية أكثر فاعلية. --- SECTION: التنبؤ باستخدام الشبكات العصبية الترشيحية Prediction Using Convolutional Neural Networks --- التنبؤ باستخدام الشبكات العصبية الترشيحية Prediction Using Convolutional Neural Networks أحد هذه الأنواع من المعماريات التي تناسب تصنيف الصور بشكل جيد يتمثل في الشبكة العصبية الترشيحية (Convolutional Neural Network - CNN)، وبما أن الشبكة العصبية الترشيحية تعالج بيانات الإدخال، فإنها تقوم باستمرار بضبط متغيرات الفلاتر المُرشّحة لاكتشاف الأنماط بناءً على البيانات التي تراها؛ حتى تتمكن بشكل أفضل من اكتشاف الخصائص المهمة، ثم تنقل مخرجات كل طبقة إلى الطبقة التالية التي يكتشف فيها خصائص أكثر تعقيدًا إلى أن تنتج المخرجات النهائية. 215 وزارة التعليم 2025 - 1447