التعلم العميق

July 4, 2023

يعتبر التعلم العميق (Deep Learning) فئة متقدمة من التعلم الآلي (Machine Learning) والذي هو أيضا فئة من الذكاء الإصطناعي  (Artificial Intelligence) ، لذلك يمكن النظر للتعلم العميق علي أنه وسيلة الذكاء الإصطناعي المستخدمة في معالجة البيانات ولكن بطريقة مستوحاة من تركيب الدماغ البشري. يعتبر التعلم العميق بمثابة أكثر تقنيات العصر إثارة للجدل نظرا لقدرته الهائلة علي تحقيق أفضل النتائج في محاكاة المهام البشرية ، لذلك سنعرض في هذا المقال أهم المفاهيم الأساسية لهذه التقنية وخصائصها وتطبيقاتها .

مفهوم التعلم العميق (Deep Learning) :

         يعرف التعلم العميق (DL) بأنه فرع من التعلم الآلي يقوم على الشبكات العصبية الإصطناعية بما يحاكي الشبكات العصبية في الدماغ البشري [1]. حيث قام العلماء بدراسة تركيب العقل البشري وكيفية عمله وذلك من أجل تصميم خوارزميات مستوحاه من هذا التركيب ولكن بطرق حاسوبية لا بيولوجية بحيث تكون قادرة علي محاكاة أداء العقل البشري في المهام المختلفة ، حيث تم استبدال الخلايا العصبية Neurons لتصبح بيرسيبترون perceptron ، وأيضا الشبكات العصبية Neural Networks بالشبكات العصبية الصناعية(Artificial neural Network)  [2]. يوجد لدينا الأن العديد من هذه الشبكات مثل الشبكات العصبية التكرارية (Recurrent Neural Network) والتي تختص بالتعامل مع المتتاليات Sequences ، لذلك يتم استخدامها بكثرة في مجالات مثل الترجمة الآلية (Machine Translation) ومعالجة الكود الجيني للإنسان، والشبكات العصبية الالتفافية (Convolutional Neural Network) والتي تختص بالتعرف على الأنماط (Patterns)، ومن الشائع استخدامها في معالجة الصوروالتعرف علي الوجوه [2]. 

         يوصف التعلم بالعميق لأن بنية الشبكات العصبية الإصطناعية التي يعتمد عليها التعلم العميق تتكون مـن عدة مدخلات ومخرجات وطبقات مخفية "عديدة" بحيث تحتوي كل طبقة من الطبقات على وحدات تحول بيانات الإدخال إلى معلومات بحيث تتمكن الطبقة التالية من استخدامها لمهمة التنبؤ المنوط للنظام بها . 

أسباب استخدام التعلم العميق:

         الجدير بالذكر أنه من أهم المميزات الأساسية للتعلم العميق هو أن الشبكات العصبية الأصطناعية تستخدم للكشف عن العلاقات الخفية من البيانات والتي لم تكن مرئية من قبل. لذلك بالإعتماد علي نماذج التعلم العميق والتي تتسم بالقوة والقدرة علي تحليل كم كبير من البيانات المعقدة، يتوافر للشركات فرصة لتحسين أداء مختلف المهام مستفيدة من مميزات التعلم العميق  المختلفة مثل :

1- تحليل البيانات الغير المهيكلة:  يمكن لخوارزميات التعلم العميق التعامل مع البيانات الغير مهيكلة والتي تجد أساليب تعلّم الآلة التقليدية صعوبةً في معالجتها كمنشورات وسائل التواصل الإجتماعي  والأخبار وغيرها واستخدامها في توفير رؤى مفيدة للأعمال والعملاء .

2- الكفاءة: حيث يمتاز التعلم العميق بالقدرة علي إنجاز آلاف المهام وبشكل أسرع من الأشخاص.

3- التدريب: تمتاز الشبكات العصبية الإصطناعية المستخدمة في التعلم العميق بإمكانية تطبيقها على العديد من أنواع البيانات ومختلف التطبيقات، كما أنه يمكن لنموذج التعلم العميق التكيف عن طريق إعادة تدريبه مع البيانات الجديدة. 

4- معالجة البيانات المتطايرة : وهي التي تحتوي علي تباينات واختلافات كبيرة. علي سبيل المثال، بيانات مبالغ سداد القرض في البنوك ، حيث يمكن للشبكة العصبية الإصطناعية للتعلم العميق تصنيفها وفرزها عن طريق تحليل المعاملات المالية وتسمية أو وضع علامات على بعضها للكشف عن الإحتيال. هذا التصنيف أو التسميه يقوم بها التعلم العميق بمفرده.

مكونات شبكة التعلم العميق:

   تتكون الشبكة العصبية الإصطناعية للتعلم العميق من عدة طبقات :

1. طبقة الإدخال : وهي التي تحتوى العديد من العقد أو الوحدات التي تدخل البيانات فيها وهذه العقد سويا تمثل  طبقة الادخال.
2. الطبقات الخفية: عندما تقوم طبقة لإادخال بمعالجة البيانات ، تقوم بتمريرها للطبقات المخفية العديدة التي تقوم بمعالجة هذه المعلومات علي مستويات مختلفة. الجدير بالذكر أن شبكات التعلم العميق تحتوى مئات الطقات المخفية والتي تستخدم في تحليل المعلومات من عدة زوايا.
3. طبقة الإخراج : وهي تحوي العُقَد التي تُخرج البيانات. الجدير بالذكر أن نماذج التعلم العميق المنوط بها اخراج اجابات مثل "نعم" أو "لا" تحتوى على عُقدتين في طبقة الإخراج، أما نماذج التعلم العميق الأخري المنوط بها إنتاج نطاقًا أوسع من الإجابات لديها المزيد من العُقَد. 

 خصائص التعلم العميق:

1. تحتاج خوارزميات التعلم العميق إلى استخدام كميات كبيرة مـن البيانات التدريبية لإجراء التنبؤات بشكل صحيح .
2. من أهم مميزات التعلم العميق هو إلغاء الحاجة الي هندسة الميزات (Feature Engineering) حيث تتمكن خوارزميات التعلم العميق من تنفيذ هندسة المميزات بنفسها دون أن تتطلب أن تكون الميزات محددة مسبقا من البيانات وذلك عكس خوارزميات التعلم الالي.
3. وجود العديد من الطبقات يجعل النماذج تستغرق وقتا طويلا للتدريب. 
4. يحتاج التعلم العميق الي موارد حاسوبية (Computational Resources) متطورة وذلك لأنه يقوم بعدد كبير من عمليات ضرب المصفوفات ، لذلك فإنه يمكن لـوحدة معالجة الرسوميات GPU تحسين هـذه العمليات بكفاءة.

أهم تطبيقات التعلم العميق:

    يساهم التعلم العميق في العديد من المهام التي تنفذ في مجالات عديدة  مثل:

1. القيادة الذاتية للسيارات [3](Self-driving Cars).
2. البحوث الطبية  وتشخيص الأمراض واكتشاف الخلايا السرطانية بدقة [3].
3. الأرصاد والمناخ والتنئوات الدقيق [4].
4. الأمان الإلكتروني [5].

الخاتمة:

         حقق التعلم العميق تطورا ونجاحا ملحوظًا في الكثير من المجالات التقنية والطبية والإدارية. يستند التعلم العميق علي طبقات المعالجة المتعددة  مما يسمح  للنماذج بتعلم الميزات بنفسها علي عكس المناهج التقليدية للتعلم الآلي ، حيث لم تكن قادرة على معالجة البيانات في شكلها الطبيعي وتطلب تحديد مسبق للميزات. يعتمد التعلم العميق علي استخدام البيانات كبيرة الحجم  وهو ما يمثل تحديا كبيرا حيث ستظل البيانات الضخمة هي بماثبة العامل الأقوى لتطوير التعلم العميق، وذلك لان خلال توفير كم البيانات الكبيرأصبح أمر ضروري  لتحقيق الإستفادة منه وجعله أكثر اتصالًا بحياتنا .

المراجع:

[1]: https://learn.microsoft.com/ar-sa/azure/machine-learning/concept-deep-learning-vs-machine-learning?view=azureml-api-2.

[2]: https://www.alrab7on.com/deep-learning/

[3]: https://alebaallc.com/%D9%85%D9%81%D9%

[4]: https://academy.hsoub.com/programming/artificial-intelligence/

[5]: https://www.oracle.com/eg-ar/artificial-intelligence/machine-learning/what-is-deep-learning/