Professional Documents
Culture Documents
.1فهم مفهوم وتعريفات الشبكات العصبية الاصطناعية .)ANN( artificial neural networks
.6فهم مفهوم وهيكل آلات الدعم النوعي .)SVM( support vector machines
.7فهم مزايا وعيوب آلات الدعم النوعي ( )SVMمقارنة بالشبكات العصبية الاصطناعية (.)ANN
.8فهم مفهوم وصياغة خوارزمية الجار الأقرب (.)k-nearest neighbor algorithm - kNN
.10تعلم مزايا وعيوب خوارزمية الجار الأقرب ( )kNNمقارنة بالشبكات العصبية الاصطناعية ( )ANNوآلات الدعم
النوعي (.)SVM
حوسبة عصبية
العديد من الاستخدامات لشبكات العصب الاصطناعية للتعرف على الأنماط ،والتنبؤ ،والتوقعات ،والتصنيف
المالية ،والتسويق ،وصناعة التصنيع ،والعمليات ،وأنظمة المعلومات ،وما إلى ذلك
Dendrites
Synapse
Synapse
Axon
Axon
Dendrites Soma
Soma
)خليتان متصلتان في الدماغ تسمئ (خلايا عصبية-
x1
w1 Y1
.
. Summation
Transfer
.
Function
wn Yn
xn
.2هندسة الشبكة :هي الهيكل العام للشبكة العصبية وكيفية توصيل العناصر الحسابية ببعضها.
. 3الطبقات الخفية :الطبقات التي توجد بين الطبقة الدخلية وطبقة الإخراج وتستخدم لمعالجة المعلومات.
. 4المعالجة المتوازية :استخدام العديد من عناصر المعالجة لمعالجة المعلومات في وقت واحد.
.8أوزان الاتصال :القيم المستخدمة لتحديد قوة الاتصال بين عناصر المعالجة في الشبكة.
.9دالة المجموع :الوظيفة التي تقوم بجمع المداخلات المختلفة مع الأوزان لحساب مخرج العنصر الحسابي.
. 10الطبقات الخفية :الطبقات التي تتوسط بين الطبقة الدخلية وطبقة الإخراج وتؤدي إلى معالجة إضافية
واستخراج المزيد من المعلومات.
)(PE
)(PE )(PE
Output
)(PE
Layer
Hidden
)(PE
Layer
Input
Layer
(a) Single neuron )Summation function: (b
Y =Multiple
3(0.2) +neurons
1(0.4) + 2(0.1) = 1.2
X1 = 3 Transfer function: -1.2
x1 W
1 =0 xY1T = 1/(1 +we11 ) = 0.77
)(PE Y1
w1 .2
w21
)W2 = 0.4 (PE Y
Processing Y = 1.2
X2 = 1 YT = 0.77
)element (PE
w1 w12
.1
=0
x2 W Y = X 1W1 + X 2W2
3
x2 w22 )(PE Y2
X3 = 2
)PE: Processing Element (or neuron
وظيفة الظاهرة التنجسية (التنجانت الزائد) التنجانت هايبربوليك )]1 1-[ (Tangent Hyperbolic
أشهر هيكل هو الشبكة العصبية الأمامية متعددة الطبقات مع خوارزمية التعلم العميق الرجوعية
( ،)Backpropagationو ُيستخدم لحل مشكلتي التصنيف والتحويل.
هناك هياكل أخرى مثل الشبكات العصبية الرجوعية ( ،)Recurrentوخرائط السمات الذاتية التنظيمية (Self-
،)organizing feature mapsوشبكات ،Hopfieldوغيرها.
Socio-demographic
Predicted
= vs. Actual
Religious
Voted “yes” or
“no” to legalizing
Financial gaming
. .
. .
. .
Other
Input 1
Input 2
Input 3
تم تقديمها لأول مرة من قبل الأستاذ التنغمي الفنلندي تيوفو كوهونن.
ُتستخدم لحل مشكلات التجميع والتجميع النوعي.
O
u
t
p
u
t
.
.
.
تم تقديمها لأول مرة من قبل جون هوبفيلد.
. 1تجميع البيانات :يتم جمع واستخراج البيانات المطلوبة لتدريب واختبار الشبكة العصبية.
. 2تنظيم البيانات :يتعين تنظيم البيانات في مجموعات تدريب واختبار لتمكين تقييم أداء النموذج.
.3اختيار الهيكل :يجب اختيار هيكل الشبكة العصبية المناسب وعدد الطبقات والعناصر في كل طبقة ووظائف
التنشيط.
. 5تدريب الشبكة :تتم عملية تدريب الشبكة باستخدام البيانات المجموعة المنظمة وتقنيات مثل
Backpropagationلتحسين الأوزان.
.6تقييم الأداء :يتم قياس أداء الشبكة باستخدام البيانات التي لم ُتستخدم في التدريب.
.7تحسين النموذج :يجب تحسين الشبكة عند الحاجة بتعديل الهيكل أو معاملات التكييف.
.8نشر النموذج :يتم نشر النموذج عندما يتم تحقيق الأداء المرغوب.
. 9تحديث النموذج :يجب تحديث النموذج بشكل دوري مع توافر مزيد من البيانات أو التغييرات في المهمة
المستهدفة.
هيكل شبكة عصبية اصطناعية ذات طبقات متعددة ( )MLPلمشكلة توقع إيرادات السينما
(.)Box-Office Prediction
Class 1 - FLOP
1 )(BO < 1 M
Class 9 - BLOCKBUSTER
9 )(BO > 200M
-يتطلب وق ًتا أطول للتنفيذ بمعدل أكبر من تقسيم البيانات إلى أجزاء kمختلفة وتدريب النموذج kمرات.
Yes
Stop
learning
تعلم الرجوع للخلف ()Backpropagation Learning
)a(Zi – Yi
x1 error
w1
. Summation
Transfer
Function
wn
xn
الرجوع للخلف للخطأ لعنصر واحد ( )Backpropagation of Error for a Single Neuron
إلقاء الضوء على الصندوق الأسود :تحليل الحساسية في الشبكات العصبية الاصطناعية ()ANN
نقم بالرد على النقد الشائع للشبكات العصبية الاصطناعية ( :)ANNنقص الشفافية وقابلية الشرح
تتم تشويه المدخلات بينما يتم قياس أو تسجيل التغيير النسبي في الإخراج
D1
تنتمي آلات الدعم النوعي إلى عائلة النماذج الخطية المعممة ( ،)generalized linear modelsوهي قادرة على
تمثيل العلاقات غير الخطية بشكل خطي.
هدف آلات الدعم النوعي ( :)SVMإنشاء وظائف رياضية ترتبط المتغيرات الدخلية بالمخرجات المرغوبة في
مشكلات التصنيف أو التحويل التحويل.
أولاً ،تستخدم آلات الدعم النوعي وظائف نواة غير خطية لتحويل العلاقات غير الخطية بين المتغيرات إلى
فضاءات خصائص يمكن التفرقة بينها بشكل خطي.
السطح الفاصل ( )Hyperplaneهو مفهوم هندسي ُيستخدم لوصف السطح الفاصل بين فئات مختلفة من
الأشياء.
في آلات الدعم النوعي ( ،)SVMيتم بناء سطوح فاصلة موازية في كل جانب من مساحة الفصل بهدف تعظيم
المسافة بينهما.
وظيفة النواة في آلات الدعم النوعي تستخدم تقنية النواة ( ،)Kernel Trickوهي طريقة لاستخدام خوارزمية
التصنيف الخطي لحل مشكلة غير خطية.
L1
M
X2 X2
ar
gi
L2
n
e
an
L3 pl
p er
hy
n
gi
ar
-m
um
im
ax
M
X1 X1
.1معالجة البيانات
.2تطوير النموذج
مناسبا).
ً خيارا
ً (غالبا ما يكون RBF
ً -اختيار نوع النواة
-إذا كانت النتائج مرضية ،فقم بتحسين النموذج؛ وإلا ،قم بتغيير نوع النواة و/أو معلمات النواة لتحقيق
مستوى الدقة المرغوب.
.3استخراج ونشر النموذج.
.3استخراج النموذج:
-بمجرد بناء النموذج بنجاح ،يمكنك استخدامه لتصنيف البيانات الجديدة وتحويلها.
حاليا حالة فنية متقدمة بفضل أدائها الممتاز في التعميم ،وقوتها التنبؤية الفائقة،
ً تمثل آلات الدعم النوعي
وسهولة استخدامها ،وأسسها النظرية الصارمة.
معظم الدراسات المقارنة تظهر تفوق آلات الدعم النوعي على الشبكات العصبية الاصطناعية ( )ANNسواء في
مشكلات التحويل أو التصنيف من نوعي التنبؤ والتصنيف.
k-NNهي طريقة تنبؤ تستخدم للتصنيف وكذلك لأنواع التحويل (مشابهة لـ ANNو .)SVM
استنادا إلى الحالة (أو التعلم الكسول) -معظم العمل يحدث في وقت التنبؤ
ً k-NNهي نوع من أنواع التعلم
(ليس أثناء النمذجة).
Y
k=3
k=5
Yi
Xi X
.1تحديد عدد الجيران ( :)kقم بتحديد قيمة ،kوهي عدد الأجيران الأقرب الذين سيتم استخدامهم لاتخاذ القرار.
. 2حساب المسافات :قم بحساب المسافات بين العنصر الذي تريد تصنيفه أو تحويله وبين جميع العناصر الأخرى
في مجموعة البيانات.
بناء على الفئات أو القيم المصاحبة للأجور الـ kالأقربين ،اتخذ القرار بشأن تصنيف العنصر الهدف
ً .4اتخاذ القرار:
أو قيمته المتوقعة.
Training Set
Parameter Setting
Validation Set
Predicting
)Classify (or Forecast
new cases using k
number of most
similar cases
New Data
معلمة نموذج طريقة الجار الأقرب ()k-NN
هي قيمة ، kوهي تمثل عدد الأجيران الأقربين الذين سيتم استخدامهم في تحديد التصنيف أو التحويل .قيمة k
تكون عادة محددة مسب ًقا ويتعين اختيارها بعناية وف ًقا للمشكلة المحددة ومجموعة البيانات .تجرى عمليات
اختبار متعددة لاختيار أفضل قيمة kلضمان أداء أفضل للنموذج
وضوحا
ً أيضا تجعل حدود الفئات أقل
ً القيم الأكبر تقلل من تأثير الضوضاء ولكنها
غالبا ما يتم استخدام التقييم المتقاطع لتحديد أفضل قيمة لـ kوقياس المسافة.
ً