الشبكات العصبية الترشيحية ومقارنتها بالهندسة اليدوية - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

على الرغم من فوائد الشبكات العصبية المعقدة مثل: الشبكات العصبية الترشيحية إلا أنه من المهم ملاحظة ما يلي: • تكمن قوة الشبكات العصبية الترشيحية في قدرتها على أن تستخرج الخصائص المهمة ذات الصلة من الصور بشكل تلقائي، دون الحاجة إلى هندسة الخصائص اليدوية (Manual Feature Engineering). • تحتوي المعماريات العصبية الأكثر تعقيداً على المزيد من المتغيرات التي يجب تعلمها من البيانات أثناء التدريب، ويتطلب ذلك مجموعة بيانات تدريب أكبر قد لا تكون متاحة في بعض الحالات، وفي مثل هذه الحالات من غير المحتمل أن يكون إنشاء معمارية معقدة للغاية أمراً فعالاً. • على الرغم من أن الشبكات العصبية قد حققت بالفعل نتائج مبهرة في معالجة الصور والمهام الأخرى، إلا أنها لا تضمن تقديم أداء أفضل أداء لجميع المشكلات ومجموعات البيانات. • حتى لو كانت معمارية الشبكة العصبية أفضل حل ممكن لمهمة محددة، فقد يستغرق الأمر كثيراً من الوقت والجهد والموارد الحاسوبية لتجربة خيارات مختلفة إلى أن يتم العثور على هذه المعمارية. لذلك من الأفضل البدء بنماذج أبسط (لكنها لا تزال فعالة)، مثل: نموذج SGDClassifier وغيره من النماذج الأخرى الكثيرة المتوفرة في المكتبات مثل: مكتبة sklearn. وبمجرد حصولك على تنبؤ أفضل لمجموعة البيانات ووصولك إلى النقطة التي لا يمكن فيها تحسين هذه النماذج أكثر من ذلك، فإن التجريب على المعماريات العصبية الأخرى يعد خطوة ممتازة.

هي شبكات عصبية عميقة تتعلم تلقائياً تسلسل الخصائص من البيانات الخام مثل الصور، عن طريق تطبيق سلسلة من الفلاتر الترشيحية على بيانات الإدخال، التي يتم تصميمها بحيث تكتشف أنماطاً أو خصائص محددة.

N/A

من المزايا الأساسية للشبكات العصبية الترشيحية أنها جيدة جداً في التعلم من كميات كبيرة من البيانات، ويمكنها في العادة أن تحقق مستويات عليا في دقة المهام مثل: تصنيف الصور دون الحاجة إلى هندسة الخصائص اليدوية مثل: المخطط التكراري للتدرجات الموجهة.

216

وزارة التعليم Ministry of Education 2025 - 1447

--- SECTION: N/A --- على الرغم من فوائد الشبكات العصبية المعقدة مثل: الشبكات العصبية الترشيحية إلا أنه من المهم ملاحظة ما يلي: • تكمن قوة الشبكات العصبية الترشيحية في قدرتها على أن تستخرج الخصائص المهمة ذات الصلة من الصور بشكل تلقائي، دون الحاجة إلى هندسة الخصائص اليدوية (Manual Feature Engineering). • تحتوي المعماريات العصبية الأكثر تعقيداً على المزيد من المتغيرات التي يجب تعلمها من البيانات أثناء التدريب، ويتطلب ذلك مجموعة بيانات تدريب أكبر قد لا تكون متاحة في بعض الحالات، وفي مثل هذه الحالات من غير المحتمل أن يكون إنشاء معمارية معقدة للغاية أمراً فعالاً. • على الرغم من أن الشبكات العصبية قد حققت بالفعل نتائج مبهرة في معالجة الصور والمهام الأخرى، إلا أنها لا تضمن تقديم أداء أفضل أداء لجميع المشكلات ومجموعات البيانات. • حتى لو كانت معمارية الشبكة العصبية أفضل حل ممكن لمهمة محددة، فقد يستغرق الأمر كثيراً من الوقت والجهد والموارد الحاسوبية لتجربة خيارات مختلفة إلى أن يتم العثور على هذه المعمارية. لذلك من الأفضل البدء بنماذج أبسط (لكنها لا تزال فعالة)، مثل: نموذج SGDClassifier وغيره من النماذج الأخرى الكثيرة المتوفرة في المكتبات مثل: مكتبة sklearn. وبمجرد حصولك على تنبؤ أفضل لمجموعة البيانات ووصولك إلى النقطة التي لا يمكن فيها تحسين هذه النماذج أكثر من ذلك، فإن التجريب على المعماريات العصبية الأخرى يعد خطوة ممتازة.--- SECTION: الشبكة العصبية الترشيحية (Convolutional Neural Network - CNN) --- هي شبكات عصبية عميقة تتعلم تلقائياً تسلسل الخصائص من البيانات الخام مثل الصور، عن طريق تطبيق سلسلة من الفلاتر الترشيحية على بيانات الإدخال، التي يتم تصميمها بحيث تكتشف أنماطاً أو خصائص محددة.--- SECTION: شكل 4.13: شبكة عصبية ذات هندسة خصائص يدوية --- N/A--- SECTION: معلومة --- من المزايا الأساسية للشبكات العصبية الترشيحية أنها جيدة جداً في التعلم من كميات كبيرة من البيانات، ويمكنها في العادة أن تحقق مستويات عليا في دقة المهام مثل: تصنيف الصور دون الحاجة إلى هندسة الخصائص اليدوية مثل: المخطط التكراري للتدرجات الموجهة.--- SECTION: N/A ------ SECTION: N/A --- 2025 - 1447--- VISUAL CONTEXT --- **DIAGRAM**: شكل 4.13: شبكة عصبية ذات هندسة خصائص يدوية Description: A diagram illustrating a neural network architecture with manual feature engineering. It shows three input nodes on the right, connected by arrows to a layer labeled 'استخراج الخصائص يدوياً' (Manual Feature Extraction) which contains several nodes. This layer is then connected by arrows to a central layer labeled 'التعلم' (Learning), representing the neural network, which consists of multiple interconnected nodes arranged in layers. Finally, this central learning layer is connected by arrows to three output nodes on the left, labeled 'المخرجات' (Outputs). The diagram visually represents the flow of data from inputs, through manual feature engineering, into a learning model, and then to outputs. Table Structure: Headers: N/A Rows: Calculation needed: N/A X-axis: N/A Y-axis: N/A Data: N/A Key Values: المدخلات, استخراج الخصائص يدوياً, التعلم, المخرجات Context: This diagram illustrates a traditional machine learning pipeline where features are manually extracted from raw inputs before being fed into a learning model (neural network) to produce outputs. This contrasts with Convolutional Neural Networks (CNNs) which automatically learn features, as discussed in the main text.