WEBVTT

00:00.270 --> 00:02.970
أهلا ومرحبا بكم مرة أخرى في دورة التعلم العميق.

00:02.970 --> 00:05.960
لقد تعلمنا الكثير في هذا القسم من الدورة.

00:05.970 --> 00:08.400
دعونا نلخص ما تحدثنا عنه.

00:08.400 --> 00:09.840
حسنًا ، ها نحن ذا.

00:09.840 --> 00:16.170
لقد بدأنا بصورة إدخال طبقنا عليها العديد من أجهزة الكشف عن الميزات المختلفة أو أطلقنا عليها أيضًا

00:16.170 --> 00:18.900
المرشحات لإنشاء خرائط المعالم هذه.

00:18.900 --> 00:21.330
وهذا يشمل طبقتنا التلافيفية.

00:21.330 --> 00:28.380
ثم فوق تلك الطبقة التلافيفية ، طبقنا الوحدة الخطية الزرقاء أو المصححة لإزالة

00:28.380 --> 00:31.770
أي خطية أو زيادة غير خطية في صورنا.

00:31.770 --> 00:36.900
ثم طبقنا طبقة تجمع على الطبقة التلافيفية.

00:36.900 --> 00:44.880
لذلك من كل خريطة معلم مفردة ، أنشأنا خريطة معالم مجمعة وتتمتع طبقة التجميع بشكل أساسي بالكثير من

00:44.880 --> 00:45.810
المزايا.

00:45.810 --> 00:54.630
الغرض الرئيسي من طبقة التجميع هو التأكد من أن لدينا ثوابت مكانية في صورنا.

00:54.630 --> 01:01.590
لذلك ، إذا كان هناك شيء ما يميل أو يلتف أو يختلف قليلاً عن السيناريو المثالي ، فلا يزال بإمكاننا التقاط

01:01.590 --> 01:02.850
هذه الميزة.

01:02.850 --> 01:11.280
بالإضافة إلى ذلك ، فإن التجميع يقلل بشكل كبير من حجم صورنا ، ويساعد التجميع أيضًا في تجنب أي نوع من التخصيص

01:11.280 --> 01:18.210
الزائد لبياناتنا أو نموذجنا للبيانات ، لأنه ببساطة يتخلص من الكثير من تلك البيانات.

01:18.210 --> 01:22.920
لكن في الوقت نفسه ، يحافظ التجميع على الميزات الرئيسية التي نسعى إليها.

01:22.920 --> 01:26.580
فقط لأن الطريقة التي تم تنظيمها بها والتجميع الذي استخدمناه كان الحد الأقصى للتجميع.

01:26.670 --> 01:35.700
ثم قمنا بتسوية كل الصور المجمعة في متجه أو عمود واحد طويل من كل هذه القيم ، وقمنا بإدخال ذلك في

01:35.700 --> 01:38.070
شبكة عصبية اصطناعية.

01:38.070 --> 01:40.050
وكانت تلك هي الخطوة الثالثة للتسطيح.

01:40.050 --> 01:46.740
والخطوة الرابعة هي الشبكة العصبية الاصطناعية المتصلة بالكامل ، حيث تتم معالجة كل هذه الميزات من خلال

01:46.740 --> 01:47.520
الشبكة.

01:47.520 --> 01:54.510
ثم لدينا هذه الطبقة النهائية ، الطبقة النهائية المتصلة بالكامل ، والتي تؤدي التصويت تجاه الفئات

01:54.510 --> 01:55.980
التي نتبعها.

01:55.980 --> 02:02.820
وبعد ذلك يتم تدريب كل هذا من خلال عملية انتشار أمامي وانتشار عكسي والكثير

02:02.820 --> 02:05.010
من التكرارات والعهود.

02:05.010 --> 02:09.480
وفي النهاية ، لدينا شبكة عصبية محددة جيدًا.

02:09.480 --> 02:13.710
والشيء المهم الآخر المهم ليس فقط الأوزان التي يتم تدريبها في جزء

02:13.710 --> 02:21.720
الشبكة العصبية الاصطناعية ، ولكن أيضًا أجهزة الكشف عن الميزات يتم تدريبها وتعديلها في نفس عملية الانحدار المتدرج.

02:21.720 --> 02:23.850
وهذا يسمح لنا بالتوصل إلى أفضل خرائط الميزات.

02:23.850 --> 02:31.470
وفي النهاية نحصل على شبكة عصبية تلافيفية مدربة تدريباً كاملاً يمكنها التعرف على الصور وتصنيفها.

02:31.470 --> 02:32.310
لذا ها نحن ذا.

02:32.310 --> 02:35.370
هذه هي الطريقة التي تعمل بها الشبكات العصبية التلافيفية.

02:35.460 --> 02:42.120
والآن يجب أن تكون مرتاحًا تمامًا لهذا المفهوم ومستعدًا للمضي قدمًا في التطبيقات العملية.

02:42.120 --> 02:50.700
إذا كنت ترغب في القيام ببعض القراءة الإضافية ، فهناك مدونة رائعة من Aditya Deshpande من عام 2016.

02:51.330 --> 02:53.190
يمكنك رؤية الرابط هناك في الأسفل.

02:53.190 --> 02:55.890
لذلك تسمى المدونة أوراق التعلم العميق التسعة.

02:55.890 --> 02:59.100
أنت بحاجة إلى معرفة كيفية فهم الجزء الثالث من قناة CNN.

02:59.100 --> 03:04.800
وهذه المدونة تعطيك في الواقع نظرة عامة قصيرة على تسعة مشاهد مختلفة تم إنشاؤها بواسطة

03:04.800 --> 03:10.530
أشخاص مثل Yann LeCun وآخرين ، والتي يمكنك بعد ذلك المضي قدمًا والدراسة أكثر.

03:10.530 --> 03:17.940
لذلك سيكون هناك الكثير من الأشياء الجديدة التي ستكون جديدة تمامًا بالنسبة لك وسيتعين عليك التفكير

03:17.940 --> 03:18.420
فيها.

03:18.420 --> 03:22.440
ولكن فقط ضع هذه المدونة في الاعتبار أو هذه الأوراق التسع في الاعتبار.

03:22.440 --> 03:27.240
وحتى إذا لم تكن مستعدًا لتصفحها الآن ، ربما بعد الدروس العملية ، ربما

03:27.240 --> 03:33.210
بعد أن تقوم ببعض التدريب الإضافي في مجال التعلم العميق ، يمكنك ببطء بعد ذلك الرجوع إلى

03:33.210 --> 03:39.270
هذه الأعمال ، وأعتقد أنك ستحصل على الكثير من القيمة من خلال النظر في الشبكات العصبية

03:39.270 --> 03:43.140
للآخرين وكيف قاموا ببناء شبكاتهم التلافيفية.

03:43.140 --> 03:47.430
وسيساعدك ذلك على فهم أفضل الممارسات ولماذا فعل الناس أشياء معينة بطريقة

03:47.430 --> 03:48.210
معينة.

03:48.210 --> 03:54.090
وهذا سيساعدك في هندسة الشبكات العصبية الخاصة بك ، لأن الشبكات العصبية والشبكات

03:54.090 --> 03:57.810
العصبية التلافيفية ليست استثناءً.

03:57.810 --> 04:01.560
إنهم مثل تحدي الهندسة المعمارية.

04:01.560 --> 04:07.650
عليك أن تتوصل إلى فكرة ثم هيكلها ثم تعديلها وتعديلها للحصول على أفضل

04:07.650 --> 04:11.340
تصميم ممكن وأفضل أداء ممكن وأفضل.

04:11.520 --> 04:12.420
لذا ها نحن ذا.

04:12.420 --> 04:13.320
هذا نحن لهذا اليوم.

04:13.320 --> 04:17.580
أتمنى أن تستمتع ببرنامج اليوم التعليمي وهذا القسم بأكمله وأتطلع إلى رؤيتك في المرة القادمة.

04:17.580 --> 04:19.530
حتى ذلك الحين ، استمتع بالتعلم العميق.