WEBVTT

00:01.720 --> 00:04.360
مرحبًا بكم ومرحبًا بكم مرة أخرى في الدورة التدريبية حول التعلم العميق اليوم.

00:04.360 --> 00:06.850
سننهي عملية التكاثر الخلفي.

00:07.150 --> 00:07.480
حسنا.

00:07.480 --> 00:11.950
لذلك نحن نعلم بالفعل إلى حد كبير كل ما نحتاج إلى معرفته حول ما يحدث في الشبكة العصبية.

00:11.950 --> 00:18.250
نحن نعلم أن هناك عملية تسمى الانتشار الأمامي حيث يتم إدخال المعلومات في طبقة

00:18.250 --> 00:23.560
الإدخال ثم يتم نشرها للأمام للحصول على قبعات y ، قيم المخرجات.

00:23.560 --> 00:31.780
ثم نقارن هذه بالقيم الفعلية التي لدينا في مجموعة التدريب الخاصة بنا ، ثم نحسب الأخطاء.

00:31.780 --> 00:38.830
ثم يتم نشر الأخطاء مرة أخرى عبر الشبكة في الاتجاه المعاكس ، وهذا يسمح لنا بتدريب

00:38.830 --> 00:41.350
الشبكة عن طريق ضبط الوزن.

00:41.350 --> 00:49.570
لذا فإن الشيء الرئيسي المهم الذي يجب تذكره هنا هو أن الانتشار العكسي هو خوارزمية متقدمة مدفوعة

00:49.570 --> 00:59.470
بحسابات رياضية معقدة ومثيرة للاهتمام للغاية ، والتي تسمح لنا بضبط الأوزان ، وجميعها في نفس الوقت ، يتم ضبط جميع

00:59.470 --> 01:02.290
الأوزان في وقت واحد.

01:02.290 --> 01:08.890
لذلك إذا كنا نقوم بذلك يدويًا أو إذا توصلنا إلى نوع مختلف من الخوارزمية ،

01:08.890 --> 01:14.080
فحتى لو قمنا بحساب الخطأ ثم كنا نحاول فهم تأثير كل من الأوزان

01:14.080 --> 01:20.860
على الخطأ ، فسنضطر إلى اضبط بطريقة ما كل من الأوزان بشكل مستقل أو فردي.

01:21.900 --> 01:28.770
الميزة الكبيرة للانتشار العكسي وهذا شيء أساسي يجب تذكره ، هو أنه أثناء عملية

01:28.770 --> 01:35.910
الانتشار العكسي ، ببساطة بسبب الطريقة التي يتم بها تنظيم الخوارزمية.

01:36.720 --> 01:43.080
أنت قادر على ضبط جميع الأوزان في نفس الوقت ، بحيث تعرف أساسًا أي جزء من الخطأ يكون

01:43.080 --> 01:47.070
كل من أوزانك في الشبكة العصبية مسؤولاً عنه.

01:47.100 --> 01:57.990
الآن ، هذا هو المبدأ الأساسي الأساسي للتكاثر العكسي ، وهذا هو سبب انتشاره بسرعة كبيرة

01:57.990 --> 02:00.600
في الثمانينيات.

02:00.600 --> 02:02.540
وكان هذا هو الاختراق الكبير.

02:02.550 --> 02:08.370
وإذا كنت ترغب في معرفة المزيد عن ذلك وكيف تعمل الرياضيات بالضبط في الخلفية

02:08.370 --> 02:14.700
، فإن المقالة الجيدة ، التي ذكرناها بالفعل ، هي الشبكات العصبية والتعلم العميق هو

02:14.700 --> 02:22.080
في الواقع كتاب من تأليف مايكل نيلسن " سوف تجد الرياضيات مكتوبة وسوف تساعدك على فهم كيف يكون هذا

02:22.080 --> 02:23.520
ممكنًا بالضبط.

02:23.520 --> 02:29.970
لكن في الوقت الحالي ، لأغراضنا ، إذا كان من وجهة نظر حدسية ، فإن الجزء المهم هو أن

02:29.970 --> 02:33.210
نتذكر أن هذا ما يفعله التكاثر العكسي.

02:33.210 --> 02:36.120
يقوم بضبط جميع الأوزان في نفس الوقت.

02:36.690 --> 02:43.230
والآن سنختتم كل شيء بمعرفة تفصيلية خطوة بخطوة لما يحدث في تدريب

02:43.230 --> 02:45.170
الشبكة العصبية.

02:45.180 --> 02:45.570
حسنا.

02:45.570 --> 02:50.790
الخطوة الأولى ، نقوم بشكل عشوائي بتهيئة الأوزان إلى أعداد صغيرة قريبة من الصفر ، لكن ليس صفرًا.

02:50.790 --> 02:56.550
لم نركز حقًا على تهيئة الأوزان أثناء دروس الحدس ، ولكن يجب أن تبدأ

02:56.550 --> 03:02.550
الأوزان من مكان ما ويتم تهيئتها بقيم عشوائية بالقرب من الصفر.

03:02.550 --> 03:08.100
ومن هناك من خلال عملية الانتشار الأربعة ، الانتشار الخلفي ، يتم ضبط هذه الأوزان حتى يتم تقليل

03:09.000 --> 03:13.320
الخطأ إلى أدنى حد ، حتى يتم تقليل دالة التكلفة إلى الحد الأدنى.

03:13.710 --> 03:17.560
ثم الخطوة الثانية تدخل الملاحظة الأولى لمجموعات البيانات الخاصة بك.

03:17.560 --> 03:21.390
إذن ، الصف الأول في طبقة الإدخال ، كل معلم هو عقدة إدخال واحدة.

03:21.390 --> 03:24.930
لذلك ، خذ الأعمدة بشكل أساسي ووضعها في عقد الإدخال.

03:25.620 --> 03:30.720
الخطوة الثالثة للانتشار من اليسار إلى اليمين ، يتم تنشيط الخلايا العصبية بطريقة تجعل تأثير كل تنشيط

03:30.720 --> 03:32.760
للخلايا العصبية محدودًا بالأوزان.

03:32.760 --> 03:39.780
لذا فإن الأوزان تحدد بشكل أساسي مدى أهمية كل تنشيط للخلايا العصبية ، ثم تنشر التنشيطات

03:39.780 --> 03:43.740
حتى الحصول على النتيجة المتوقعة في هذه الحالة.

03:43.740 --> 03:46.590
لذا فأنت تنتشر من اليسار إلى اليمين.

03:46.590 --> 03:49.890
تذهب طوال الطريق حتى تصل إلى النهاية وتحصل على قبعة y الخاصة بك.

03:50.040 --> 03:55.950
ثم قارن نتيجة التنبؤ بالنتيجة الفعلية ، وقم بقياس الخطأ الناتج ، ثم تقوم بالانتشار الخلفي من اليمين

03:55.950 --> 03:58.560
إلى اليسار ، ويتم نشر الخطأ مرة أخرى.

03:58.560 --> 04:02.040
قم بتحديث الأوزان وفقًا لمقدار مسؤوليتها عن الخطأ.

04:02.040 --> 04:08.280
مرة أخرى ، يمكنك حساب ذلك نظرًا للطريقة التي يتم بها إعادة نشر خوارزمية الاضطراب

04:08.280 --> 04:12.570
، فإن معدل التعلم يقرر من خلال مقدار تحديث الأوزان.

04:12.570 --> 04:17.160
معدل التعلم هو معلمة يمكنك التحكم فيها في شبكتك العصبية.

04:17.640 --> 04:22.830
الخطوة السادسة كرر الخطوات من 1 إلى 5 وقم بتحديث الأوزان بعد كل ملاحظة.

04:23.190 --> 04:24.810
وهذا ما يسمى التعلم المعزز.

04:24.810 --> 04:32.400
وفي حالتنا ، كان ذلك عبارة عن نزول متدرج عشوائي أو كرر الخطوات من 1 إلى 5 ، ولكن قم بتحديث الأوزان فقط بعد مجموعة

04:32.400 --> 04:33.840
من الملاحظة.

04:33.840 --> 04:39.990
لذا فإن التعلم الجماعي هو إما نزول متدرج كامل أو نزول متدرج دفعة أو نزول متدرج دفعة

04:39.990 --> 04:40.710
صغيرة.

04:40.710 --> 04:45.930
والخطوة السابعة ، عندما تمر مجموعة التدريب بأكملها عبر الشبكة العصبية الاصطناعية

04:45.930 --> 04:48.930
التي تجعل الحقبة تعيد حقبًا أكثر.

04:48.930 --> 04:54.810
لذلك ، في الأساس ، تستمر في القيام بذلك والقيام بذلك والقيام بذلك والسماح لشبكتك

04:54.810 --> 05:02.460
العصبية بالتدريب بشكل أفضل وأفضل وأفضل وتعديل نفسها باستمرار مع تقليل وظيفة التكلفة إلى الحد الأدنى.

05:02.460 --> 05:03.870
لذا ها نحن ذا.

05:04.320 --> 05:09.720
هذه هي الخطوات التي يجب عليك اتخاذها لبناء شبكاتك العصبية الاصطناعية وتدريبها.

05:09.720 --> 05:13.530
وهذه هي الخطوات التي ستتخذونها معًا.

05:13.530 --> 05:18.570
لقد تعلمت في الدروس العملية ، أتمنى لك حظًا سعيدًا وأنا أتطلع إلى رؤيتك في المرة

05:18.570 --> 05:19.370
القادمة.

05:19.380 --> 05:21.450
حتى ذلك الحين ، استمتع بالتعلم العميق.