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

Clustering Using Neural Networksأحدث استخدام نماذج التعلم العميق (الشبكات العصبية العميقة ذات الطبقات المتعددة) ثورة في مجال تجميع الصور من خلال توفير خوارزميات قوية وعالية الدقة. ويمكنها تجميع الصور المتشابهة معًا تلقائيًا دون الحاجة إلى هندسة الخصائص. تعتمد العديد من الطرائق التقليدية لتجميع الصور على خاصية المستخرجات (Extractors) لاستخراج معلومات ذات مغزى من صورة ما، واستخدام هذه المعلومات لتجميع الصور المتشابهة معًا. ويمكن أن تستغرق هذه العملية وقتًا طويلاً وتتطلب خبرة في المجال لتصميم خاصية المستخرجات بخصائص فعالة. بالإضافة إلى ذلك، وكما تم التوضيح في الدرس السابق - على الرغم من أن خاصية الواصفات (Descriptors) مثل: تحويل المخطط التكراري للتدرجات الموجهة يمكنها بالفعل تحسين النتائج، إلا أنها بعيدة كل البعد عن الكمال، وبالتأكيد يوجد مجال للمتحسين. من ناحية أخرى، يتمتع التعلم العميق بالقدرة على تعلم تمثيلات الخصائص من البيانات الخام تلقائيًا. ويتيح ذلك لطرائق التعلم العميق معرفة الخصائص شديدة التمايز التي تلتقط الأنماط الهامة وراء البيانات، مما يؤدي إلى تجميع أكثر دقة وقوة. ولتحقيق ذلك تستخدم عدة طبقات مختلفة في الشبكة العصبية بما فيها:• الطبقات الكثيفة (Dense Layers) • طبقات التجميع (Pooling Layers) • طبقات الإقصاء (Dropout Layers)في الشبكة العصبية في الدرس الأول من الوحدة الثالثة، تم استخدام طبقة مخفية مكونة من ثلاث مئة خلية عصبية من نموذج الكلمة إلى المتجه (Word2Vec)؛ لتمثيل كل كلمة. وفي تلك الحالة دُرّب نموذج الكلمة إلى المتجه مسبقًا على مجموعة بيانات كبيرة جدًا تحتوي على ملايين الأخبار من أخبار قوقل (Google News). وتعد نماذج الشبكات العصبية المدربة مسبقًا شائعة أيضًا في مجال رؤية الحاسب، ومن الأمثلة المعهودة على ذلك نموذج VGG16 الذي يشيع استخدامه في مهام التعرف على الصور. ويتبع نموذج VGG16 معمارية عميقة قائمة على الشبكات العصبية الترشيحية بما فيها صور المعنونة تسمى شبكة الصور (ImageNet). ومع ذلك، تتكون مجموعة بيانات التدريب الخاصة بنموذج VGG16 من ملايين الصور ومئات العناوين المختلفة، مما يحسن بشكل كبير من قدرة النموذج على فهم الأجزاء المختلفة من الصورة. وعلى غرار الشبكة العصبية الترشيحية البسيطة الموضحة في الشكل 4.22، وتتضمن طبقة مخرج VGG16 أيضًا طبقة كثيفة نهائية تحتوي على أربعة آلاف وستة وتسعين خلية عصبية لتمثيل كل صورة قبل إدخالها في طبقة المخرج (Output Layer). ويوضح هذا القسم كيف يمكن تكييف نموذج VGG16 لتجميع الصور، على الرغم من أنه صُمّم في الأصل لتصنيف الصور الذي دُرّب مسبقًا.1 حمل النموذج VGG16 الذي دُرّب مسبقًا. 2 احذف طبقة المخرج من النموذج؛ فذلك يجعل الطبقة الأخيرة الكثيفة هي طبقة المخرج الجديدة. 3 استخدم النموذج المتقطع (Truncated Model) - النموذج السابق الذي اقتطعت الطبقة الأخيرة منه؛ لتحويل كل صورة في مجموعة بيانات Animal Faces (وجوه الحيوانات) إلى متجه عددي له أربع آلاف وست وتسعون قيمة. 4 استخدم التجميع التكتلي؛ لتجميع المتجهات الناتجة عن ذلك.--- SECTION: الطبقة الكثيفة (Dense Layer) --- هي طبقة في الشبكات العصبية ترتبط فيها كل العقد التي في الطبقة السابقة بكل العقد التي في الطبقة الحالية، حيث يتم تمرير الإشارات من العقد في الطبقة السابقة في الشبكة إلى العقد في الطبقة الحالية بواسطة وزنية محددة، وتطبق دالة التنشيط (Activation Function) على الإشارات المرسلة إلى الطبقة الكثيفة لتوليد نتائج الإخراج النهائية.--- SECTION: طبقة التجميع (Pooling Layer) --- هي طبقة في الشبكات العصبية تُستخدم لتقليل الأبعاد الفراغية لبيانات المدخلات.--- SECTION: طبقة الإقصاء (Dropout Layer) --- هي طريقة تنظيم تُستخدم لمنع فرط التخصيص في نموذج لمجموعة بيانات في الشبكات العصبية عن طريق إقصاء عقد موجودة في الطبقة خلال كل دورة تدريب.2025 - 1447