Arabic:التعلم العميق

مقدمة

التعلم العميق فرع من التعلم الآلي يعتمد على شبكات عصبية متعددة الطبقات تتعلم تمثيلات متدرجة للبيانات. بدلاً من كتابة قواعد تفصيلية لكل حالة، تضبط الخوارزمية أوزانها من أمثلة التدريب بحيث تتحسن في مهمة محددة مثل تصنيف الصور، التعرف على الكلام، تحليل النصوص، التنبؤ بالسلاسل الزمنية، أو توليد محتوى جديد. العمق لا يعني مجرد زيادة عدد الطبقات؛ بل يعني بناء سلسلة من التحويلات القابلة للتعلم تستطيع استخراج سمات أبسط في الطبقات الأولى وتمثيلات أكثر تجريداً في الطبقات اللاحقة.

هذا المقرر موجّه لطلاب الجامعة والمتعلمين في التعليم العالي. ستحتاج إلى أساسيات في الجبر الخطي، الاحتمالات، المشتقات، وبرمجة بايثون. لا يفترض المقرر أنك متخصص في الذكاء الاصطناعي، لكنه يعاملك كمتعلم قادر على قراءة معادلات بسيطة وتحليل نتائج تجريبية ومناقشة آثار النماذج في المجتمع.

تحميل الفيديو

يوتيوب

قد يقوم يوتيوب بجمع البيانات الشخصية. سياسة الخصوصية

استمرار تجاهل

أهداف التعلم

بنهاية المقرر ستكون قادراً على شرح الفرق بين التعلم الآلي التقليدي والتعلم العميق، وتحليل البنية الأساسية للشبكات العصبية، وتتبع الانتشار الأمامي والانتشار العكسي، واختيار دوال الخسارة والتنشيط وخوارزميات التحسين المناسبة، ومقارنة الشبكات الالتفافية والمتكررة والمحولات والنماذج التوليدية. كما ستتمكن من بناء تجربة تدريب صغيرة، تفسير منحنيات التدريب والتحقق، تشخيص فرط التخصيص أو ضعف التخصيص، تقييم النموذج بمقاييس مناسبة، وتخطيط نشر مسؤول يراعي الخصوصية والإنصاف والشفافية والأمن والإشراف البشري.

الأسس: من العصبون إلى الشبكة العميقة

العصبون الاصطناعي والطبقات

العصبون الاصطناعي يحسب مجموعاً موزوناً لمدخلاته ثم يضيف انحيازاً ويمرر النتيجة عبر دالة تنشيط. يمكن تمثيل طبقة كاملة بالعلاقة $h=\varphi (Wx+b)$، حيث يمثل $x$ متجه المدخلات، ويمثل $W$ مصفوفة الأوزان، ويمثل $b$ الانحياز، وتمثل $\varphi$ دالة التنشيط. الأوزان والانحيازات هي المعلمات التي تتعلمها الشبكة من البيانات.

رسم لشبكة عصبية اصطناعية يوضح انتقال المعلومات بين طبقة الإدخال والطبقات المخفية وطبقة الإخراج.

في شبكة التغذية الأمامية تنتقل القيم من المدخلات نحو المخرجات من دون حلقات زمنية. إذا أضفت طبقات مخفية عديدة مع دوال تنشيط غير خطية، يصبح النموذج قادراً على تمثيل علاقات معقدة. أما إذا حذفت اللاخطية بين الطبقات الخطية، فإن تركيب عدة تحويلات خطية يبقى تحويلاً خطياً واحداً، ولذلك تعد دوال مثل ReLU وGELU والعائلة السيغمودية عناصر أساسية في النمذجة.

تصور شائع يحتاج إلى تصحيح: الشبكة العصبية ليست نسخة رقمية مطابقة للدماغ. أسماء مثل «عصبون» و«شبكة» مستلهمة تاريخياً من علم الأعصاب، لكن النماذج المستخدمة في التعلم العميق هي أنظمة رياضية وحاسوبية لها افتراضاتها وقيودها الخاصة.

التمثيلات والعمق

الفكرة المركزية في التعلم العميق هي تعلم التمثيل. في الصور قد تتعلم الطبقات المبكرة حوافاً وأنماطاً محلية، ثم تجمع الطبقات اللاحقة هذه الأنماط في أجزاء أو مفاهيم أعلى مستوى. وفي اللغة تتحول الرموز إلى متجهات تضمين، ثم تتغير هذه التمثيلات بحسب السياق. لا توجد قاعدة تضمن أن كل طبقة تقابل مفهوماً بشرياً واضحاً؛ التمثيلات موزعة غالباً عبر وحدات كثيرة، وقد يصعب تفسيرها.

يؤدي زيادة العمق والعرض إلى رفع القدرة التمثيلية، لكنه يرفع أيضاً كلفة الحساب والذاكرة والحاجة إلى بيانات وضبط أفضل. لذلك لا يُقاس نجاح التصميم بعدد المعلمات وحده، بل بمدى ملاءمته للمهمة والبيانات والقيود التشغيلية.

البيانات والتجريب العلمي

التدريب والتحقق والاختبار

يجب فصل البيانات إلى مجموعات تؤدي أدواراً مختلفة. مجموعة التدريب تضبط المعلمات، ومجموعة التحقق تساعدك على اختيار المعمارية والمعلمات الفائقة ووقت إيقاف التدريب، ومجموعة الاختبار تقدم تقديراً نهائياً للأداء على أمثلة لم تُستخدم في اتخاذ قرارات التدريب. إذا كررت الاختيارات بناء على نتائج مجموعة الاختبار فأنت تسرّب معلومات منها وتفقد استقلالية التقييم.

من أشهر مجموعات التدريب التعليمية MNIST للأرقام المكتوبة بخط اليد؛ تتكون الصور فيها من 28 × 28 بكسلاً بدرجات رمادية، وتستخدم عادة لتوضيح التصنيف والشبكات البسيطة. لا ينبغي اعتبار الأداء العالي عليها دليلاً كافياً على جودة نموذج مخصص لمشكلات واقعية أكثر تنوعاً.

عينات من أرقام مكتوبة بخط اليد تُستخدم لتوضيح مهمة التصنيف في التعلم العميق.

للتجريب العملي يمكنك الرجوع إلى توثيق تحميل بيانات MNIST وإلى معلومات مجموعة ImageNet. تختلف شروط الترخيص والوصول بين مجموعات البيانات، لذلك تحقّق من شروط الاستخدام ولا تفترض أن وجود البيانات على الإنترنت يمنحك حق إعادة توزيعها.

جودة البيانات والانحياز

النموذج يتعلم من التوزيع الذي تراه عملية التدريب. إذا كانت العينات غير ممثلة لفئات المستخدمين، أو كانت التسميات غير موثوقة، أو كان في البيانات أثر لتحيز تاريخي، فقد يعيد النموذج إنتاج هذه المشكلات أو يضخمها. لذلك افحص مصدر البيانات، طريقة جمعها، نسب الفئات، القيم المفقودة، التكرار، جودة الوسوم، وتوزيع الخصائص الحساسة عندما يكون ذلك مشروعاً ومناسباً.

استخدم تقسيمات تمنع التسرب بين التدريب والاختبار. في البيانات الطبية مثلاً ينبغي غالباً الفصل على مستوى المريض لا على مستوى الصورة فقط، وفي السلاسل الزمنية يجب احترام ترتيب الزمن، وفي النصوص المتكررة يجب الانتباه إلى النسخ شبه المطابقة بين التقسيمات.

كيف تتعلم الشبكات العميقة

دالة الخسارة والانتشار العكسي

التدريب مسألة تحسين. نعرّف دالة خسارة تقيس مدى سوء تنبؤ النموذج على دفعة من الأمثلة. في التصنيف متعدد الفئات تُستخدم خسارة الإنتروبي المتقاطع كثيراً، وفي بعض مسائل الانحدار يستخدم متوسط مربع الخطأ. اختيار الخسارة يجب أن يعكس الهدف الإحصائي للمهمة، ولا يكفي نسخ دالة خسارة من مثال برمجي دون فهم.

يحسب الانتشار العكسي مشتقات الخسارة بالنسبة إلى المعلمات بكفاءة باستخدام قاعدة السلسلة. بعد ذلك يستعمل المُحسِّن هذه التدرجات لتحديث الأوزان. لا يعني الانتشار العكسي أن الشبكة «تفكر إلى الخلف»؛ إنه إجراء حسابي للحصول على المشتقات اللازمة للتحسين.

الانحدار المتدرج ومعدل التعلم

في أبسط صورة، يعدل الانحدار المتدرج المعلمات في اتجاه معاكس لتدرج الخسارة. يحدد معدل التعلم حجم الخطوة. إذا كان كبيراً جداً قد يتذبذب التدريب أو ينفجر، وإذا كان صغيراً جداً قد يصبح التقدم بطيئاً. عملياً تستعمل خوارزميات مثل الانحدار المتدرج العشوائي مع الزخم أو Adam، وغالباً مع جداول لتغيير معدل التعلم أثناء التدريب.

رسوم متحركة توضح كيف تتحرك خطوات التحسين نحو مناطق أقل في دالة الهدف من نقاط بداية مختلفة.

تحميل الفيديو

يوتيوب

قد يقوم يوتيوب بجمع البيانات الشخصية. سياسة الخصوصية

استمرار تجاهل

الفيديو السابق باللغة الإنجليزية ويعرض الانحدار المتدرج بصرياً؛ استخدم الشرح العربي في النص لربط الرسم بمفاهيم الخسارة والتدرج ومعدل التعلم.

استقرار التدريب والتعميم

نجاح التدريب لا يعني نجاح التعميم. فرط التخصيص يحدث عندما تنخفض خسارة التدريب بينما يتوقف أداء التحقق عن التحسن أو يتدهور. من وسائل الحد منه: زيادة بيانات مناسبة، تكبير البيانات في مهام الصور، إسقاط بعض الوحدات أثناء التدريب، اضمحلال الأوزان، الإيقاف المبكر، وتقليل تعقيد النموذج عند الحاجة. أما ضعف التخصيص فيظهر عندما يعجز النموذج حتى عن ملاءمة بيانات التدريب، وقد يتطلب نموذجاً أغنى أو تدريباً أطول أو تمثيلاً أفضل للبيانات.

التطبيع الدفعي وتطبيع الطبقة يساعدان في استقرار بعض البنى، لكنهما ليسا بديلين عن اختيار معدل تعلم مناسب أو عن تشخيص البيانات. كما يمكن أن تظهر تدرجات متلاشية أو متفجرة في الشبكات العميقة جداً أو المتكررة؛ تساعد الوصلات المتبقية، والتهيئة المناسبة، وقص التدرج في حالات محددة.

مثال برمجي مصغر

المثال التالي يبني مصنفاً بسيطاً لأرقام MNIST باستخدام Keras. الهدف تعليمي: افحص المنحنيات والمقاييس ولا تتعامل مع الدقة وحدها على أنها حكم نهائي على أي تطبيق واقعي.

from tensorflow import keras
from tensorflow.keras import layers

# تحميل البيانات وتقسيمها كما توفرها المكتبة
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
x_train = x_train.astype("float32") / 255.0
x_test = x_test.astype("float32") / 255.0

model = keras.Sequential([
    layers.Input(shape=(28, 28)),
    layers.Flatten(),
    layers.Dense(128, activation="relu"),
    layers.Dropout(0.2),
    layers.Dense(10, activation="softmax")
])

model.compile(
    optimizer="adam",
    loss="sparse_categorical_crossentropy",
    metrics=["accuracy"]
)

history = model.fit(
    x_train, y_train,
    validation_split=0.1,
    epochs=5,
    batch_size=128
)

loss, accuracy = model.evaluate(x_test, y_test)
print("دقة الاختبار:", accuracy)

بعد التنفيذ، ارسم خسارة التدريب والتحقق عبر الحقب. إذا استمرت خسارة التدريب في الانخفاض بينما ارتفعت خسارة التحقق، فهذه علامة محتملة على فرط التخصيص. كرر التجربة بتغيير عامل واحد في كل مرة حتى تستطيع إسناد أثر واضح إلى التعديل.

معماريات التعلم العميق

الشبكات الالتفافية

الشبكات العصبية الالتفافية مناسبة خصوصاً للبيانات الشبكية مثل الصور. المرشح الالتفافي يشارك الأوزان عبر المواقع ويستخرج أنماطاً محلية، ما يقلل عدد المعلمات مقارنة بطبقة كاملة الاتصال على صورة كبيرة. طبقات التجميع أو الخطوات المكانية تقلل الدقة المكانية، بينما تجمع الطبقات الأعمق سمات أكثر تركيباً. من التطبيقات: تصنيف الصور، اكتشاف الأجسام، التجزئة الدلالية، وبعض إشارات الصوت والفيديو.

مخطط يوضح انتقال صورة عبر طبقة التفاف وطبقة تجميع ضمن شبكة عصبية التفافية.

تحميل الفيديو

يوتيوب

قد يقوم يوتيوب بجمع البيانات الشخصية. سياسة الخصوصية

استمرار تجاهل

لا تجعل الانحياز المحلي في الالتفاف قاعدة مطلقة؛ المحولات البصرية والهياكل الهجينة تقدم بدائل ناجحة، واختيار البنية يعتمد على حجم البيانات والكلفة والهدف.

الشبكات المتكررة والذاكرة

الشبكات العصبية المتكررة تعالج التسلسلات عبر حالة مخفية تنتقل من خطوة زمنية إلى أخرى. هذا يجعلها مناسبة مفاهيمياً للنصوص والسلاسل الزمنية والإشارات. إلا أن التدريب على اعتمادات بعيدة قد يعاني من تلاشي التدرج أو انفجاره؛ جاءت وحدات مثل LSTM وGRU ببوابات تساعد على التحكم في تدفق المعلومات.

مخطط يوضح الحالة المخفية في شبكة متكررة وكيف تتكرر عبر الخطوات الزمنية؛ الرموز تمثل المدخل والحالة والمخرج والأوزان.

تحميل الفيديو

يوتيوب

قد يقوم يوتيوب بجمع البيانات الشخصية. سياسة الخصوصية

استمرار تجاهل

في كثير من تطبيقات اللغة الحديثة أصبحت المحولات أكثر شيوعاً من الشبكات المتكررة، لكنها لا تلغي قيمة RNN وLSTM في الأنظمة الصغيرة أو المتخصصة أو في فهم تاريخ نمذجة التسلسلات.

المحولات والانتباه الذاتي

المحول بنية تعتمد على آليات الانتباه بدلاً من الاعتماد على التكرار الزمني التقليدي. في الانتباه الذاتي تُبنى استعلامات ومفاتيح وقيم من تمثيلات الرموز، ثم تحسب أوزان تحدد مقدار تأثير كل موضع في غيره. الانتباه متعدد الرؤوس يسمح بتعلم علاقات مختلفة بالتوازي، وتضيف البنية عادة شبكات تغذية أمامية ووصلات متبقية وتطبيعاً.

مخطط لبنية المحول؛ يضم المرمز والمفكك، الانتباه الذاتي متعدد الرؤوس، الانتباه المتقاطع، الشبكات الأمامية، التطبيع والوصلات المتبقية.

يمكنك قراءة الورقة المؤسسة عبر مصدر بنية المحول والانتباه. من مزايا المحولات إمكان معالجة مواضع كثيرة بالتوازي أثناء التدريب، لكن الانتباه الكامل التقليدي يحتاج ذاكرة وحساباً يزدادان تقريباً مع مربع طول التسلسل، ولذلك تطورت بدائل أكثر كفاءة للسياقات الطويلة.

النماذج التوليدية والمشفرات الذاتية

المشفر الذاتي يتعلم ترميزاً مضغوطاً ثم يعيد بناء المدخل، ويمكن استخدام أشكال منه في خفض الأبعاد أو إزالة الضوضاء أو تعلم التمثيل. أما الشبكات التوليدية التنافسية فتدرب مولداً ومميزاً في لعبة تحسين متعارضة: يحاول المولد إنتاج عينات مقنعة، ويحاول المميز التفريق بين العينات الحقيقية والمولدة.

مخطط لشبكة توليدية تنافسية يوضح انتقال متجه ضوضاء إلى المولد ثم تقييم الصور الحقيقية والمولدة بواسطة المميز.

تشمل عائلة النماذج التوليدية أيضاً النماذج الانتشارية ونماذج اللغة التوليدية. لا يجوز مساواة «قدرة النموذج على توليد مخرجات مقنعة» بصحة هذه المخرجات؛ النماذج التوليدية قد تنتج معلومات غير صحيحة أو أنماطاً متحيزة أو محتوى يشبه بيانات التدريب بصورة غير مرغوبة.

التعلم المنتقل والتطبيقات

من التدريب من الصفر إلى إعادة الاستخدام

في التعلم المنتقل تبدأ من نموذج مدرب مسبقاً على بيانات كبيرة، ثم تستخدمه كمستخرج سمات أو تضبط بعض طبقاته أو كلها لمهمة جديدة. يفيد ذلك عندما تكون بيانات المهمة محدودة أو عندما يكون التدريب من الصفر مكلفاً. لكن يجب التحقق من ملاءمة بيانات التدريب المسبق لمجالك، ومن ترخيص النموذج، ومن مخاطر التحيز أو تسرب المعلومات.

تطبيقات التعلم العميق واسعة: رؤية الحاسوب، معالجة اللغة الطبيعية، اكتشاف الأنماط في الإشارات الحيوية، التوصية، التنبؤ، الروبوتات، العلوم الحاسوبية، والتحكم. في المجالات عالية المخاطر لا ينبغي تحويل نتيجة النموذج مباشرة إلى قرار نهائي من دون تحقق ميداني، حوكمة، ومسؤولية بشرية واضحة.

اختيار المقاييس

الدقة مناسبة عندما تكون الفئات متوازنة وتكلفة الأخطاء متقاربة، لكنها قد تكون مضللة مع الفئات النادرة. عندئذ قد تحتاج إلى الدقة الإيجابية والاستدعاء ودرجة F1 ومنحنيات مناسبة، أو إلى مقاييس خاصة بالمجال. في الانحدار قد تستخدم متوسط الخطأ المطلق أو متوسط مربع الخطأ، ولكل منهما حساسية مختلفة للقيم الشاذة. قيّم أيضاً المعايرة، زمن الاستجابة، استهلاك الذاكرة، والمتانة تحت تغيرات واقعية في البيانات.

القيود والتنفيذ المسؤول

حدود تقنية وعلمية

التعلم العميق يحتاج غالباً إلى قدر كبير من البيانات والحساب، وقد يكون حساساً لاختيارات التدريب. لا يضمن الأداء الجيد على توزيع الاختبار بقاء الأداء نفسه بعد تغير البيئة أو المستخدمين. كما أن النماذج الكبيرة قد تكون صعبة التفسير، ويمكن أن تتأثر بأمثلة خصومية أو بمدخلات خارج نطاق التدريب، وقد تتطلب كلفة طاقة وأجهزة لا تناسب كل مؤسسة.

تجنب ادعاء السببية من نموذج تنبؤي لمجرد وجود ارتباط. وتجنب تعميم نتيجة معيار واحد على كل السكان أو البيئات. وثّق عدم اليقين، حالات الفشل المعروفة، والظروف التي يجب فيها الامتناع عن استخدام النموذج.

دورة تنفيذ مسؤولة

ابدأ بتحديد الغرض ومن سيتأثر بالنظام. ثم افحص شرعية البيانات وجودتها وخصوصيتها، وحدد مقاييس الأداء والإنصاف قبل التدريب. أثناء التطوير اختبر الشرائح ذات الصلة، قيّم المتانة والأمن، وسجل الإصدارات وإعدادات التدريب. قبل النشر أنشئ آليات للمراجعة البشرية، الاعتراض، التسجيل، وإيقاف النظام عند الحاجة. بعد النشر راقب تغير البيانات والأداء، الحوادث، والشكاوى، وأعد التقييم دورياً.

تؤكد توصية اليونسكو بشأن أخلاقيات الذكاء الاصطناعي على حقوق الإنسان والكرامة والإنصاف والشفافية والإشراف البشري والاستدامة. كما يوفر إطار إدارة مخاطر الذكاء الاصطناعي منهجاً عملياً لإدارة المخاطر عبر الحوكمة والفهم والقياس والإدارة. استخدم هذه الأطر كنقاط انطلاق للحوار المؤسسي لا كقوائم تحقق تضمن السلامة تلقائياً.

أسئلة قبل النشر

اسأل: هل المشكلة تحتاج فعلاً إلى تعلم عميق؟ ما خط الأساس الأبسط الذي نقارنه به؟ من يمثل في البيانات ومن لا يمثل؟ ما أنواع الخطأ الأكثر ضرراً؟ كيف نحمي البيانات؟ ما الذي يراه المستخدم عن قدرات النظام وحدوده؟ هل يستطيع الإنسان مراجعة قرار مهم أو الاعتراض عليه؟ كيف سنكتشف تغير التوزيع؟ ومتى نوقف النظام؟ الإجابة الموثقة عن هذه الأسئلة جزء من جودة الهندسة لا إضافة أخلاقية منفصلة.

مهام تفاعلية

اختبار: اختبر معرفتك

ما الوصف الأدق للتعلم العميق؟ (تعلم تمثيلات متعددة المستويات باستخدام شبكات عصبية ذات طبقات قابلة للتعلم) (!حفظ جميع أمثلة التدريب دون بناء نموذج) (!استبدال البيانات بقواعد يكتبها المبرمج يدوياً) (!خوارزمية واحدة تعمل من دون دالة خسارة)

ما الوظيفة الأساسية لدالة التنشيط غير الخطية بين الطبقات؟ (تمكين الشبكة من تمثيل علاقات غير خطية معقدة) (!حذف جميع الأوزان من النموذج) (!ضمان أن تكون كل التنبؤات صحيحة) (!تحويل مجموعة الاختبار إلى بيانات تدريب)

ما الدور الأساسي للانتشار العكسي؟ (حساب مشتقات الخسارة بالنسبة إلى معلمات الشبكة بكفاءة) (!اختيار أمثلة الاختبار عشوائياً بعد النشر) (!تحويل شبكة التفاف إلى قاعدة بيانات) (!زيادة عدد الفئات في البيانات تلقائياً)

لماذا نستخدم مجموعة تحقق مستقلة عن مجموعة الاختبار؟ (لاختيار الإعدادات ومراقبة التدريب من دون تلويث التقييم النهائي) (!لزيادة عدد المعلمات في كل طبقة) (!لمنع استخدام أي بيانات في التدريب) (!لاستبدال دالة الخسارة بدالة تنشيط)

ما الخاصية المميزة للشبكات الالتفافية في معالجة الصور؟ (استخدام مرشحات محلية مشتركة الأوزان عبر المواقع) (!تخزين كل صورة داخل عصبون واحد) (!إلغاء الحاجة إلى بيانات تدريب) (!معالجة النصوص فقط دون الصور)

ما المشكلة التي صممت وحدات LSTM للمساعدة في معالجتها؟ (صعوبة تعلم الاعتمادات البعيدة المرتبطة بتلاشي التدرج) (!زيادة دقة ألوان شاشة الحاسوب) (!منع تقسيم البيانات إلى تدريب واختبار) (!تحويل كل مسألة إلى مسألة تصنيف ثنائي)

على أي آلية تعتمد بنية المحول بصورة مركزية؟ (الانتباه الذاتي) (!البحث الثنائي) (!الفرز الفقاعي) (!ضغط الملفات)

أي علامة تشير إلى فرط التخصيص؟ (تحسن أداء التدريب مع تدهور أداء التحقق) (!تحسن التدريب والتحقق معاً بصورة مستقرة) (!انخفاض عدد أمثلة التدريب قبل بدء التجربة) (!استخدام وحدة معالجة رسومية بدلاً من المعالج المركزي)

متى يكون التعلم المنتقل مفيداً غالباً؟ (عندما يتوافر نموذج مسبق التدريب ويمكن تكييفه لمهمة ذات بيانات محدودة) (!عندما نريد تجنب تقييم النموذج نهائياً) (!عندما يجب حذف جميع الطبقات المتعلمة) (!عندما لا توجد علاقة بين المهمة والبيانات)

ما الممارسة الأكثر اتساقاً مع التنفيذ المسؤول؟ (مراقبة الأداء والمخاطر بعد النشر مع آليات للمراجعة البشرية) (!افتراض أن الدقة العالية تلغي جميع المخاطر) (!جمع أكبر كمية ممكنة من البيانات دون غرض محدد) (!إخفاء حدود النموذج عن المستخدمين)

لعبة الذاكرة

الانتشار العكسي	حساب تدرجات الخسارة بالنسبة إلى المعلمات
الانتباه الذاتي	ربط مواضع التسلسل ببعضها وفق أوزان متعلمة
الإسقاط	أسلوب انتظام يعطل وحدات عشوائياً أثناء التدريب
التعلم المنتقل	تكييف نموذج مسبق التدريب لمهمة جديدة
فرط التخصيص	ملاءمة قوية للتدريب مع تعميم أضعف
الانحياز	معامل يضاف إلى المجموع الموزون قبل التنشيط

السحب والإفلات

صِل كل بنية أو أداة بوظيفتها الأنسب.	الاستخدام
الشبكة الالتفافية	استخراج أنماط مكانية محلية من الصور
الشبكة المتكررة	تمثيل تسلسل بحالة تنتقل عبر الزمن
المحول	نمذجة العلاقات عبر الانتباه الذاتي
دالة الخسارة	قياس خطأ التنبؤ لأغراض التدريب
المحسن	تحديث المعلمات اعتماداً على التدرجات
مجموعة التحقق	اختيار الإعدادات ومراقبة التعميم أثناء التطوير

كلمات متقاطعة

تنشيط	ما اسم الدالة غير الخطية التي تطبق على خرج العصبون؟
تلافيف	ما العملية المحلية المشتركة الأوزان المرتبطة بشبكات الصور؟
محول	ما البنية التي تعتمد مركزياً على الانتباه الذاتي؟
تدرج	ما المتجه الذي يصف اتجاه أسرع تغير محلي في دالة الخسارة؟
انتظام	ما الاسم العام لتقنيات الحد من فرط التخصيص؟
تعميم	ما قدرة النموذج على الأداء الجيد على بيانات لم يتدرب عليها؟

مهام مفتوحة

سهل

1. خريطة شبكة عصبية: ارسم شبكة صغيرة من طبقة إدخال وطبقتين مخفيتين وطبقة إخراج، ودوّن بالعربية وظيفة الأوزان والانحياز والتنشيط عند كل انتقال.
2. منحنى تدريب: أنشئ رسماً يدوياً أو رقمياً لخسارة التدريب والتحقق عبر عدة حقب، وحدد على الرسم نقطة محتملة لبدء فرط التخصيص واشرح سبب اختيارك.
3. مقارنة دوال التنشيط: اكتب فقرة تقارن ReLU وسيغمويد من حيث الشكل والاستخدام والمشكلات المحتملة، وأضف مثالاً لمسألة قد تستفيد من كل واحدة.
4. فحص مجموعة بيانات: افتح مجموعة بيانات تعليمية مجانية، واختر عشر عينات متنوعة، ثم سجل ملاحظاتك عن جودة البيانات والتوازن وأي أمثلة غامضة دون نشر بيانات شخصية.

متوسط

1. تجربة MNIST: نفذ المثال البرمجي في المقرر، غيّر معدل التعلم أو حجم الطبقة المخفية فقط، ثم قارن منحنيات التدريب والتحقق وفسر الفرق.
2. فيديو تعليمي قصير: أنشئ فيديو من دقيقتين إلى أربع دقائق بالعربية يشرح الانتشار العكسي باستخدام رسمك الخاص من دون إظهار معلومات شخصية أو مواد لا تملك حق استخدامها.
3. مقارنة معماريات: صمم جدولاً يقارن الشبكات الالتفافية والمتكررة والمحولات من حيث نوع البيانات والانحياز البنيوي والكلفة ومثال تطبيقي وحد واحد على الأقل.
4. مقابلة هندسية: أجر مقابلة مع طالب دراسات عليا أو مهندس بيانات أو باحث حول مشكلة فشل شاهدها في نموذج تعلم آلي، ثم لخص الدروس المتعلقة بالبيانات والتقييم والمراقبة مع موافقة المشارك.

متقدم

1. تدقيق إنصاف: صمم خطة تقييم لنموذج افتراضي يستخدم في قبول طلاب لمنحة، وحدد الفئات المتأثرة ومقاييس الأداء والإنصاف ومصادر الخطأ وآلية الاعتراض البشري من دون جمع بيانات حقيقية حساسة.
2. تعلم منتقل عملي: اختر نموذجاً مفتوحاً مناسباً لمجموعة صور صغيرة، جمد معظم طبقاته ثم اضبط طبقة إخراج، وقارن النتيجة بخط أساس أبسط مع توثيق الترخيص وإعدادات التجربة.
3. اختبار تغير التوزيع: أنشئ تغيراً مضبوطاً في بيانات اختبار غير حساسة مثل إضافة ضوضاء أو تغيير الإضاءة، وقس أثره على النموذج ثم اقترح مراقبة لاكتشاف هذا النوع من التغير بعد النشر.
4. بطاقة نموذج مسؤولة: اكتب وثيقة قصيرة لنموذج من اختيارك تتضمن الغرض والبيانات والمقاييس والحدود والفئات غير المدروسة والمخاطر وخطة المراقبة وشروط إيقاف الاستخدام، ثم راجعها مع زميل وفق مبادئ اليونسكو أو إطار NIST.

مجالات تعلم مرتبطة

التعلم العميق الشبكات العصبية الاصطناعية التعلم الآلي رؤية الحاسوب معالجة اللغات الطبيعية التحسين الرياضي الجبر الخطي علم البيانات أخلاقيات الذكاء الاصطناعي

ترتبط دراسة التعلم العميق أيضاً بهندسة البرمجيات، أنظمة الحوسبة المتوازية، إدارة البيانات، أمن المعلومات، الإحصاء، والتفاعل بين الإنسان والحاسوب. للقراءة الأكاديمية الموسعة راجع كتاباً مرجعياً مفتوح القراءة عن التعلم العميق، وللتطبيق العملي راجع دروس PyTorch الرسمية.

مسرد

العصبون الاصطناعي: وحدة حسابية تحول مجموعاً موزوناً للمدخلات مع انحياز عبر دالة تنشيط.

الوزن: معامل قابل للتعلم يحدد قوة تأثير مدخل أو تمثيل في وحدة لاحقة.

الانحياز: معامل قابل للتعلم يضاف إلى التحويل الخطي قبل دالة التنشيط.

دالة التنشيط: تحويل، غالباً غير خطي، يمنح الشبكة قدرة على تمثيل علاقات معقدة.

دالة الخسارة: كمية عددية تقيس خطأ النموذج بالنسبة إلى هدف التدريب.

الانتشار العكسي: خوارزمية فعالة لحساب مشتقات الخسارة بالنسبة إلى معلمات الشبكة.

الانحدار المتدرج: عائلة طرق تحسين تحدث المعلمات باتجاه يخفض دالة الهدف.

معدل التعلم: معامل فائق يتحكم في حجم خطوة تحديث المعلمات.

الحقبة: مرور عملية التدريب على مجموعة التدريب كاملة مرة واحدة تقريباً.

فرط التخصيص: تعلم تفاصيل التدريب بصورة تضعف الأداء على بيانات جديدة.

الانتباه الذاتي: آلية تجعل تمثيل كل موضع يعتمد بدرجات متعلمة على مواضع أخرى في التسلسل.

التعلم المنتقل: إعادة استخدام نموذج أو تمثيلات مدربة مسبقاً وتكييفها لمهمة جديدة.

تغير التوزيع: اختلاف نمط البيانات التي يواجهها النموذج عن توزيع البيانات المستخدمة في التطوير.

المراقبة بعد النشر: متابعة مستمرة للأداء والمخاطر والتغيرات والحوادث بعد تشغيل النظام فعلياً.