WEBVTT

00:00.180 --> 00:02.190
أهلا ومرحبا بكم مرة أخرى في دورة التعلم العميق.

00:02.190 --> 00:07.830
نتحدث اليوم عن الخلايا العصبية ، وهي لبنة البناء الأساسية للشبكات العصبية الاصطناعية.

00:07.830 --> 00:08.970
اذا هيا بنا نبدأ.

00:09.180 --> 00:14.460
في السابق رأينا صورة تبدو مثل هذه ، وهي خلايا عصبية حقيقية تم تلطيخها

00:14.460 --> 00:19.890
على لمعان وتلوينها قليلاً ويتم ملاحظتها من خلال المجهر.

00:19.890 --> 00:21.000
لذلك هذا ما يبدون عليه.

00:21.000 --> 00:28.080
كما ترون ، هيكل مثير للاهتمام ، جسم ثم الكثير من ذيول مختلفة ، نوع من

00:28.080 --> 00:30.060
الفروع تخرج منها.

00:30.060 --> 00:35.910
وهذا مثير للاهتمام للغاية ، لكن السؤال هو ، كيف يمكننا إعادة إنشاء ذلك في آلة؟

00:35.910 --> 00:42.660
لأننا نحتاج حقًا إلى إعادة إنشائه في الآلة ، حيث أن الغرض الكامل من التعلم العميق

00:42.660 --> 00:50.880
هو محاكاة كيفية عمل الدماغ البشري على أمل أنه من خلال القيام بذلك ، سنصنع شيئًا رائعًا.

00:50.880 --> 00:54.960
سننشئ بنية تحتية مذهلة للآلات لتكون قادرة على التعلم.

00:54.960 --> 00:56.730
ولماذا نتمنى ذلك؟

00:56.730 --> 01:02.940
حسنًا ، نظرًا لأن العقل البشري في حالة جيدة ، فقد يكون أحد أقوى أدوات التعلم

01:02.940 --> 01:07.200
على هذا الكوكب أو مثل آليات التعلم على هذا الكوكب.

01:07.200 --> 01:11.250
ونأمل فقط أنه إذا أعدنا إنشاء ذلك ، سيكون لدينا شيء رائع مثل ذلك.

01:11.250 --> 01:17.610
لذا فإن التحدي الذي نواجهه الآن ، خطوتنا الأولى لإنشاء شبكات عصبية اصطناعية ، هو إعادة تكوين خلية

01:17.610 --> 01:18.210
عصبية.

01:18.210 --> 01:19.020
فكيف لنا أن نفعل ذلك؟

01:19.020 --> 01:23.190
حسنًا ، أولاً وقبل كل شيء ، دعنا نلقي نظرة فاحصة على ما هو عليه في الواقع.

01:23.700 --> 01:34.320
تم إنشاء هذه الصورة لأول مرة بواسطة عالم الأعصاب الإسباني سانتياغو رامون كاجال في عام 1899 ، وما فعله هو أنه مات خلايا

01:34.320 --> 01:39.600
عصبية في أنسجة دماغية فعلية ونظر إليها تحت المجهر.

01:39.600 --> 01:42.450
وبينما كان ينظر إليهم ، رسم ما رآه بالفعل.

01:42.450 --> 01:43.470
وهذا ما رآه.

01:43.470 --> 01:49.470
لقد رأى اثنين من الخلايا العصبية أو اثنين من الخلايا العصبية الكبيرة هناك في الأعلى ، والتي كانت كل هذه

01:49.470 --> 01:52.200
الفروع تخرج منها باتجاه أجزائها العلوية.

01:52.200 --> 02:00.300
وبعد ذلك كل واحد لديه هذا قضيب أو خيط مشابه يخرج من الأسفل طويلًا جدًا ونعم ، هذا

02:00.300 --> 02:01.410
ما رآه.

02:01.410 --> 02:07.860
والآن تقدمت التكنولوجيا كثيرًا ورأينا خلايا عصبية أقرب بكثير بمزيد من التفصيل والآن

02:07.860 --> 02:11.850
يمكننا بالفعل رسم الشكل الذي تبدو عليه بشكل كبير.

02:11.850 --> 02:13.140
لذلك دعونا نلقي نظرة على ذلك.

02:13.140 --> 02:14.100
هذه خلية عصبية.

02:14.100 --> 02:22.050
هذا ما يبدو مشابهًا جدًا لما رسمه سانتياغو رامون هنا وهنا في هذه الخلية العصبية ، ما يمكننا رؤيته هو أنه يحتوي على

02:22.050 --> 02:27.390
جسم يمثل الجزء الرئيسي من الخلية العصبية ، ومن ثم لديه بعض الفروع في الأعلى

02:27.390 --> 02:29.010
، وهي تسمى التشعبات.

02:29.010 --> 02:32.760
ولديها أيضًا محور عصبي ، وهو ذلك الذيل الطويل للخلايا العصبية.

02:33.180 --> 02:36.630
إذن ما هي هذه التشعبات ولماذا المحور العصبي؟

02:36.630 --> 02:43.950
حسنًا ، النقطة الأساسية التي يجب فهمها هنا هي أن الخلايا العصبية في حد ذاتها عديمة الفائدة إلى حد كبير.

02:43.950 --> 02:45.870
يبدو الأمر وكأنه نملة ، أليس كذلك؟

02:45.870 --> 02:47.220
نملة بمفردها.

02:47.220 --> 02:49.560
لا أستطيع أن أفعل مثل خمسة نمل معًا.

02:49.740 --> 02:51.090
ربما يمكنهم اختيار شيء ما.

02:51.090 --> 02:54.060
لكن مرة أخرى ، لم يفعلوا ذلك ، لا يمكنهم بناء عش النمل.

02:54.210 --> 02:55.380
لا يمكنهم إنشاء مستعمرة.

02:55.380 --> 02:59.220
لا يمكنهم العمل معًا ككائن حي ضخم.

02:59.220 --> 03:03.240
لكن في نفس الوقت ، عندما يكون لديك الكثير والكثير من الإعلانات ، مثل لديك مليون نملة ، يمكنهم

03:03.240 --> 03:05.520
بناء مستعمرة كاملة ، يمكنهم بناء عش النمل.

03:05.550 --> 03:07.050
نفس الشيء مع الخلايا العصبية في حد ذاتها.

03:07.050 --> 03:07.740
إنها ليست بهذه القوة.

03:07.740 --> 03:12.210
ولكن عندما يكون لديك الكثير من الخلايا العصبية معًا ، فإنهم يعملون معًا للقيام بالسحر.

03:12.210 --> 03:13.740
وكيف يعملون معًا؟

03:13.740 --> 03:14.340
هذا هو السؤال.

03:14.340 --> 03:16.620
حسنًا ، هذا هو الغرض من التشعبات والمحور.

03:16.620 --> 03:21.510
لذا فإن التشعبات تشبه نوعًا ما مستقبلات الإشارة للخلايا العصبية والمحور العصبي هو مرسل

03:21.510 --> 03:22.800
إشارة الخلية العصبية.

03:22.920 --> 03:26.460
وإليك صورة لكيفية عمل كل شيء من الناحية المفاهيمية.

03:26.460 --> 03:32.490
إذن في الجزء العلوي لديك خلية عصبية ويمكنك أن ترى أن تشعباتها متصلة

03:32.490 --> 03:35.640
بمحاور عصبية أخرى بعيدة عنها.

03:35.760 --> 03:42.780
ثم تنتقل الإشارة من هذه العصبون إلى أسفل محورها وتتصل أو تمر عبر التشعبات في الخلية العصبية

03:42.780 --> 03:43.530
التالية.

03:43.530 --> 03:44.730
وهذه هي الطريقة التي يتواصلون بها.

03:44.730 --> 03:52.320
وفي تلك الصورة الصغيرة هناك ، يمكنك أن ترى أن المحور العصبي لا يلمس التغصنات.

03:52.350 --> 03:58.700
الكثير من التعلم الآلي أو مثل القليل من التعلم الآلي ، العلماء مصرين جدًا على ذلك.

03:58.710 --> 04:06.000
حقيقة أنه لا يلمسها كما لو أنها لا تلمسها ثبت أنه لا يوجد اتصال مادي

04:06.000 --> 04:06.750
هناك.

04:06.750 --> 04:13.650
لكن النقطة التي نهتم بها هي أن هذا الارتباط بينهما ، أن المفهوم الكامل للإشارة التي يتم

04:13.650 --> 04:16.230
تمريرها ، هذا يسمى الاشتراكات.

04:16.230 --> 04:23.730
يمكنك أن ترى هناك في تلك الصورة الصغيرة ، قوس الشكل هذا هو الاشتراكات وهذا هو المصطلح الذي سنستخدمه.

04:23.730 --> 04:29.610
لذا فبدلاً من استدعاء الخلايا العصبية الاصطناعية ، الخطوط التي سنحصل عليها أو موصلات الخلايا العصبية

04:29.610 --> 04:34.110
الاصطناعية ، لن نطلق على المحاور العصبية أو التشعبات لأن السؤال إذن هو لمن هذه

04:34.110 --> 04:35.130
الصلة؟

04:35.130 --> 04:36.810
هل هذه الخلايا العصبية أم هذه الخلايا العصبية؟

04:36.810 --> 04:39.210
نحن فقط نتصل بهم ، سنقوم فقط بالاتصال بهم بالاشتراك.

04:39.210 --> 04:42.630
وهذا النوع يجيب على جميع الأسئلة على الفور.

04:42.630 --> 04:45.020
هذا هو المكان الذي يتم فيه تمرير الإشارة.

04:45.030 --> 04:47.550
لا يهم لمن ينتمي هذا العنصر.

04:47.550 --> 04:50.160
هذا مجرد تمثيل للإشارة التي يتم تمريرها.

04:50.160 --> 04:51.240
وسنرى ذلك الآن.

04:51.750 --> 04:54.840
إذن هذه هي الطريقة التي تعمل بها الخلايا العصبية.

04:54.840 --> 04:59.940
ونعم ، دعنا ننتقل إلى كيفية تمثيل الخلايا العصبية أو كيف؟

05:00.210 --> 05:03.300
خلق الخلايا العصبية في الآلات.

05:03.300 --> 05:04.800
لذلك نحن نبتعد الآن.

05:04.800 --> 05:10.200
نحن نبتعد عن علم الأعصاب وننتقل إلى التكنولوجيا ، وها نحن ذا.

05:10.200 --> 05:13.200
إذن هنا عصبتنا تسمى أحيانًا العقدة.

05:13.620 --> 05:18.240
تحصل الخلية العصبية على بعض إشارات الإدخال ولديها إشارة خرج.

05:18.240 --> 05:20.820
حتى التشعبات والمحاور ، تذكر.

05:20.820 --> 05:27.270
لكن مرة أخرى ، سنطلق على هذه المشابك ثم إشارات الإدخال هذه ، سنقوم بتمثيلها مع الخلايا العصبية

05:27.270 --> 05:28.950
الأخرى أيضًا.

05:28.950 --> 05:35.130
لذا في هذه الحالة بالذات ، يمكنك أن ترى أن هذه الخلية العصبية ، هذه الخلايا العصبية الخضراء تحصل على إشارات من الخلايا العصبية

05:35.130 --> 05:35.760
الصفراء.

05:35.760 --> 05:42.480
وفي هذه الدورة ، سنحاول التمسك بنظام ترميز لوني معين حيث يعني اللون الأصفر طبقة الإدخال.

05:42.480 --> 05:50.550
لذلك بشكل أساسي جميع الخلايا العصبية الموجودة على الطبقة الخارجية أو في الجزء الأمامي الأول من حيث تأتي الإشارة

05:50.550 --> 05:57.060
، ومن خلال الإشارة قد يكون الأمر أشبه بقليل من المبالغة في استدعاء هذه الإشارة.

05:57.060 --> 05:58.710
إنها مجرد قيم إدخال أساسية.

05:58.710 --> 06:04.230
لذا فأنت تعرف كيف أنه حتى في الانحدار الخطي البسيط لديك قيم إدخال ومن ثم لديك قيمة

06:04.230 --> 06:04.950
متوقعة.

06:04.950 --> 06:05.550
نفس الشيء هنا.

06:05.550 --> 06:08.850
إذاً لديك قيم إدخال وها هي القيم الصفراء.

06:08.850 --> 06:12.330
وبعد ذلك على اليمين سترى الآن باللون الأحمر ، وستكون قيمة الإخراج.

06:13.300 --> 06:17.100
الشيء الذي أردت أن أشير إليه هنا هو أنه في هذا المثال المحدد ، نحن ننظر

06:17.100 --> 06:21.150
إلى خلية عصبية تحصل على إشاراتها من الخلايا العصبية لطبقة الإدخال.

06:21.160 --> 06:23.790
لذا فهي أيضًا خلايا عصبية ، لكنها خلايا عصبية لطبقة الإدخال.

06:24.360 --> 06:31.110
في بعض الأحيان سيكون لديك خلايا عصبية تحصل على إشاراتها من الخلايا العصبية الأخرى في الطبقة المخفية ، لذلك من الخلايا العصبية الخضراء

06:31.110 --> 06:31.680
الأخرى.

06:31.680 --> 06:33.240
وسيكون المفهوم هو نفسه تمامًا.

06:33.300 --> 06:37.170
فقط في هذه الحالة ، من أجل البساطة ، نقوم بتصوير هذا المثال.

06:37.380 --> 06:44.790
وفيما يتعلق بطبقة الإدخال ، فإن طريقة التفكير فيها تكمن في تشبيه الدماغ البشري ، طبقة

06:45.060 --> 06:48.010
الإدخال هي حواسك ، أليس كذلك؟

06:48.030 --> 06:52.200
لذا مهما كان ما تراه هنا ، تشعر به أو تلمسه أو تشمه.

06:52.200 --> 06:55.770
وبالطبع ، يبدو الأمر كما لو أن هناك الكثير من الأشياء التي يمكنك رؤيتها.

06:55.770 --> 06:57.510
هناك الكثير من المعلومات الواردة.

06:57.510 --> 07:00.060
لكن هؤلاء هم ما يقتصر عليه عقلك.

07:00.090 --> 07:05.940
إنه يشبه إلى حد كبير أنه يعيش في صندوق مصنوع من العظام.

07:05.940 --> 07:12.270
إنه مجرد مفهوم مذهل للعقل للتفكير في أن عقلك مغلق للتو في صندوق أسود وأن الشيء الوحيد الذي

07:12.270 --> 07:17.280
يشبهه لا يمكنك رؤيته لا يمكنك سماع الشيء الوحيد الذي يحصل عليه هو النبضات

07:17.280 --> 07:23.850
الكهربائية القادمة من هذه الأعضاء التي لديك ، والتي تسمى أذنيك ، وأنفك ، وعينيك ، كما تعلم ،

07:23.850 --> 07:28.260
حاسة اللمس لديك وأيًا كان وماذا عنك وذوقك ، أليس كذلك؟

07:28.260 --> 07:34.110
إنها مجرد تلقي إشارات ، لكنها تعيش أساسًا في هذا الصندوق الأسود المظلم ، وهي تجعل العالم

07:34.110 --> 07:35.970
منطقيًا من خلال حواسك.

07:35.970 --> 07:37.440
إنه أمر استثنائي.

07:38.280 --> 07:38.910
وهكذا نعم.

07:38.910 --> 07:42.960
إذن لديك هذه المدخلات التي تأتي من الدماغ البشري.

07:42.960 --> 07:43.950
تلك هي حواسك الخمس.

07:43.950 --> 07:50.520
وفيما يتعلق بالتعلم الآلي أو التعلم العميق ، فهذه هي أساسًا قيم المدخلات الخاصة بك.

07:50.520 --> 07:52.740
إذن المتغيرات المستقلة الخاصة بك وسنصل إلى ذلك في ثانية.

07:52.740 --> 07:59.520
لذا فإن قيم المدخلات الخاصة بك ، هي الإشارات التي يتم تمريرها من خلال نقاط الاشتباك العصبي إلى الخلايا العصبية ، ومن ثم يكون للخلايا

07:59.520 --> 08:02.760
العصبية الخاصة بك قيمة ناتجة تمررها إلى أسفل السلسلة.

08:03.300 --> 08:06.930
في هذه الحالة المحددة ، من حيث ترميز اللون ، مرة أخرى ، يعني اللون الأصفر طبقة الإدخال.

08:06.930 --> 08:08.520
لذلك نحن نوعا ما نبسط كل شيء هنا.

08:08.520 --> 08:13.140
نقول أننا سنحصل على طبقة الإدخال فقط ، ثم سنحصل على طبقة مخفية واحدة باللون الأخضر

08:13.140 --> 08:16.830
، وهي الطبقة المخفية ، ومن ثم سنحصل على طبقة الإخراج على الفور.

08:17.370 --> 08:20.280
حتى نتمكن من التعود على هذه الألوان في الوقت الحالي.

08:21.330 --> 08:22.080
لذا ها نحن ذا.

08:22.080 --> 08:23.940
هذا هو الهيكل الأساسي.

08:23.940 --> 08:28.320
لنلق نظرة الآن بمزيد من التفصيل على هذه العناصر المختلفة التي لدينا.

08:28.320 --> 08:29.520
إذن لدينا طبقة الإدخال.

08:29.730 --> 08:31.020
وماذا لدينا هنا؟

08:31.020 --> 08:35.370
حسنًا ، لدينا هذه المدخلات التي هي في الواقع متغيرات مستقلة.

08:35.370 --> 08:38.070
هل المتغير المستقل الأول متاح للمتغير المستقل؟

08:38.510 --> 08:44.670
الشيء المهم الذي يجب تذكره هنا هو أن هذه المتغيرات المستقلة كلها لملاحظة واحدة.

08:44.670 --> 08:47.550
لذا فكر في الأمر على أنه صف واحد فقط في قاعدة البيانات الخاصة بك.

08:47.550 --> 08:51.360
ملاحظة واحدة تأخذ فقط كل المتغيرات المستقلة.

08:52.110 --> 08:54.690
ربما هو عمر الشخص.

08:54.690 --> 08:57.480
إنها مبلغ المال في الحساب المصرفي.

08:57.720 --> 08:58.590
ثم كيف؟

08:58.590 --> 09:00.690
كيف يقودون السيارة أو يمشون إلى العمل؟

09:00.690 --> 09:02.790
ما هي وسيلة النقل التي يستخدمونها؟

09:02.790 --> 09:08.370
إذاً ولكن هذا هو كل وصف لشخص معين تقوم إما بتدريب نموذجك عليه

09:08.370 --> 09:11.520
أو أنك تقوم ببعض التنبؤات.

09:12.330 --> 09:16.260
والشيء الآخر الذي يجب أن تعرفه عن هذه المتغيرات هو أنك تحتاج إلى توحيدها.

09:16.260 --> 09:21.270
لذلك عليك إما توحيدهما ، مما يعني التأكد من أن متوسطهما صفر والتباين واحد.

09:21.270 --> 09:27.930
أو يمكنك أيضًا أن تشير في بعض الأحيان وتعلمت إلى هذه المواقف بمزيد من التفصيل.

09:27.930 --> 09:32.880
ربما في الدروس العملية التي قد تصادفها في بعض الأحيان قد ترغب في عدم توحيدها

09:32.880 --> 09:38.520
، قد ترغب في تطبيعها ، مما يعني أنه بدلاً من التأكد من أن المتوسط هو صفر والتباين واحد

09:38.520 --> 09:44.060
، فأنت تأخذها فقط ، وتطرح الحد الأدنى قيمة ، ثم تقسم على الحد الأقصى ناقص الحد الأدنى

09:44.080 --> 09:49.200
على نطاق القيم الخاصة بك ، وبالتالي تحصل على قيم بين صفر وواحد.

09:49.200 --> 09:52.350
وهذا يعتمد على السيناريو.

09:52.350 --> 09:56.880
قد ترغب في عمل أحدهما أو الآخر ، لكنك في الأساس تريد أن تكون كل هذه المتغيرات متشابهة

09:56.880 --> 09:58.950
تمامًا في نفس الشيء تقريبًا.

09:59.650 --> 10:00.610
مجموعة من القيم.

10:00.610 --> 10:01.690
و لماذا؟

10:01.690 --> 10:02.080
لماذا هذا؟

10:02.110 --> 10:06.670
حسنًا ، ستنتقل كل هذه القيم إلى شبكة عصبية حيث ، كما سنرى الآن

10:06.670 --> 10:10.280
، ستُضاف وتُضرب بالأوزان ، وتُجمع وما إلى ذلك.

10:10.280 --> 10:16.780
وسيكون من الأسهل على الشبكة العصبية معالجتها إذا كانت جميعها متشابهة.

10:16.930 --> 10:23.500
وفي الحقيقة ، كما تعلمون ، هذه هي الطريقة التي ستتمكن من العمل بشكل صحيح.

10:24.040 --> 10:29.020
وإذا كنت ترغب في قراءة المزيد عن التوحيد القياسي والتطبيع والأشياء الأخرى التي

10:29.020 --> 10:36.540
يمكنك القيام بها باستخدام متغيرات الإدخال ، فإن ورقة قراءة إضافية جيدة تسمى Efficient Back Prop بواسطة Yan LeCun

10:36.830 --> 10:37.960
في عام 1998.

10:38.410 --> 10:39.370
الروابط هناك.

10:39.370 --> 10:45.910
إذن يان ليكون ، سنتحدث أكثر عن هذا الشخص الهائل في فضاء التعلم العميق في جزء من

10:45.910 --> 10:50.320
الدورة حيث نتحدث عن الشبكات العصبية التلافيفية.

10:50.320 --> 10:55.080
وسترى أن هذا بالتأكيد شخص يعرف ما يتحدث عنه.

10:55.090 --> 11:00.760
إنه صديق مقرب لجيفري هينتون ، الذي رأيناه بالفعل ، والذي ذكرناه بالفعل.

11:00.760 --> 11:06.730
لذا في هذه الورقة ستتعلم المزيد عن التوحيد القياسي والتطبيع ، ولكن يمكنك أيضًا التقاط الكثير من النصائح والحيل

11:06.730 --> 11:11.200
المختلفة الأخرى ، وستكون مصدرًا جيدًا وجيدًا لمزيد من القراءة أثناء متابعة هذه الدورة

11:11.200 --> 11:12.070
التدريبية.

11:12.070 --> 11:15.100
لذا ، نعم ، تحقق من ذلك إذا كنت مهتمًا ببعض القراءة الإضافية.

11:16.180 --> 11:16.870
هناك نذهب.

11:16.870 --> 11:19.960
إذن هذا ما علينا فعله بالمتغيرات.

11:20.050 --> 11:23.050
وهنا لدينا قيمة الخرج.

11:23.050 --> 11:24.870
إذن ماذا يمكن أن تكون قيمة الناتج لدينا؟

11:24.880 --> 11:26.200
حسنًا ، لدينا خياران.

11:26.200 --> 11:31.240
يمكن أن تكون قيمة المخرجات مستمرة ، مثل السعر ، على سبيل المثال ، يمكن أن تكون ثنائية.

11:31.240 --> 11:35.950
على سبيل المثال ، سيخرج الشخص أو سيبقى أو يمكن أن يكون متغيرًا فئويًا.

11:35.950 --> 11:41.440
وإذا كان متغيرًا فئويًا فئويًا ، فإن الشيء المهم الذي يجب تذكره هنا هو أنه في هذه الحالة ، لن تكون

11:41.440 --> 11:43.810
قيمة المخرجات الخاصة بك واحدة فقط.

11:43.810 --> 11:49.420
ستكون قيم مخرجات متعددة لأنها ستكون متغيرات وهمية تمثل

11:49.420 --> 11:50.500
فئاتك.

11:51.220 --> 11:53.110
وهذا فقط كيف يعمل.

11:53.110 --> 11:59.020
ومن المهم فقط أن تتذكر أنه في هذه الحالة ، هذه هي الطريقة التي ستخرج بها فئاتك

11:59.020 --> 12:01.570
من الشبكة العصبية الاصطناعية.

12:02.560 --> 12:08.530
لكن دعنا نعود إلى حالة بسيطة لقيمة مخرجات واحدة ، والآن دعنا نشير مرة أخرى أو نوعًا ما مثل النقطة التي أوضحناها

12:09.070 --> 12:10.060
بالفعل.

12:10.060 --> 12:16.090
أردت فقط أن أكرر هذه النقطة على اليسار ، لديك ملاحظة واحدة ، لذلك صف واحد لك من مجموعة البيانات

12:16.090 --> 12:17.470
الخاصة بك.

12:17.470 --> 12:19.630
وعلى اليمين لديك ملاحظة واحدة أيضًا.

12:19.630 --> 12:21.880
وهذه هي الملاحظة نفسها.

12:21.880 --> 12:27.730
من المهم جدًا أن تتذكر أنه مثل أي مدخلات تقوم بإدخالها ، فهذا لصف واحد ثم الناتج الذي

12:27.730 --> 12:29.920
تحصل عليه هو لنفس الصف بالضبط.

12:29.920 --> 12:34.600
أو إذا كنت تقوم بتدريب شبكتك العصبية ، فأنت تضع المدخلات لهذا الصف الواحد ، فأنت تضع المخرجات

12:34.600 --> 12:36.190
في هذا الصف الواحد.

12:36.190 --> 12:42.370
لذلك مثل إذا كنت تريد تبسيط التعقيد ، فكر في الأمر على أنه انحدار خطي بسيط أو انحدار خطي

12:42.370 --> 12:43.900
متعدد المتغيرات.

12:43.900 --> 12:47.790
إذن أنت تضع قيمك ، لديك مخرجاتك.

12:48.300 --> 12:52.090
هذا مثل أنه لا يوجد شك حوله عندما نتحدث عن أشياء مثل الانحدار لأننا معتادون

12:52.090 --> 12:52.720
عليه.

12:52.720 --> 12:54.910
الشيء نفسه هنا ، لا يوجد شيء معقد للغاية.

12:54.910 --> 12:56.680
نحن فقط نضع القيم ، نحصل على المخرجات.

12:56.680 --> 13:01.240
لكن تذكر فقط أنه في كل مرة تتعامل فيها مع صف واحد حتى لا تشعر بالارتباك

13:01.240 --> 13:07.870
وتبدأ في التفكير في أن هذه أدوار مختلفة ومختلفة تضعها في شبكتك العصبية الاصطناعية أو شيء من هذا

13:07.870 --> 13:09.040
القبيل.

13:09.040 --> 13:11.170
هذه كلها قيم فقط في هذا الصف الواحد.

13:11.170 --> 13:16.750
ملاحظات مختلفة ، وخصائص أو سمات مختلفة تتعلق بتلك الملاحظة الواحدة

13:16.750 --> 13:17.650
في كل مرة.

13:19.060 --> 13:19.320
تمام.

13:19.330 --> 13:24.940
الشيء التالي الذي نريد التحدث عنه هنا هو أو هي المشابك ، هل الجيوب هنا؟

13:24.940 --> 13:27.940
لدينا جيوب أنفية وجميعهم يحصلون بالفعل على أوزان مخصصة.

13:28.360 --> 13:28.840
الأوزان.

13:28.840 --> 13:31.660
سنتحدث أكثر عن الأوزان في الأسفل.

13:31.660 --> 13:40.060
لكن باختصار ، تعتبر الأوزان ضرورية لعمل الشبكات العصبية الاصطناعية لأن الأوزان هي الطريقة التي تتعلم بها

13:40.060 --> 13:41.530
الشبكات العصبية.

13:41.530 --> 13:49.060
من خلال تعديل الأوزان ، تقرر الشبكة العصبية في كل حالة ما هي الإشارة الفردية المهمة ، والإشارة غير المهمة لخلايا

13:49.060 --> 13:53.290
عصبية معينة ، والإشارة التي يتم تمريرها ، والإشارة التي لا يتم

13:53.290 --> 13:57.520
تمريرها ، أو إلى أي قوة ، إلى أي مدى يتم تمرير الإشارات.

13:57.520 --> 13:59.230
لذا الأوزان مهمة.

13:59.230 --> 14:01.240
هم و هم.

14:01.240 --> 14:03.520
الأشياء التي يتم تعديلها من خلال عملية التعلم.

14:03.520 --> 14:07.690
كما هو الحال عندما تقوم بتدريب شبكة عصبية اصطناعية ، فأنت تقوم بشكل أساسي بضبط جميع الأوزان

14:07.690 --> 14:10.780
في جميع عمليات التسجيل عبر هذه الشبكة العصبية بأكملها.

14:10.780 --> 14:16.600
وهنا يأتي دور الانحدار المتدرج والانتشار الخلفي.

14:16.600 --> 14:18.700
وهذه هي المفاهيم التي سنناقشها أيضًا.

14:19.450 --> 14:21.220
هذه هي الأوزان بشكل أساسي.

14:21.220 --> 14:22.780
هذا كل ما نحتاج إلى معرفته الآن.

14:22.870 --> 14:24.520
وهنا لدينا الخلية العصبية.

14:24.520 --> 14:28.210
لذا فإن الإشارات تذهب إلى الخلايا العصبية وما يحدث في الخلية العصبية.

14:28.210 --> 14:30.460
لذلك هذا هو الجزء المثير للاهتمام.

14:30.460 --> 14:33.610
كما نتحدث عن الخلايا العصبية اليوم ، ماذا يحدث داخل الخلية العصبية.

14:33.610 --> 14:36.310
لذا فإن بعض الأشياء تحدث أول شيء.

14:36.310 --> 14:41.260
والخطوة الأولى هي جمع كل هذه القيم التي يتم جمعها.

14:41.260 --> 14:43.450
لذلك يأخذ المضافة.

14:43.720 --> 14:49.740
إذن ، أصبح المجموع المرجح لجميع قيم الإدخال بسيطًا جدًا ، أليس كذلك؟

14:49.780 --> 14:51.130
إنه أمر واضح ومباشر للغاية.

14:51.130 --> 14:56.950
فقط اجمع الضرب في الوزن ، ثم اجمعه ، ثم يطبق وظيفة التنشيط.

14:56.950 --> 14:59.110
الآن سوف نتحدث أكثر عن وظائف التنشيط.

14:59.370 --> 15:04.710
مزيد من الأسفل ، ولكنها في الأساس وظيفة يتم تعيينها لهذه الخلية العصبية أو

15:05.100 --> 15:09.330
لهذه الطبقة بأكملها ويتم تطبيقها على هذا المجموع المرجح.

15:09.330 --> 15:17.100
وبعد ذلك ، تفهم الخلية العصبية ما إذا كانت بحاجة إلى تمرير إشارة ، مثل هذه الإشارة إلى

15:17.100 --> 15:22.170
أنها تمرر تلك الوظيفة المطبقة على المجموع المرجح.

15:22.170 --> 15:26.460
ولكن اعتمادًا على الوظيفة ، فإن العصبون إما سيمرر إشارة أو لن يمرر هذه

15:26.460 --> 15:27.210
الإشارة.

15:27.690 --> 15:34.380
وهذا بالضبط ما حدث هنا في الخطوة الثالثة ، فالخلايا العصبية تمرر تلك الإشارة إلى الخلية العصبية التالية

15:34.440 --> 15:39.870
على طول الخط ، وهذا ما سنتحدث عنه في الدرس التالي ، لأنه موضوع مهم للغاية.

15:39.870 --> 15:46.590
نريد التعمق أكثر في وظيفة التنشيط ، ولكن نأمل في الوقت الحالي أن يكون كل شيء واضحًا تمامًا كيف حصلت على قيم

15:46.590 --> 15:51.540
الإدخال ، لديك أوزان ، لديك الجيوب الأنفية ، لديك شيء يحدث في الخلايا العصبية

15:51.540 --> 15:55.620
، لقد حصلت على المجموع الموزون ، ثم يتم تطبيق وظيفة التنشيط ثم يتم

15:55.620 --> 15:59.880
تمرير ذلك على الخط ، ويتكرر ذلك فقط عبر الشبكة العصبية بأكملها ، مرارًا

15:59.880 --> 16:01.560
وتكرارًا.

16:02.670 --> 16:06.900
الآلاف ، مئات الآلاف من المرات ، اعتمادًا على حجم وعدد الخلايا العصبية التي لديك ، وعدد

16:06.900 --> 16:09.150
نقاط الاشتباك العصبي لديك في شبكتك العصبية.

16:09.270 --> 16:10.010
لذا ها نحن ذا.

16:10.020 --> 16:12.000
آمل أن تكون قد استمتعت ببرنامج اليوم التعليمي.

16:12.030 --> 16:13.170
لا استطيع الانتظار لرؤيتك في المرة القادمة.

16:13.170 --> 16:15.150
وحتى ذلك الحين ، استمتع بالتعلم العميق.