WEBVTT

00:00.700 --> 00:03.010
أهلا ومرحبا بكم مرة أخرى في الدورة والتعلم العميق.

00:03.010 --> 00:08.190
الآن بعد أن رأينا الشبكات العصبية تعمل ، حان الوقت لنكتشف كيف يتعلمون.

00:08.200 --> 00:09.820
لذلك دعونا نتعمق فيه مباشرة.

00:10.270 --> 00:16.000
هناك طريقتان مختلفتان جوهريًا لجعل البرنامج يفعل ما تريده أن يفعله.

00:16.030 --> 00:24.580
أحدهما هو الترميز الثابت ، حيث تخبر فعليًا القواعد المحددة للبرنامج والنتائج التي تريدها وتوجهها

00:24.580 --> 00:30.760
طوال الطريق بالكامل وتحسب جميع الخيارات الممكنة التي يتعين على البرنامج

00:30.760 --> 00:32.920
التعامل معها.

00:33.070 --> 00:37.300
من ناحية أخرى ، لديك شبكات عصبية حيث تقوم بإنشاء ملف.

00:38.700 --> 00:43.430
تسهيل البرنامج ليكون قادرًا على فهم ما يحتاج إلى القيام به بمفرده.

00:43.440 --> 00:49.410
لذلك تقوم بإنشاء هذه الشبكة العصبية حيث تزودها بالمدخلات ، وتخبرها بما تريده

00:49.410 --> 00:52.980
كمخرجات ، ثم تتركها تكتشف كل شيء بمفردها.

00:53.310 --> 00:55.650
نهجين مختلفين اختلافا جوهريا.

00:55.770 --> 01:00.450
وهذا شيء يجب أن نضعه في الاعتبار أثناء استعراضنا لهذه الدروس.

01:00.660 --> 01:05.910
هدفنا هو إنشاء هذه الشبكة التي تتعلم بعد ذلك من تلقاء نفسها.

01:05.920 --> 01:10.920
سوف نتجنب محاولة وضع القواعد.

01:10.920 --> 01:16.710
والمثال الجيد الذي يمكنني تقديمه لك الآن هو أن هذا سيأتي إلى أبعد من ذلك في الدورة ، لكنه مجرد

01:16.710 --> 01:18.030
مثال مرئي للغاية.

01:18.030 --> 01:23.660
على سبيل المثال ، كيف تميز بين كلب وقط أربعة على الجانب الأيسر؟

01:23.670 --> 01:29.700
في النهج الموضح على اليسار ، يمكنك برمجة أشياء مثل آذان القط يجب أن تكون

01:29.700 --> 01:30.480
هكذا.

01:30.480 --> 01:34.080
ابحث عن شعيرات ، ابحث عن هذا النوع من الأنف.

01:34.080 --> 01:37.680
ابحث عن هذا النوع من أشكال الوجه.

01:37.740 --> 01:38.790
ابحث عن هذه الألوان.

01:38.790 --> 01:43.650
أنت نوعًا ما تصف كل هذه الأشياء وستكون لديك ظروف مثل إذا كانت الأذنين مدببتين

01:43.650 --> 01:48.960
، ثم قطة ، إذا كانت الأذنان تنزلقان ، فمن المحتمل أن تكون كلبًا وما إلى ذلك.

01:49.440 --> 01:54.690
من ناحية أخرى ، بالنسبة للشبكة العصبية ، تقوم فقط بترميز الشبكات العصبية ، وترميز

01:54.690 --> 02:00.750
البنية ، ثم تقوم بتوجيه الشبكة العصبية إلى مجلد به كل هذه القطط والكلاب مع صور القطط والكلاب

02:00.750 --> 02:02.580
التي تم تصنيفها بالفعل.

02:02.580 --> 02:04.530
وأنت تقول ذلك ، حسنًا ، لقد حصلت عليك.

02:04.530 --> 02:06.630
لدي بعض صور القطط والكلاب.

02:06.660 --> 02:08.790
اذهب وتعلم ما هي القطة.

02:08.790 --> 02:10.470
اذهب وتعلم ما هو الكلب.

02:10.470 --> 02:15.030
وستفهم الشبكة العصبية من تلقاء نفسها كل ما تحتاج إلى فهمه.

02:15.030 --> 02:20.040
ثم بعد ذلك ، بمجرد تدريبه ، عندما تعطيه صورة جديدة لقط أو كلب ، سيكون قادرًا

02:20.040 --> 02:21.390
على فهم ما كان عليه.

02:21.390 --> 02:23.070
لذا ها هم.

02:23.100 --> 02:25.440
هذان هما النهجان المختلفان جوهريا.

02:25.440 --> 02:30.920
واليوم سنبدأ ببطء في التعرف على كيفية عمل هذا النهج الثاني.

02:30.930 --> 02:31.410
حسنا.

02:31.410 --> 02:33.480
لذلك دعنا نصل إليها مباشرة هنا.

02:33.480 --> 02:39.450
لدينا شبكة عصبية أساسية للغاية بطبقة واحدة تسمى طبقة واحدة ، شبكة عصبية

02:39.450 --> 02:42.540
متجهة إلى الأمام ، وتسمى أيضًا بصبر.

02:42.540 --> 02:47.910
الآن ، قبل المضي قدمًا ، هناك شيء واحد نحتاج إلى تعديله وهو قيمة المخرجات الآن يمكنك

02:47.910 --> 02:50.970
أن ترى أنه مجرد سبب احتياجنا لوضع قبعة y هناك.

02:50.970 --> 02:56.400
والسبب في ذلك هو عادةً أن Y تمثل القيمة الفعلية وهذا ما سنستخدمه.

02:56.400 --> 02:59.910
إذن Y ستكون القيمة الفعلية التي نراها.

02:59.910 --> 03:06.750
في الواقع ، قيمة المخرجات هي القيمة المتوقعة بواسطة الخوارزمية ، بواسطة الشبكة العصبية

03:06.750 --> 03:09.150
، y hat هي قيمة الإخراج.

03:09.150 --> 03:11.460
هذا هو أساس قيمة المخرجات.

03:11.460 --> 03:17.220
وقد اخترع الباسترون لأول مرة في عام 1957 من قبل فرانك روزنبلات.

03:17.220 --> 03:24.930
وكانت فكرته كلها إنشاء شيء يمكنه التعلم والتكيف مع نفسه.

03:24.930 --> 03:27.780
وهذا ما سننظر إليه الآن.

03:27.780 --> 03:30.150
لذلك لدينا مدرك.

03:30.150 --> 03:31.830
دعونا نرى كيف يتعلم المستوعب.

03:31.830 --> 03:39.060
لنفترض أن لدينا بعض قيم المدخلات التي تم توفيرها إلى المستشعر و / أو بشكل أساسي لشبكتنا

03:39.060 --> 03:40.080
العصبية.

03:40.080 --> 03:47.580
ثم يتم تطبيق وظيفة التنشيط ، لدينا مخرجات والآن سنقوم برسم الناتج على الرسم

03:47.580 --> 03:49.050
البياني.

03:49.050 --> 03:51.480
إذن ها هو ناتجنا y قبعة.

03:51.510 --> 03:57.030
الآن ما نحتاج إلى القيام به هو أن نكون قادرين على التعلم ، نحتاج إلى مقارنة قيمة المخرجات بالقيمة

03:57.030 --> 04:01.200
الفعلية التي نريد أن تحصل عليها الشبكة العصبية بشكل صحيح.

04:01.290 --> 04:04.320
وهذه هي القيمة Y.

04:04.620 --> 04:07.710
وبالتالي إذا قمنا برسمها هنا ، فسترى أن هناك اختلافًا بسيطًا.

04:08.100 --> 04:13.410
سنقوم الآن بحساب دالة تسمى دالة التكلفة يتم حسابها على أنها نصف الفرق في تربيع

04:13.410 --> 04:16.890
الفرق بين القيمة الفعلية وقيمة المخرجات.

04:16.920 --> 04:20.430
يوجد الآن العديد من الطرق التي يمكنك من خلالها التوصل إلى دالة التكلفة.

04:20.430 --> 04:23.040
هناك العديد من وظائف التكلفة المختلفة التي يمكنك استخدامها.

04:23.250 --> 04:30.480
ربما تكون هذه هي وظيفة الفصل الأكثر استخدامًا ولماذا هذه الوظيفة بالتحديد هي التي نستخدمها.

04:30.480 --> 04:34.200
سنكتشف المزيد عندما نتحدث عن الانحدار المتدرج.

04:34.200 --> 04:37.650
لكن في الوقت الحالي سنتفق فقط على أن هذه هي دالة التكلفة.

04:37.650 --> 04:44.040
وبشكل أساسي ، ما تخبرنا به دالة التكلفة هو ما هو الخطأ الذي لديك في تنبؤاتك؟

04:44.040 --> 04:50.160
وهدفنا هو تقليل دالة التكلفة لأنه كلما انخفضت دالة التكلفة ، كلما

04:50.160 --> 04:51.480
اقتربت y من Y.

04:52.290 --> 04:54.360
لذا طالما أننا نتفق على ذلك ، فلنبدأ.

04:54.360 --> 04:58.320
من هنا ، ما يحدث هو دالة التكلفة.

04:58.320 --> 05:04.830
ومن هنا ما يحدث الآن هو أننا بمجرد المقارنة الآن ، سنقوم بتغذية هذه المعلومات

05:04.980 --> 05:08.760
مرة أخرى في الشبكة العصبية.

05:08.760 --> 05:09.630
لذا ها نحن ذا.

05:09.630 --> 05:14.610
هناك معلومات تعود إلى الشبكة العصبية وتذهب إلى الأوزان ويتم تحديث

05:14.640 --> 05:15.480
الأوزان.

05:15.480 --> 05:20.820
في الأساس ، الشيء الوحيد الذي نتحكم فيه في هذه الشبكة العصبية البسيطة للغاية

05:20.820 --> 05:26.700
هو الأوزان w واحد ، w اثنان على طول الطريق إلى w m وهدفنا هو تقليل دالة التكلفة.

05:26.700 --> 05:29.280
لذلك كل ما يمكننا فعله هو تحديث الوزن.

05:29.280 --> 05:36.420
لذلك نقوم بتحديث الأوزان وتعديلها قليلاً وكيف سنكتشف ذلك بالضبط ولكن في الوقت الحالي

05:36.420 --> 05:37.800
نتفق على ذلك.

05:37.970 --> 05:40.010
الأوزان ثم نستمر.

05:40.010 --> 05:48.200
لذا ، لقد وضعت هنا لقطة الشاشة هذه للبيانات فقط لتوضيح نقطة واحدة واضحة جدًا أنه في الوقت الحالي خلال

05:48.200 --> 05:53.930
هذه التجربة بأكملها ، كل ما نقوم به الآن ، نتعامل مع صف واحد فقط.

05:53.930 --> 06:00.290
لذلك نحن نتعامل مع لدينا مجموعة بيانات من صف واحد حيث لدينا على سبيل المثال ، نحن نتعامل

06:00.290 --> 06:01.970
مع المدة التي تدرسها.

06:01.970 --> 06:08.150
مثل المتغير الذي نتوقعه هو ماذا ، ما هي النتائج التي ستحصل عليها في الاختبار.

06:08.150 --> 06:12.530
والمتغيرات المستقلة التابعة التي لدينا هي كم ساعة درست فيها؟

06:12.530 --> 06:16.700
كم ساعة نمت وماذا حصلت في الاختبار القصير في منتصف الفصل الدراسي؟

06:16.700 --> 06:18.860
لذلك في منتصف الفصل الدراسي كان هناك اختبار.

06:18.860 --> 06:19.820
ما هي النسبة التي حصلت عليها هناك؟

06:19.820 --> 06:24.590
بناءً على هذه المتغيرات ، نحاول التنبؤ بالدرجة التي ستحصل عليها في الاختبار.

06:24.590 --> 06:27.950
وفي الامتحان ، 93٪ ، هذه هي القيمة الفعلية.

06:27.950 --> 06:35.330
لهذا السبب نقوم بتغذية هذه القيم الثلاث في شبكتنا العصبية مرة أخرى للمرة الثانية الآن وبعد

06:35.960 --> 06:38.900
ذلك سنقوم بمقارنة النتيجة بـ Y.

06:38.900 --> 06:40.220
لذلك دعونا نرى كيف يعمل هذا.

06:40.490 --> 06:42.920
نحن نغذي هذه القيم في الشبكة العصبية.

06:43.670 --> 06:46.610
يتم تعديل كل شيء وتعديل الأوزان.

06:46.610 --> 06:50.090
لذا كما ترون ، هذا مرة أخرى ، سنقوم بتغذية القيم.

06:50.090 --> 06:53.090
مرة أخرى ، النقطة هنا هي أننا نتغذى بهذه القيم نفسها.

06:53.090 --> 06:54.410
لذلك لدينا صف واحد فقط.

06:54.410 --> 06:56.330
نحاول أن نتدرب في صف واحد.

06:56.330 --> 06:59.390
هذا لأن هذا مجرد مثال أساسي بسيط للغاية.

06:59.390 --> 07:01.520
ثم سنرى ما سيحدث عندما يكون هناك المزيد من الصفوف.

07:01.520 --> 07:06.080
لذا مرة أخرى ، نقوم بتغذية هذه الصفوف في تعديل دوال التكلفة الخاصة بنا.

07:06.080 --> 07:10.430
كما ترى ، كل شيء يحدث على هذا المنوال مرة أخرى.

07:10.430 --> 07:15.320
كما ترون ، في كل مرة تتغير فيها قبعتنا البيضاء لأننا قمنا بتعديل الأوزان ، يتغير رأسنا

07:15.320 --> 07:17.500
المرتفع ، تتغير وظيفة التكلفة لدينا.

07:17.540 --> 07:18.290
دعونا نلقي نظرة مرة أخرى.

07:18.290 --> 07:22.670
لذلك نحن نطعم أولئك الذين يرتدون قبعة بيضاء يتغير ، وظيفة التكلفة تتغير.

07:22.670 --> 07:26.960
نحصل على معلومات تعاد إلى الأوزان حتى يتم تعديل الأوزان مرة أخرى.

07:26.960 --> 07:32.300
نقوم بتغذية نفس القيم في كل مرة يتم فيها تعديل كل شيء والعودة إلى

07:32.300 --> 07:36.590
الأوزان ومرة أخرى يتم التغذية فيها ووقت آخر.

07:36.590 --> 07:41.300
لذلك قمنا بضبط الوزن المعدل ، الأوزان التي نغذيها في المعلومات وها نحن ذا.

07:41.300 --> 07:45.770
إذن هذه المرة قبعة y تساوي y يساوي صفرًا وظيفيًا.

07:45.770 --> 07:48.350
عادة لا نحصل على دالة تكلفة تساوي الصفر.

07:48.350 --> 07:50.120
لكن هذا مثال بسيط للغاية.

07:50.630 --> 07:57.410
لذلك نأمل أن يكون كل هذا منطقيًا في كل مرة نتغذى فيها في نفس الصف بالضبط لأنه في هذه الحالة

07:57.410 --> 08:01.220
فقط ، نتعامل فقط مع هذا الصف في شبكتنا العصبية.

08:01.670 --> 08:06.920
ثم تحصل على الأوزان ، يتم ضرب القيم بالطرق التي يتم بها تطبيق وظيفة التنشيط.

08:06.920 --> 08:09.740
نحصل على y hat y hat مقارنة بـ y.

08:10.130 --> 08:12.230
ثم نرى كيف تغيرت دالة التكلفة.

08:12.230 --> 08:17.900
تغذي التعليقات هذه المعلومات مرة أخرى إلى الشبكة العصبية وقم فقط بضبط الأوزان مرة أخرى

08:17.900 --> 08:21.230
ثم نكرر نفس العملية مرة أخرى بنفس الصف بالضبط.

08:21.410 --> 08:23.180
نحن نحاول تقليل دالة التكلفة هذه.

08:23.180 --> 08:26.750
حتى الآن ، كنا نتعامل مع هذا الصف فقط.

08:26.780 --> 08:29.360
دعونا نرى ما يحدث عندما يكون لديك عدة صفوف.

08:29.360 --> 08:31.220
إذن ها هي مجموعة البيانات الكاملة.

08:31.220 --> 08:39.140
لدينا ثمانية صفوف لعدد ساعات نومك ، أو ربما يكون هؤلاء طلابًا مختلفين في إجراء نفس الاختبار.

08:39.140 --> 08:44.000
كم عدد الساعات الأخرى التي درسوها وعدد الساعات التي قضوها قبل الامتحان وما حصلوا

08:44.000 --> 08:47.210
عليه في الاختبار والنتيجة النهائية للاختبار.

08:47.210 --> 08:51.830
وكما ترون هنا على اليسار ، لدي ثمانية من هذه التصورات.

08:51.830 --> 08:54.680
في الواقع ، هم جميعًا نفس المدرك.

08:54.680 --> 08:55.940
لذلك من المهم أيضًا فهم ذلك.

08:55.940 --> 09:04.220
لقد قمت بضربها أو تكرارها ثماني مرات فقط حتى نتمكن من فهم المفاهيم.

09:04.220 --> 09:06.680
لكن الشيء المهم هنا هو نفس الشبكة العصبية.

09:06.680 --> 09:10.310
سنقوم بتغذية هذه في نفس الشبكة العصبية.

09:10.310 --> 09:10.940
إذا هيا بنا.

09:10.940 --> 09:11.570
هيا بنا نبدأ.

09:11.570 --> 09:20.480
إذن ، حقبة واحدة ، كما ستسمعون ، ذكر فيها آلان حقبة واحدة عندما نمر بمجموعة كاملة من البيانات

09:20.480 --> 09:26.240
ونقوم بتدريب شبكتنا العصبية على كل هذه الصفوف.

09:26.240 --> 09:26.780
إذا هيا بنا.

09:26.780 --> 09:27.350
هيا بنا نبدأ.

09:27.350 --> 09:31.400
إذن لدينا الصف الأول وهناك قبعة y للصف الأول.

09:32.390 --> 09:33.590
هناك صف ثاني.

09:33.620 --> 09:35.150
هناك قبعة بيضاء للصف الثاني.

09:35.150 --> 09:39.260
لذا مرة أخرى ، يتم تغذيتها في نفس الشبكة العصبية في كل مرة.

09:39.260 --> 09:44.000
لقد قمت فقط بنسخها عدة مرات حتى نتمكن من رؤية كيف يحدث هذا بصريًا.

09:44.890 --> 09:47.670
ثم مرة أخرى ، إنه يحدث مرة أخرى.

09:47.680 --> 09:48.850
هذا هو الصف الثالث.

09:48.850 --> 09:49.990
الصف الرابع.

09:50.470 --> 09:52.960
هناك قبعتنا البيضاء للصف الرابع وهكذا.

09:52.960 --> 09:56.530
في الأساس ، نحصل أيضًا على نفس القيم للصفوف الأربعة المتبقية.

09:56.530 --> 10:02.620
لذلك في كل مرة نتغذى فيها على التوالي في شبكتنا العصبية ، نحصل على قيمة.

10:03.550 --> 10:06.880
ثم نقارن بالقيم الفعلية.

10:06.880 --> 10:08.470
إذن هم القيم الفعلية.

10:08.470 --> 10:11.230
لذلك لدينا قيمة فعلية لكل صف واحد.

10:11.350 --> 10:18.220
وبناءً على كل هذه الاختلافات بين القبعة البيضاء و y ، يمكننا حساب دالة

10:18.220 --> 10:27.280
التكلفة ، وهي مجموع كل تلك الفروق التربيعية بين القبعة البيضاء و y ، وكل ذلك منقسم إلى النصف.

10:27.940 --> 10:29.740
وهناك دالة التكلفة.

10:30.070 --> 10:36.880
والآن بشكل أساسي ، ما نفعله بعد أن نحصل على دالة التكلفة الكاملة ، نعود ونحدِّث الأوزان ، ونحدِّث

10:36.880 --> 10:39.430
aw1 ، و w اثنان ، و w ثلاثة.

10:39.430 --> 10:45.730
والشيء المهم الذي يجب تذكره هنا هو أن كل هؤلاء الإدراك الحسي ، كل هذه الشبكات العصبية هي في الواقع

10:45.730 --> 10:47.260
شبكة عصبية واحدة.

10:47.260 --> 10:48.250
لذلك ليس هناك ثمانية منهم.

10:48.250 --> 10:49.240
هناك واحد فقط.

10:49.360 --> 10:54.430
وعندما نقوم بتحديث الأوزان ، سنقوم بتحديث الأوزان في تلك الشبكة العصبية الواحدة.

10:54.430 --> 10:57.640
لذلك ، ستكون الأوزان هي نفسها لجميع الصفوف.

10:57.640 --> 11:00.430
لذلك ليس الأمر أن كل صف له أوزانه الخاصة.

11:00.430 --> 11:02.650
الآن ، تشترك جميع الصفوف في الأوزان.

11:02.650 --> 11:10.750
ولهذا السبب نظرنا إلى دالة التكلفة ، وهي مجموع الفروق التربيعية ، ثم قمنا بتحديث

11:10.750 --> 11:11.860
الأوزان.

11:11.860 --> 11:15.190
والآن من هنا كان هذا مجرد تكرار واحد.

11:15.190 --> 11:18.940
بعد ذلك سنقوم بتشغيل كل هذا مرة أخرى.

11:18.940 --> 11:25.390
سنقوم بتغذية كل صف في الشبكة العصبية ، ومعرفة وظيفة التكلفة لدينا ، والقيام بهذه العملية برمتها

11:25.390 --> 11:26.290
مرة أخرى.

11:26.290 --> 11:32.020
فكما رأينا سابقًا حيث كان لدينا صف واحد فقط وكنا نفعل كل شيء مرارًا وتكرارًا ، مرة

11:32.020 --> 11:33.520
أخرى ، نفس الشيء هنا.

11:33.520 --> 11:37.510
لكننا الآن سنقوم بذلك ثمانية صفوف أو 800 صف أو 8000 صف.

11:37.510 --> 11:43.510
على الرغم من وجود العديد من الصفوف في مجموعة البيانات الخاصة بك ، فإنك تقوم بهذه العملية ثم تحسب دالة التكلفة.

11:44.020 --> 11:51.160
والهدف هنا هو تقليل دالة التكلفة والحصول بمجرد العثور على الحد الأدنى من دالة التكلفة

11:51.160 --> 11:54.280
، هذا هو شبكتك العصبية النهائية.

11:54.280 --> 12:05.620
هذا يعني أنه تم تعديل الأوزان الخاصة بك ووجدت الأوزان المثلى لمجموعة البيانات هذه التي تتدرب عليها وأنت جاهز للمضي

12:05.620 --> 12:10.720
قدمًا في مرحلة الاختبار أو إلى مرحلة التطبيق.

12:11.320 --> 12:14.620
وهذه العملية برمتها تسمى التكاثر العكسي.

12:14.710 --> 12:20.380
لذلك بعض القراءة الإضافية التي قد ترغب في القيام بها لوظيفة التكلفة.

12:20.380 --> 12:24.790
وأنا أعلم أننا تحدثنا للتو عن واحد وهم كثيرون مختلفون.

12:24.790 --> 12:28.420
مقال جيد يقع على الصليب التحقق من صحتها.

12:28.660 --> 12:32.830
يطلق عليه قائمة وظائف التكلفة المستخدمة في الشبكات العصبية جنبًا إلى جنب مع التطبيقات.

12:32.830 --> 12:39.880
لذا فإن عنوان URL موجود ، ولكن يمكنك فقط استخدام Google لمصطلح البحث المحدد أو عبارة البحث ، وسترى

12:39.880 --> 12:41.950
أن هذا هو أول ما ينبثق.

12:41.950 --> 12:48.340
لقد حصلت بالفعل على بعض الأمثلة الجيدة والتطبيقات أو حالات الاستخدام لوظائف التكلفة المختلفة.

12:48.340 --> 12:51.520
لذلك إذا كنت مهتمًا بمعرفة المزيد حول وظائف التكلفة ، فاطلع على هذه المقالة.

12:51.700 --> 12:54.310
وفي هذه الملاحظة ، أتمنى أن تستمتع ببرنامج اليوم التعليمي.

12:54.310 --> 12:55.930
أتطلع إلى رؤيتك في المرة القادمة.

12:55.930 --> 12:58.150
حتى ذلك الحين ، استمتع بالتعلم العميق.