Tag

الذكاء الصناعي Archives – IT Solutions

كيف يمكن أن نجعل الألة تفكر؟

هل يمكننا جعل الألة تفكر؟ هذا هو الحلم الذي راود العلماء حين بدأت الحواسيب و لغات البرمجة في الظهور. و مع التقدم الكبير جدا الذي نعيشه اليوم في مختلف المجالات العلمية و التقنية و التكنولوجية إلا أن جعل الألة تفكر ذاتيا مازال يعاني الكثير من الصعوبات رغم وجود مجال و تخصص علمي بأكمله خاص بهذه النقطة بالذات و هو الذكاء الإصطناعي.

العقل البشري مهما كانت قوته لا يمكنه فهم الأشياء إلا بوجود نمادج معروفة يقيس عليها و يقارن بها أو أشياء معنوية قابلة للإدراك و التخيل. و التفكير البشري أحد أصعب و أعقد الأشياء في هذا العالم. فنحن إلى حد الأن مازلنا لم ندرك ماهية التفكير ولا طريقته و أسلوبه و لكن نمارسه بشكل فطري و طبيعي فينا برغم حجم الكتابات الفلسفية و العلمية التي تطرقت إليه. كوننا لم نستطيع نحن فهم أنفسنا كيف نمارس عملية التفكير يصعب علينا بالتالي نقل عملية التفكير للألات، لكن هذا لا يعني عدم وجود محاولات لذلك أو يجب أن نتوقف عن البحث في هذا الموضوع.

أود أن أقدم لكم بعض الأمثلة عن كيفية تفكير الإنسان و تصرفه، مثلا أنا جالس في حديقة البيت و طلبت من أخي أن يذهب إلى غرفتي و يحضر لي كتاب “شروط النهضة” للمفكر الجزائري مالك بن نبي، و قلت له ستجده على سطح مكتبي! و بفعل عامل خارجي، شخص ما أو الرياح التي تأتي من النافذة سقط الكتاب على الأرض و لما دخل أخي و لم يجد الكتاب على سطح المكتب و رآه على الأرض حمله و أحضره إلي! و كل واحد فينا سيتصرف بهذا الشكل و بسهولة ندرك أن أهم ما طلب منا هو إحضار الكتاب بالعنوان المحدد و تحديد المكان على سطح المكتب كان للمساعدة فقط، و لو كنت أنت مكان أخي و لم تجد الكتاب على سطح المكتب و لا على الأرض فسوف تبحث في الأدراج أو الخزانة أليس كذلك؟ لأنك تعرف أن الكتاب داخل الغرفة و أهم طلب موجه إليك هو إحضار الكتاب و أنت تقوم بهذا الإجراء التلقائي كونك تضع إحتمال أني ربما نسيت مكان الكتاب بالتحديد و قلت عن طريق الخطأ أنه على سطح المكتب! أو أنك لا ترغب في العود من دون الكتاب ثم يعاد إرسالك للبحث مرة ثانية ?. أيضا لو وجدت صخرة في طريقك مثلا و لكي تمر عليك أن تتسلق هذه الصخرة العالية فأنت ستقوم بالبحث عن أشياء تساعدك في هذه العملية. فهل هذه الأشياء معرفة لك من قبل؟ بالتأكيد لا، فأنت لو وجدت قطع من الخشب ستعمل منها شيء يساعدك و كذلك بالنسبة لقطع معدنية أو صخور صغيرة لتصعد عليها أو حبال أو بقايا هياكل ألات و غيرها من الأشياء التي لا تعد و لا تحصى. الأن ضع نفسك في مكان المبرمج فهل يمكن أن نحدد للروبوت كل هذه للتفاصيل؟ إذا وجد قطع من الخشب بشكل كافي نحدد له كيف يحاول تشكيلها بشكل سلم و إلا يكيفها بشكل يساعده على الصعود فوق الصخرة! و كذلك مع الأشياء الأخرى و قبل ذلك على الربوت أن يتعرف على هذه الأشياء و خصائصها قبل إستعمالها فنحن يمكننا أن نصنع ربوت يتعرف على الخشب لكن أن يتعرف في نفس الوقت على ألاف الأشياء الموجودة في الطبيعة فهذا شبه مستحيل و كذلك بالنسبة للمثال الأول، فمن الصعب أن نستطيع برمجيا تحديد أهم شيء طلب منا و لا التصرف التلقائي من أجل تحقيق الهدف الذي طلب منها كأن ينظر الربوت للأرض إذا لم يجد الكتاب على سطح المكتب أو ينتبه للبحث في الأدراج.

جعل الربوت يتصرف مثل الإنسان في أحد الميثالين السابقين فقط يحتاج إلى مليارات من السطور البرمجية و إلى حجم هائل من سعة تخزين البيانات لحفظ جميع المعارف و خصائص الأشياء و إلى معالجات فائقة السرعة من أجل تنفيذ كل تلك العمليات في الوقت المطلوب! أنا هنا أقف مندهشا أمام عظمة العقل البشري. سواء من طريقة التصرف أو سعة تخزين المعلومات أو سرعة التنفيذ.

لنفترض أننا مثلا نستطيع التطوير و العمل على صناعات ذاكرت بسعات تخزين ضخمة و اليوم سعة التخزين لم تعد تشكل هاجسا مؤقتا و كذلك بالنسبة للمعالجات، ففي المخابير البحثية قد تصل سرعة المعالج إلى حدود 4 جيغاهرتز و رغم هذا الإنجاز المدهل إلا أنه بطيئ جدا بالنسبة للعقل البشري كالفرق بين الأرنب و السلحفاة حتى و إن كنا نحن نعمل في حياتنا اليومية بمعالجات سرعتها نصف سرعة هذا المعالج بالتقريب و حققنا كل هذا التطور و التقدم.
بعد أن تجاوزنا مشكلة سعة التخزين و سرعة المعالجات كفرضية مؤقتة نتجه إلى أسلوب التفكير. نحن نعلم أن الإنسان أمضى سنوات في صغره و هو يتعلم و قد تعلم اللغة حرفا بحرف و كلمة بكلمة و كذلك مع باقي الأشياء، لكن هناك إن صح التعبير شيء ما يبرمج عقل الإنسان على الخبرات الجديدة، الأبوان فقط يقدمان معلومة للطفل أو أسلوب تصرف كأن يعلماه أن يغسل يديه مثلا قبل الطعام فالطفل تدريجيا يدرك هذه المهارة و يعممها على جميع حالات تناول الطعام و بعد إكتساب هذه المهارة سوف ينتقل إلى مهارة جديدة و نحن فقط نوجهه عن طريق الكلام و ليس هناك كود برمجي نضعه في عقل الطفل حتى يخزن الكلمات الجديدة و المعلومات و المهارات. أليس هذا الأمر مذهلا؟ ماذا لو صنعنا مبرمجا أليا أولا قبل التوجه نحو عملية صناعة التفكير و الذكاء؟ أليس هذا حلا للربوتات لكي تبرمج و تضيف أكواد جديدة لنفسها للتأقلم مع المعلومات و الخبرات الجديدة؟ فعندما يعود الربوت إلي و يخبرني أنه لم يجد الكتاب على سطح المكتب أنا أقول له : ربما هو في الدرج لماذا لم تنظر هناك؟ فهو سيقوم بإضافة كود برمجي لتجاوز هذا الخطأ و عدم تكرراه مرة أخرى عن طريق المبرمج الذاتي. و أيضا في مثال الصخرة و عندما أنظر حولي أقول : واوووو هذه أشجار عنب و يمكننا صنع حبل من أغصانها و هو سيضف هذه المعلومة إلى قاعدة بياناته و كود برمجي لكيفية صنع حبل من أغصان شجرة العنب عن طريق المبرمج الذاتي. و هكذا بعد مدة سيتعلم الربوت تلقائيا و ذاتيا و يتطور كوده البرمجي و تتوسع قاعدة بياناته حتى يصل إلى مرحلة متقدمة، فالإنسان حتى يكون راشدا يحتاج 20 سنة كاملة لذلك، فماذا عن ربوت نصبر عليه 20 سنة و بعدها ننسخ كوده البرمجي النهائي و قاعدة بياناته لملايين الروبوتات الأخرى و في يوم واحد يصير معنا الملايين من الربوتات الذكية بعد أن صبرنا 20 سنة.
أليس الأمر مهما و يحتاج إلى تفكير طويل؟

بعض النصائح لكي تصبح مصمما محترفا
الانترنت عبر الضوء ! تعرف أكثر على تقنية الاي فاي
نحن مجرد روبوتات عابرة للمجرات
عشرة مهارات يجب أن تمتلكها لتكون موظف ناجح
موقع يساعدك في شراء كرت شاشة gpuboss
ERP System مناقشة عامة في ال
المجتمع العراقي و الاجهزة الذكية
مناقشة عامة في البرمجة أم الشبكات
موقع أكاديمية مايكروسوفت للتعليم المجاني وشهادة معتمدة من مايكروسوفت
كيفية تنظيف شاشة حاسوبك بشكل صحيح
كورس في علوم البيانات
STP بروتوكول
هل من المكن أن تبقى حساباتك الأجتماعية نشطة حتى بعد وفاتك

قصة مشروع الذكاء الصناعي واتسون

في سنة 2005 يدخل فريق من الباحثين من شركة IBM تحت إشراف David Ferrucci في تحدِ كبير لتطوير ذكاء صنعي يضاهي العقل البشري وتحديدا للفوز في برنامج المسابقات الأمريكي Jeopardy ،وتمت تسميته ” Watson “ على اسم اول رئيس تنفيذي لشركة IBM .

2006

بعد سنة من الاختبارات الأولية تم تدريب واتسون على 500 حل من مسابقات Jeopardy قديمه -وهو برنامج تلفزيوني شبيه بـ “من سيربح المليون”- لكن واتسون لم يتوفق إلا في حل 15% من الأسئلة مقابل البشر الذين توصلوا إلى حل 95% منها . في تلك اللحظة شعر فريق البحث والتطوير بخيبة أمل كبيرة فقد كان الأمر أصعب مما كانوا يتوقعون ، لكنهم قرروا الإستمرار رغم كمية السخرية التي تلقاها هذا المشروع .

2011

بعد خمس سنوات من تطوير “Watson” وتحسينه صار قادرا على الإجابة عن الأسئلة التي يتم طرحها عليه بلغة بشرية طبيعية بعد أن تم تدريبه على 200 مليون صفحة من المعلومات المنظمة وغير المنظمة والتي تحتل سعة 4 تيرابايت بما فيها النص الكامل لموسوعة ويكيبيديا !

قرر David Ferrucci وفريقه إدخال واتسون في تحدٍ حقيقي امام اثنين من أساطير لعبة Jeopardy! :

“Brad Rutter” و “Ken Jennings”

وكانت النتيجة تفوق “Watson” على أساطير اللعبة والفوز بالمركز الأول وبفارق كبير وملحوظ والحصول على أعلى جائزة وهي 1$ مليون دولار . وقد تم توثيق المباريات في هذا الفيديو للإطلاع عليها :

https://www.youtube.com/watch?v=wZxq01DcvGA

تقنية الذكاء الصنعي بإختصار

ما هي تقنية الذكاء الصنعي التي يطلق عليها التعلم الجمعي أو الـ Ensemble learning ؟

يُحكى أنه في الألفية الأولى قبل الميلاد وفي شبه القارة الهندية تحديداً جيءَ بفيل ضخم و ستة عُميان إلى حاكم البلدة الذي سمح لهم بلمس هذا المخلوق الذي يُسمونه الفيل ولا يعرفون شيءً عن شكله لكنه اشترط عليهم بالمقابل أن يصفوه في جملة واحدة .. بعد تفحص الفيل قرر أول العميان أنه الفيل أشبه ما يكون بالأفعى وقال الثاني بل هو كالجدار والثالث كان متأكداً تماما بأن الفيل يماثل نوعاُ من الأشجار ! أما باقي العميان فلكل رأيه هو الآخر !

نتيجة بحث الصور عن ‪blind and elephant‬‏

على مر التاريخ اُستخدمت هذه القصة لتصوير العديد من الحقائق و المغالطات التي تعتري المعارف والتجارب الفردية ، من هذا المنطلق تم تعريف التعلم الجمعي أو الـ Ensemble learning وبدأ استخدامه في الذكاء الصنعي كركيزة قوية لتحسين عملية التعلم والوصول الى نماذج قوية حيث أن العميان في الأمثولة كان لكل منهم تجربة فردية محدودة والوصول الى الحقيقة يتطلب الجمع بين كل هذه التجارب الجزئية عبر طرق تسمى الـ Ensemble methods .

الـ Ensemble methods في تعلم الآلة هي طرق الجمع بين خوارزميات التعلم المختلفة بحيث تدعم كل خوارزمية أختها في سبيل تقوية عملية التنبوء (prediction)

نتيجة بحث الصور عن ‪Ensemble learning‬‏

وأشهر هذه الطرق تجزئة النموذج الى مجموعة من أشجار القرار الصغيرة (decision trees classifiers) والغابات العشوية المصغرة بإعتماد المبدأ الأساسي الذي يقول أن مجموعة من مصنفات القرار الضعيفة تتصرف أقوى من مصنف قرار واحدة كبير ؛ باختصار فإن عملية التعلم الجمعي تتم عبر تقسيم نموذج الذكاء الصنعي الى مجموعة من النماذج الصغيرة في عملية التعلم ثم تحويلها إلى نموذج واحد قوي قبل مرحلة التنبوء ويتم اعتماد تقنيات تقييم وتصويت تسمى الخوارزميات الجينية (genetic algorithms) في هذه العملية للتخلص من النماذج التي تُضعف عملية التنبوء ( البقاء للاصلح او الاقوى ) .

أفضل سبعة متاجر أندرويد مجانية
صفارات الماذربورد
Documentation للمبرمج أهمية ال
snake game code using HTML & CSS & Javascript كود لعبة الحية بلغة
أنواع الاخطاء البرمجية
RESTful API ماهو
Fiber Optics تعلم توصيل الالياف الضوئيه
Webpack ما هو
POP و IMAP الفرق بين
ss7 ماذا تعرف عن هجوم ال
الأساسية WIN إختصارات المفتاح
شركة أدوات الأندرويد تطرح تطبيق تسجيل المكالمات الأحترافي المدفوع مجاناً لمدة 8 ساعات
Mysql أنواع البيانات في

تطبيقات الذكاء الأصطناعي في الطب النفسي

تنوير تقني محوسب لبعض الأمراض مثل الاكتئاب والفصام ، وتزود نماذج جديدة لتصنيف ومعالجة الاضطرابات النفسية الشائكة.

في كل عام ،و  قبل اجتماعهم السنوي حول التعلم الآلي ، فإن مجموعة من المهندسين الكهربائيين الذين يعملون مع مجموعات ضخمة من البيانات يحلمون بأن يحل أقرانهم تلك المشكلة. وقد تناولت معظم المواضيع مواضيع هندسية غامضة ، ولكن منذ ثلاث سنوات أراد المنظمون معالجة شيء عملي أكثر .

على سبيل المثال: هل يمكن استخدام الذكاء الاصطناعي لحل المشاكل في الطب؟

صورة ذات صلة

واحد من منظمي الأجتماع ، روجرز سيلفا ، وهو باحث لمرحلة ما بعد الدكتوراه في شبكة أبحاث العقل في البوكيرك ، كان يقوم بتجربة للبيانات من عمليات مسح الدماغ. وقال إنه يريد أن يعرف كيفية استخلاص المعلومات من مجموعات بيانات تصوير الدماغ “لتقديم استنتاجات أكثر دقة حول الأمراض والأسباب والسمات التي ستكون جيدة للتشخيص”.حيث  يمكن للطبيب الماهر أن يحدد الكثير من فحص الدماغ ، لكن سيلفا كان يبحث عن شيء أكثر – الأنماط الدقيقة غير مرئية للعين المجردة !!.

طرح سيلفا هذا السؤال على زملائه: هل يمكن للخبراء في البيانات الضخمة أن ينظروا إلى فحوصات الدماغ من المرضى المصابين بالفصام والضوابط الصحية وتحديد أيهما؟

نتيجة بحث الصور عن ‪Psychiatry AI‬‏

تختلف أدمغة الأشخاص المصابين بالفصام بطرق خفية لا تعد ولا تحصى عن أدمغة الأشخاص الذين لا يعانون من هذا المرض.

فمن من المحتمل أن تكون الاختلافات بسبب العديد من المتغيرات الجينية في الدماغ ، والتي قد لا يكون الكثير منها ضارًا بنفسه.

بالنسبة للمنافسة ، جمعت سيلفا عمليات المسح الدماغي لـ 144 شخصاً ، نصفهم تقريباً مصابين بالفصام. أعطيت البيانات من المسح إلى حوالي 245 فريق منافس ، والتي أنتجت 2000 مدخلة (سمح للفرق بتقديم أكثر من واحد).

تم تقسيم مسح المرضى إلى مجموعتين.

تم إخبار الفرق المتنافسة بالمرضى الذين قاموا بالمجموعة الأولى ولم يصابوا بالشيزوفرينيا.

وبناءً على تلك البيانات ، بحثت الفرق عن الاختلافات بين المرضى في المجموعة التي لم تتم مشاركة أي معلومات تشخيصية بشأنها ، مع الأشخاص المصابين بالفصام وغيرهم. باستخدام هذه المعلومات ، تمكنت الفرق من التنبؤ بأي من المرضى من المجموعة الثانية غير المصنفة كان مصابًا بالفصام. أعجب سيلفا وزملاؤه بالنتائج. تميز أفضل التقديمات بين المرضى والضوابط مع نسبة خطأ 10٪ فقط – أفضل بكثير من الصدفة وحدها.

هل يمكن استخدام هذه التقنيات لتشخيص المرضى بشكل روتيني؟ “هذا يمكن تصوره” ، يقول سيلفا. “العمل الذي قمنا به هو خطوة أولى.” ليس الهدف هو استبدال الأطباء النفسيين بالدوائر ، ولكن لمساعدة الأطباء النفسيين على القيام بما يقومون به بالفعل. يتوقع سيلفا حدوث ذلك في أقل من خمس سنوات.

يقول هيو غارافان ، الأستاذ المساعد في الطب النفسي بجامعة فيرمونت ، إنه في هذا الشكل من الذكاء الاصطناعي التطبيقي ، “تتمتع الآلات بالقدرة على توجيه التعلم الخاص بها ، إن شئت”. التعلم الآلي هو المصطلح الذي يسمح لبرنامج الكمبيوتر بالتجول عبر البيانات ومحاولة تحديد ما هو مهم ، دون أي تعليمات حول مكان النظر أو ما يُرجح أن يكون حاسماً. إنها طريقة للعثور على نتائج و ترابطات غير متوقعة.

و يتم استخدام التعلم الآلي في دراسة يجرها على المراهقين وتعاقر المشروب الكحولي . هناك الكثير من البيانات حول الدوبامين ونظام المكافآت. ومع ذلك ، يقول ، “قد يضعف هذا النظام عند الأطفال ، وإذا كان الكحول ينشط هذا النظام ، فمن المرجح أن يحاول هؤلاء المراهقين لتجربته مرة أخرى.”

يمكن للمرء أن يصمم دراسة تتابع هذه الفكرة ، كما يقول جارافان ، ولكن سيكون هناك قصور ، حيث “أنك تؤكد بشكل أساسي ما تعرفه بالفعل”. مع التعلم الآلي ، لا يوجد افتراض بأن نظام الدوبامين ، أو أي شيء آخر ، ينخرط في شرب الكحول.

“يمكننا أن نخبر الخوارزمية: عينة الدماغ. انظر إلى 1000 منطقة دماغية. انظر أي منطقة في عمر معين ترتبط بشكل أفضل مع إدمان الكحول في وقت لاحق من العمر.” مع تمريرة ثانية ، يمكن تأكيد العينات المجموعة الأولى. “ثم يمكنك تكرار هذا عدة مرات.” تم تصميم الخوارزمية التي تستخدمها الماكينة من قبل الماكينة ، وليس من قبل البشر ، والذين لا يستطيعون التعامل مع جميع البيانات التي يمكن أن تعلمها للالة . فبعض هذه المعلومات مفيدة وذات صلة بفهم المرض ، والبعض الآخر ليس كذلك.

هذا النهج وجد منذ حوالي عشر سنوات. في عام 2006 كان مونتاغيو عالِم الأعصاب الحاسوبي في معهد أبحاث معهد كارولينا للتكنولوجيا ، من أوائل الذين بدأوا وحدة للطب النفسي. وقد عمل هو وزميله ، بيتر دايان ، من جامعة كوليدج لندن ، على نماذج الكمبيوتر التي يمكن أن تحاكي عمل الدوبامين الناقل العصبي عند النظر إلى الأمراض والاضطرابات مثل الإدمان ، الشلل الرعاشي ، وبعض أشكال الذهان.

يمكنهم الآن استخدام نماذجهم في السؤال عما يحدث عندما تكون أنظمة الدوبامين مفرطة النشاط أو تتغير ، لفهم مكونات الإدمان أو اضطراب الوسواس القهري ، على سبيل المثال. هذه طريقة واحدة فقط لاستخدام الحساب في الطب النفسي. كان تحدي الشيزوفرينيا ودراسة الشرب بنهم يعتمدان على البيانات. بمعنى ، أنها تهدف إلى استخلاص الارتباطات المفيدة من البيانات. لكن عمل مونتاج وديان يبدأ بنظرية ويختبرها. يمكن لنماذج الكمبيوتر الخاصة بهم أن تظهر كيف تعمل أنظمة الدوبامين ، ويمكن للباحثين بعد ذلك تحديد مدى تطبيق النماذج النظرية على البشر.

نتيجة بحث الصور عن ‪brain data‬‏

كان الطب النفسي الحسابي بطيئاً في المساعدة عن  الإقلاع ، تقول مونتاج ، جزئياً بسبب نجاح المناهج البيولوجية.مثل  بروزاك وما شابه ذلك من الأدوية التي أعقبتها ، والمعروفة مجتمعة باسم SSRIs ، كانت فعالة جدا في علاج الاكتئاب. ويقول: “يمكن أن يأخذ الناس من الانتحار إلى العمل ، لكن هذا ليس تفسيرًا”

. يمكن أن يساعد تطوير نماذج من دراسات الدوبامين والأنظمة الأخرى في الدماغ على ربط النقاط بين الجزيئات والأمراض العقلية ، كما يمكن للنمذجة المستخدمة في التعلم الآلي.

 

و إن إحدى الصعوبات الواضحة هي أن العبث في أدمغة الأشخاص الأحياء لا يرحب به من قبل الأفراد ولا حتى المتطوعين و المرضى . لكن مونتاج نجحت في حل هذه المشكلة من خلال العمل مع جراحي الأعصاب. وطلب من المرضى الواعين المشاركة في ألعاب معينة ، مثل الرهان ، لمراقبة إطلاق الدوبامين بينما كان الجراحون يقومون بإجراء الجراحة. “النموذج يخبرنا ما الذي نبحث عنه في الدماغ” ، كما يقول.

طُلب من بعض المرضى لعب لعبة Go Go ، وهي لعبة استراتيجية آسيوية معقدة. ويقول: “اعتقدنا أن جو كان عميقًا للغاية ومعقدًا”. ولكن من خلال تتبع نشاط الدماغ وإجراء نماذج حاسوبية لما تمت ملاحظته ، “يمكننا اكتشاف أشياء لم يرها أفضل اللاعبين”. كان مثالاً آخر على كيفية استخدام الطب النفسي الحسابي لتحديد نشاط الدماغ الذي لا يمكن رصده حتى من قبل الطبيب النفسي الأكثر خبرة.

يمكن استخدام نفس الفكرة – استخراج معلومات مهمة من بيانات صاخبة – لدراسة مرض باركنسون ، وهو اضطراب في الحركة والتوازن الناجم عن النقص في الخلايا العصبية المنتجة للدوبامين. مرض باركنسون غير عادي لأنه يمكن أن يتخذ أشكالًا مختلفة. يمكن أن ننظر إلى Montague أنظمة مختلفة تتأثر الدوبامين وتحديد التي تتأثر في مريض معين. مرة أخرى ، يمكن أن تجد التقنيات الجديدة وضوحًا في البيانات المعقدة ، ولا تقتصر على الظروف القابلة للتشخيص. ويقول: “ستكون قادرًا على جمع الأشخاص الذين يعانون من مشكلات نفسية تقليدية وتصنيفهم باستخدام هذه الأساليب”.

يستخدم روبرت ويلان ، عالم النفس في معهد Trinity Institute of Neurosciences في دبلن ، التعلم الآلي لدراسة سلوك الشرب لدى المراهقين. أراد الإجابة عن سؤال مهم حول المراهقين: هل يمكن لمعلومات من الأطفال في سن الرابعة عشرة أن تسمح له بالتنبؤ بمن سيصبح شارب للكحول في عمر 16 سنة؟

كان التعلم الآلي مناسبًا لهذا ، لأن ويلان لم يكن يعرف ما هي الأجوبة المحتملة. كان لديه الكثير من البيانات للعمل مع نماذج مسح الدماغ ل 2500 المراهقين في سن 14.

“طلبنا من الجهاز أن ينظر من خلال جميع البيانات في ال 14 ، والتي يمكن أن تشير إلى من الذي سيصبح شارب للكحول في سن 16. “

وقد أجرى هو وزملاؤه عددا من الاختبارات.

“نظرنا إلى بنية الدماغ ، واختبارات الإدراك ، والاختبارات السلوكية ، وتاريخ الحياة ، وسألنا عما إذا كان والداهما مطلقان”. بعد اكتمال كل الأعمال الحسابية ، أعلن ويلان نجاحًا جزئيًا. كان التنبؤ 70 إلى 75 في المئة دقيقاً .

“لقد وجدنا أنه كان من الممكن إلى حد ما التكهن بمن سيصبح شاربًا ” ، كما يقول. ” لم تكن الدقة كبيرة ، لكنها كانت حقيقية على الأرجح.”

لكن التجربة حققت نجاحًا محدودًا في التنبؤ بشرب الكحول . كما كشفت عن أشياء لم يتوقعها الباحثون – وهي فضل التعلم الآلي.

أحدها هو أن “الأشخاص الذين كانوا أكثر انفتاحا في سن 14 كان لديهم احتمالية أكبر في أن يصبحوا شاربي كحول شرهين ” ، كما يقول ويلان.

لكن أفضل مؤشر كان هو أن الأشخاص الذين كانوا أكثر وعيًا بوظائفهم ومراعاة الآخرين كانوا أكثر عرضة أيضًا للشرب عند 16 عامًا ، لذلك كان المراهقون الذين دخلوا مرحلة البلوغ مبكرًا. كانت هذه النتائج غامضة بعض الشيء وغير متوقعة ، وهذا هو السبب في أنها جزء من الأهمية.

وعمل ويلان على دراسة تناول المشروبات الكحولية كزميل ما بعد الدكتوراه مع هيو غارافان في جامعة فيرمونت. ويقول إن إحدى النتائج المثيرة للاهتمام هي أن شرب الكحول كان أكثر احتمالاً لدى المراهقين الذين لديهم أدمغة أكبر ، وليس نوع الفرضية التي من المرجح أن يتطور الباحثون من تلقاء أنفسهم. لكن بمجرد أن اكتشفوا ذلك ، كان الأمر منطقيًا. مع تطور الدماغ خلال فترة المراهقة ، يميل إلى الانكماش. تصبح الخلايا العصبية والوصلات بينهما أصغر مع تشابك المشابك غير الضرورية. فالأطفال الذين لديهم أدمغة أكبر يكونون أقل نضجًا من أولئك الذين لديهم أدمغة أكثر في عملية التقليم ، والأطفال الذين لديهم أدمغة غير ناضجة هم أكثر عرضة للشرب.

واحدة من الأشياء التي جعلت الدراسة ممكنة هي مجموعة كبيرة من فحوصات الدماغ التي أتيحت لـ Whelan و Garavan. للوصول إلى نتائج ذات مغزى ،لكن  يحتاج الباحثون إلى مجموعات بيانات ضخمة. حتى وقت قريب ، لم تكن موجودة.

في أي دراسة ، يقول جارافان ، “قد يكون لديك 20 طفلاً ،” أقل بكثير من الآلاف المطلوبة لدراسة عادية .

سيكون هناك مشكلتان في ذلك ، كما يقول.

أحدهما هو أنه حتى أفضل الأعمال الحسابية لا يمكن أن يكشف النقاب عن تشوهات صغيرة بدون مجموعة كبيرة من البيانات.

وبدون الكثير من البيانات ، يمكن أن تبدو الاتصالات الباطلة حقيقية: إذا كان 20 طفلاً في دراسة تجريبية قد حصلوا على أطول من المعتاد ، يمكن للمرء أن يستنتج أن طول المراهق هو أكثر عرضة للاكتئاب ، دعنا نقول. مجموعة عشوائية مكونة من 2000 طالب تجعل من المحتمل بدرجة أقل أن تكون أطول في المتوسط ​​من العدد الإجمالي للسكان.

تنفق المعاهد الوطنية للصحة 300 مليون دولار لجمع البيانات عن 11000 طفل ، ابتداء من سن 9 سنوات ، بما في ذلك فحوص المخ ، الاختبارات الجينية ، تحليل الهرمونات ، والتقييمات النفسية ، وفقا لغارافان.

وتتمثل الخطة في المتابعة مع المجموعة بشكل دوري حتى يبلغوا سن العشرين.

في مشروع قادم ، تحاول ويلان استخدام نفس الأساليب للتنبؤ بالمرضى الذين سيستجيبون بشكل أفضل لعلاج معين. “عندما يزور شخص طبيب نفساني ، يتم إعطائه العلاج ، ثم يتم إرساله لمدة ثمانية أسابيع لمعرفة ما إذا كان العلاج سيعمل.” تحاول ويلان ابتكار طريقة لزيادة فرص حصول المرضى على العلاجات التي تناسبهم منذ البداية. مثل هذا المؤشر للفعالية من شأنه توفير المال والوقت ، والحصول على شعور أفضل للمرضى بسرعة أكبر بكثير.

إنه متحمس لمستقبل هذه الدراسات. يتم الآن تبني استراتيجية دراسة الشرب بنهم من قبل باحثين آخرين للبحث عن المزيد من الارتباطات. وهذا يسلط الضوء على تحذير هام من هذه الدراسات. يقول: “إن بحثنا دائم الارتباط.” “لا نعرف ما الذي يسبب شرب الأطفال أو نتيجة شربهم – أو ما إذا كانوا متصلين بطريقة ما.” لكن البحث يعطي الخبراء خيوطًا قوية في بحثهم عن الأسباب.

في حين أن العمل مثير ، فماذا يعني للأطباء الذين يرغبون في تطبيق النتائج ، أو للمرضى الذين قد يستفيدون منها؟ هل هناك مناطق دماغية محددة تجعلك أكثر عرضة للانتحار؟ أو أن تصبح مكتئب؟ تقول ويلان: “إذا وجدنا علامة دماغية تنبؤية ، فقد نكون قادرين على التوصل إلى نوع من اختبار الورق الذي يعطينا نتائج مؤكدة على حد ما .

على سبيل المثال ، يمكن أن تؤدي نتائج دراسة شرب الخمر ، إلى استنتاج استبيان مكون من 10 أسئلة قد يحدد الأطفال الذين يحتمل أن يصبحوا شاربي كحول شرهين فيما بعد ، مما يمنح المدارس وأولياء الأمور فرصة للتدخل.

إنه ليس سحرًا ، ولكنه عقلاني وعلمي – على عكس نائب مدير المدرسة الثانوية الذي يصنع تخمينات حول الأطفال الذين قد يكونون في خطر.

كما توفر التقنيات الحسابية رؤى في المناطق التي جذبت الكثير من الاهتمام في الدراسات التقليدية.

آرجون كريشنان عالم بيولوجي حاسوبي في جامعة ولاية ميشيغان يقوم بأعمال رائدة في دراسة مرض التوحد.

في حين درس علم الوراثة وتخصص في علم الأحياء ، وكان لديه أيضا مصلحة في علوم الكمبيوتر.

وبينما استمر في دراسته ، أدرك أنه يستطيع أن يربط بين الحقلين.

“علماء الأحياء كانوا يقولون لي ، أنت لا تعرف ما يكفي من علم الأحياء” ، وعلماء الكمبيوتر يقولون ، “أنت لا تعرف ما يكفي من علوم الكمبيوتر”. “لكن تبين أن هذا الأمر مثالي. “كنت أعرف المزيد من علوم الكمبيوتر أكثر من علماء الأحياء ، وأنا أعرف علم الأحياء أكثر من علماء الكمبيوتر. لم يتمكن المعسكرين من التحدث إلى بعضهما البعض ، ولكن كليهما كان يمكن أن يتحدث معي”.

استخدم كريشنان نطاقه عبر المجال لفحص مشكلة أساسية في علم الوراثة: كيف تتخصص الجينات وتتواصل مع بعضها البعض؟

“الخلايا في جسمنا يمكن أن تفعل أشياء مختلفة جدا على الرغم من أن لديهم نفس المجموعة من الجينات” ، كما يقول.

“لخلية الدماغ نفس جينات خلايا القلب.”

لكن خلايا الدماغ لا تستطيع أن تتقلص مثل عضلات القلب ، ولا تستطيع خلايا القلب أن تجعل جلدك يقشعر عندما يصرخ الدكتور فرانكشتاين: “إنه حي! إنه حي!”

وهذا له آثار عملية فورية ، لأن “كل مرض مرتبط بنوع خلوي محدد للغاية في أجسامنا” ، يقول كريشنان. “إذا ما كسرت الجينات” وسببت التوحد ، فإن التأثير يكون من خلال الأنسجة ذات الصلة بالدماغ. “

لكن الجينات لا تعمل في عزلة. الجينات هي كائنات اجتماعية ، وتشارك في الشبكات الاجتماعية في الجسم. وبالمثل ، يستخدم فيس بوك نماذج حاسوبية لتحديد من ينصح به كأصدقاء – الأشخاص الذين يجب أن تتصل بهم لأنهم في شبكتك الاجتماعية. استخدم كريشنان فكرة مشابهة لدراسة الشبكات البيولوجية – عبر شبكات من الجينات المعروفة ذات الصلة بالأمراض للعثور على جينات معروفة حتى الآن تتعلق بالمرض.

عندما حول كريشنان تركيزه إلى التوحد ، تم تحديد عدد قليل فقط من الجينات. تأتي البيانات الضخمة التي يستخدمها من مبادرة أبحاث التوحد من مؤسسة سايمونز. إنها مجموعة من العينات الوراثية من 2600 عائلة تسمى “البسيط” ، مما يعني أن كل أسرة لديها فرد واحد فقط مصاب باضطراب طيف التوحد – لا يتأثر الأخوان وأولياء الأمور. يستخدم كريشنان أساليبه الحسابية للبحث عن طفرات موجودة فقط في الطفل المصاب بالتوحد.

عندما بدأ عمله قبل خمس سنوات ، كان 15 أو 16 جينة فقط مرتبطة بالتوحد. هذا الرقم نما إلى حوالي 65 ، يقول كريشنان. يعتقد الباحثون أنه يجب أن يكون هناك المزيد ؛ قبل 10 سنوات كانوا يتوقعون أن 600 إلى 1000 جينة قد تكون موجودة في النهاية.

ويقول: “كنا نظن أننا نأخذ جينات التوحد المعروفة ونرى ما إذا كانوا يتفاعلون كجزء من شبكات في الدماغ”. يحتوي الجينوم البشري على 25،000 إلى 30،000 جين. قرر كريشنان وزملاؤه إعطاء كل واحد من هذه الجينات درجة التوحد ، مرتبة من الأكثر تنبؤًا إلى أقل تنبؤًا. “لدينا ترتيب يحتوي على العديد من الجينات في الأعلى التي لم تدرس من قبل.” في أغسطس 2016 ، نشر هو وزملاؤه أبحاثهم في مجلة Nature Neuroscience ، مما رفع عدد الجينات المرتبطة بالتوحد المرشحة من حوالي 65 إلى 2500. إنه تقدم كبير محتمل في فهم علم الوراثة لمرض التوحد. والسؤال الآن هو ما إذا كان ذلك يمكن أن يساعد الأطباء على اكتشاف سبب أو أسباب التوحد ، ثم معالجته.

المفتاح هو أن كريشنان لا يحتاج إلى فهم كل جين. “هذا سيكون مثل القول أنني بحاجة إلى معرفة كل مشتر فردي لتشكيل حملة تسويقية” ، كما يقول. تشكل الشبكات الجينات ، تمامًا مثل المتسوقين في متاجر البقالة ، وإذا علم ما يفعله بعضهم ، يمكنه استخلاص استنتاجات حول الآخرين.

ويؤكد هذا الاكتشاف أيضًا على فكرة أن التوحد “ليس اضطرابًا فرديًا على الإطلاق. إنه أحد أكثر الاضطرابات تنوعًا” ، كما يقول. يمكن أن يعاني التوحد من مجموعة متنوعة من الأعراض: مشاكل في النوم ، صعوبات في الجهاز الهضمي ، مشكلات في الإدراك الحسي ، وغيرها. ومع ذلك ، في كثير من الأحيان ، يتم وضع كل شيء في مربع واحد. ويضيف كريشنان: “لم نفهم بعد أي مجموعات من الجينات تسهم في أجزاء التوحد”. هو نفسه مع الحالات الأخرى ، مثل البدانة وأمراض القلب ، والتي يمكن أن يكون لها أيضًا أعراض متغيرة وأسباب متعددة. وهو يخطط لتحويل انتباهه إلى جانب مرض الزهايمر وأمراض القلب ، باستخدام نفس الأساليب الحسابية.

تكمن المشكلة في الأبحاث الحسابية المتطورة في أن القصة تنتهي عادة بوعد بمستقبل مثير وتذكير بأن هناك حاجة إلى مزيد من الأبحاث قبل أن يساعد أي عمل من المرضى . في حين أن هذا صحيح بالنسبة لهذا البحث ، فإن بعض النتائج تصل بالفعل إلى مرضى الاكتئاب.

أسس آدم شيكرود ، طالب الدكتوراه في جامعة ييل ، شركة تدعى سبرينج ، للاستفادة من النتائج التي توصل إليها بشأن الاكتئاب. ويشير إلى أن رعاية الأمريكيين للاكتئاب أقل عموما من الكمال. “ربما يكتشف الأطباء فقط نصف المصابين بالاكتئاب. من بين هؤلاء الذين تم تحديدهم ، 30٪ لا يعودون للعلاج. من بين هؤلاء الذين عادوا ، 70٪ لا يتعافون. فقط عدد قليل من الأشخاص يحصلون على أفضل النتائج”.

نتيجة بحث الصور عن ‪cell gene‬‏

وقد استخدمت شيكرود أساليب حسابية لسطع تلك الصورة. وقد استخدم تحليلات البيانات الخاصة به لتطوير استبيان خاص بالمرضى لا يساعد على تشخيصه فحسب ، بل توقع ما هو العلاج الأفضل على الأرجح.

في مقال سابق هذا العام في مجلة The Lancet ، ذكرت شيكرود أن حوالي 30 إلى 40 في المائة من المرضى الذين يتعافون من الاكتئاب بعد العلاج سينكسرون. حوالي 30 في المئة من أولئك الذين ينتعشون مع أحد مضادات الاكتئاب SSRI. لكنه تمكن من تحديد 60٪ من تلك المجموعة من المرجح أن يستجيبوا تحديدًا لسيتالوبرام SSRI ، أو Celexa. وقد يؤدي ذلك إلى تجنيب المرضى تجارب تعاطي المخدرات التي تفوق أو تفوتهم وتوصيلها مباشرة إلى تلك التي يمكن أن تساعد. “لقد أظهرنا [التنبؤ] موثوقًا به أيضًا من الناحية الإحصائية عندما اختبرناه في تجربة سريرية مستقلة تمامًا” ، كما يقول.

يعتقد الناس أن صدمة الطفولة هي أحد العوامل المرتبطة بزيادة خطر الاكتئاب ، كما تقول شكورد .

“يجمع التعلم الآلي بين كل هذه التأثيرات الصغيرة وينظر إلى الأعراض العامة.”

جهاز لوحي أم لابتوب
رواتب مهندس البرمجيات في الشركات الكبيرة
WANNACRY RANSOMWARE الوقاية من فايروسات الفدية
الانترنت عبر الضوء ! تعرف أكثر على تقنية الاي فاي
ما هو وما هي أفضل النصائح لإستخدامه LinkedIn
في لغة الجافا foreach شرح
تقنية الذكاء الصنعي بإختصار
SSD & HDD مقارنة عملية
خطوات هامة للحفاظ على حاسوبك أمن وخالى من الفيروسات
STP بروتوكول
access modifier طرق الوصول للمتغيرات والدوال الموجودة داخل الكلاس
المجتمع العراقي و الاجهزة الذكية
خمسة عادات سيئة لازم تتخلص منها فورا

الذكاء الصناعي و الشبكات العصبية

الشبكات العصبية

يمكن اعتبار الشبكات العصبية علماً جديداً يسعى لإنتاج حاسبات تعمل بنفس فكرة العقل البشري، فكما ذكرنا في الباب الأول من هذا الكتاب فإن العقل البشري ينفذ العمل من خلال ملايين من الخلايا العصبية والتي تتفرع بدورها إلى الملايين، من الزوائد العصبية ومن خلال هذه الخلايا العصبية يتم تخزين المعرفة عن العالم الخارجي في العقل البشري،. فالشبكات العصبية تسعى أن تنتج أجهزة وأنظمة تحاكي بها فكرة عمل العقل البشري، حيث تتكون الشبكة العصبية من جهاز يحتوي على عدة معالجات مع عدة ذاكرات مرتبطة مع بعضها البعض بصورة متوازية مما يجعلها تقوم بتنفيذ المهام بنفس فكرة الخلايا العصبية في العقل البشري.

نتيجة بحث الصور عن ‪ai AND HUMAN‬‏

قد بدأت بعض جوانب هذه الشبكات ترى النور حيث نجد بعض الأجهزة التي تحتوي على معالج ضخم يحتوي على عدد من وحدات المعالجات البسيطة (أو عدة معالجات موزعة على التوازي بدلا من المعالج الذي يحتوي على الوحدات)، بحيث تقوم بتخزين المعرفة العملية لتجعلها متاحة للمستخدم وذلك عن طريق ضبط الأوزان، وقد قدمت الشبكات العصبية بعض الحلول والتطبيقات في عدة مجالات نذكر منها :

  • تمييز الأنماط والتعرف على الصور .

  • القدرة على التعرف على الصور المشوهة .

  • إكمال الصور التي فقدت جزءاً منها، مثل الصور المرسلة بواسطة الأقمار الصناعية .

  • عمليات التصنيف إلى عدد من الفئات. مثل تصنيف الحيوانات إلى أليفة و مفترسة .

لو أخذنا مثالاً على عملية التعرف على الكائنات الحية، و قمنا ببرمجة برنامج بالطريقة التقليدية للتعرف على هذه الحيوانات فإن ذلك سيكون صعباً للغاية فضلاً عن كونه محدود القدرات، فالتطبيقات التقليدية تمر بعدة مراحل تتطلب في معظمها وجود الإنسان، و تتطلب برنامجاً ضخماً للتعرف على كل حيوان على حده. بينما في الشبكات العصبية فإن الشبكة تتبع نفس الطريقة التي يتعلم بها الإنسان وذلك عن طريق عرض صور الحيوانات وضبط الأوزان حتى يتم تخزين المعرفة بصورة صحيحة في ذاكرة الحاسوب، ومع تكرار الصور و تنوعها تتعل الشبكة وتصبح قادرة على إعطاء إجابات صحيحة، وكل ذلك لا يتطلب كتابة برنامج ضخم كما في التطبيقات التقليدية .

1.1 مكونات الشبكة العصبية

كما أن للإنسان وحدات إدخال توصله بالعالم الخارجي وهي حواسه الخمس، فكذلك الشبكات العصبية تحتاج لوحدات إدخال، ووحدات معالجة يتم فيها عمليات حسابية تضبط بها الأوزان و تحصل من خلالها على ردة الفعل المناسبة لكل مدخل من المدخلات للشبكة (شكل رقم 5-1).

فوحدات الإدخال تكوّن طبقة تسمى طبقة المدخلات، و وحدات المعالجة تكوّن طبقة المعالجة وهي التي تخرج نواتج الشبكة. وبين كل طبقة من هذه الطبقات هناك طبقة من الوصلات البينية التي تربط كل طبقة بالطبقة التي تليها والتي يتم فيها ضبط الأوزان الخاصة بكل وصلة بينية، وتحتوي الشبكة على طبقة واحدة فقط من وحدات الإدخال ولكنها قد تحتوي على أكثر من طبقة من طبقات المعالجة، شكل رقم (5-1).

2.1 كيف تعمل الشبكة العصبية

هناك أنواع مختلفة من الشبكات العصبية ولكل نوع طريقة عمل خاصة. وحتى نقف على كيف تعمل الشبكة العصبية سنتناول فكرة عمل واحدة من هذه الشبكات وهي الشبكة البرسبترون (perceptron network) والتي تستخدم في التطبيقات التي تحتاج إلى تصنيف الأنماط ( Pattern Classification ) إلى فئتين فقط، أي التي يمكن فصل أنماطها بيانياً بواسطة خط مستقيم، وتسمى هذه النوعية من الأنماط “الأنماط القابلة للفصل خطياً”.

وتتكون هذه الشبكة من طبقة المدخلات وطبقة واحدة أو طبقتين من طبقة المعالجة بحيث لا تزيد طبقة المعالجة، عن طبقتين، بالإضافة إلى إنه يتم ضبط الأوزان لطبقة واحدة فقط من طبقات الوصلات البينية التي تربط بين الطبقات السابقة، لتبقى الطبقة الأخرى (إن وجدت) ثابتة الأوزان. والفكرة التي تعمل وفقها هذه الشبكة أو كيفية تعليم هذه الشبكات العصبية تتلخص في تتبع مرحلتين هما :

  • مرحلة التعليم

  • مرحلة الاختبار

مرحلة التعليم :

هي المرحلة التي يتم فيها ضبط أوزان الوصلات البينية حتى تصل إلى أوزان قادرة على إعطاء إجابات صحيحة، ويتم ذلك عن طريق قيام وحدات المعالجة بثلاث عمليات رئيسية :

عملية جمع الأوزان Weighted Sum :

تقوم كل وحدة معالجة بعملية الجمع لكل وزن مدخل لها و الملحق بالوصلة البينية التي تربط بينها وبين الوحدة الموجودة في الطبقة التي تسبقها، مضروباً في القيمة الخارجة من تلك الوحدة، وهو على الصيغة :

حيث w ji هو الوزن الملحق بالوصلة البينية التي تربط وحدة المعالجة j بالوحدة i الموجودة في الطبقة التي تسبقها، و a i هي القيمة الخارجة من الوحدة i ، و Sj هي ناتج عملية الجمع لكل وحدة معالجة j .

عملية التحويل (Transformation ) :

تتم هذه العملية في الطبقة الأخيرة من طبقات المعالجة حيث يتم تحويل ناتج عملية الجمع المذكور في العملية السابقة إلى أحد القيم التي يفترض أن تكون ضمن نواتج الشبكة المرغوب بها. فمثلاً لو كانت الشبكة ستتعلم كيف تصنف الأعداد إلى فردي وزوجي، على أن تعطي كل عدد فردي القيمة 0 و كل عدد زوجي القيمة 1، فإن قيمة Sj وهو ناتج عملية الجمع لن يعطي القيمة 0 أو 1 غالباً، لذا لا بد من تحويل هذا الناتج إلى إحدى هاتين القيمتين، وذلك عن طريق قاعدة التحويل والتي يحددها المبرمج. فمثلاً تكون القاعدة كالتالي :


if Sj> 0 then Xj=1

if Sj<=0 then Xj=0

حيث Xj هي القيمة الخارجة من وحدة المعالجة j .

عملية ضبط أوزان الشبكة (weights adjustment) :

بعد إتمام عملية التحويل يتم مقارنة الناتج الذي تعطيه الشبكة مع الناتج الصحيح الذي يفترض أن تعطيه الشبكة، وذلك عن طريقة طرح الناتج الهدف(الصحيح) من ناتج الشبكة، فإذا كان ناتج الطرح مساوياً للصفر فهذا يعني أن الشبكة أخرجت ناتجاً صحيحاً، أما إن كان غير ذلك فالشبكة تحتاج لضبط أوزانها، وذلك من خلال قاعدة التعليم ( learning rule ) التالية:

wjinew = wjiold + C(tj – Xj)ai

حيث:

– wjinew هي قيمة الوزن الجديد الملحق بالوصلة البينية بين الوحدة j الوحدة i .

– و wjiold هي قيمة الوزن القديم الملحق بالوصلة البينية بين الوحدة j والوحدة i .

– و C هو معدل التعلم (learning rate) وهي قيمة ثابتة عادة ما تكون قيمة أقل من 1 .

– و tj هي القيمة الهدف للشبكة .

– و Xj هي القيمة التي أنتجتها الشبكة .

– و ai هي المخرج من الوحدة i .

3.1 مثال عملي على شبكة البيرسبترون Perceptron

حتى نوضح الجوانب السابقة سنتناول في هذا الجزء مثالاً مبسطاً عن الدالة المنطقية AND .

لنفرض أن لدينا شبكة من النوع Perceptron (الشكل 5-2) ونريد تعليمها كيف تطبق الدالة المنطقية AND ، و هذه الدالة تعطي القيمة 1 إذا كانت كل من قيمة المدخلين مساوية للواحد، وصفراً في الحالات الأخرى كما يوضح الجدول رقم (5-1).

حيث a1 و a2 ترمز للمدخلات، بينما Y ترمز للمخرجات.

وقاعدة التحويل هي :


if Sj >0 then Xj=1

if Sj<=0 then Xj=0

وسنفرض معدل التعلم بالقيمة C=0.5.

لتمثيل هذه الشبكة فإننا نحتاج لوحدتي إدخال لأن هناك مدخلين، ووحدة معالجة واحدة لأن هناك مخرجاً واحداً (الشكل 5-2).

من الرسم نجد أن هناك طبقة واحدة من الوصلات البينية وسنفرض لها قيم أوزان مختلفة على أن تكون في المدى من -0.5 إلى 0.5

w11=0.1

w12=0.3

سنبدأ الآن بالمدخل الأول ( a1,a2 ) ونطبق أول عميلة وهي عملية الجمع :

S= 0.0 × 0.1+ 0.0 × 0.3

S=0.0

* قيم المدخلات ( ) من الجدول رقم (5-1)

وحيث إن وحدة المعالجة هذه هي آخر وحدة معالجة فيجب تطبيق قاعدة التحويل :

S= 0.0 ” S<= 0.0

إذاً X=0

وبعد ذلك سنطبق عملية ضبط الأوزان، ولكن أولاً نتحقق مما إذا كان هناك حاجة لضبط الأوزان أم لا :

الناتج للمدخل الأول هو 0 ، والناتج الذي أخرجته الشبكة هو 0 ، وحاصل طرح هذين الناتجين هو 0 ، وهذا يدل على أن أوزان الشبكة ليست بحاجة إلى تعديل .

لننتقل إلى المدخل الثاني مستخدمين نفس الأوزان السابقة لأنه لم يتم تعديلها لعدم الحاجة لذلك :

نبدأ من جديد بتطبيق عملية الجمع :

S= 0.0 × 0.1 + 1.0 × 0.3

S=0.3

ثم قاعدة التحويل :

S= 0.3 ” S> 0.0

إذاً X=1

وبعد ذلك عملية ضبط الأوزان :

الناتج الهدف للمدخل الثاني هو 0 أيضاً، والناتج الذي توصلت له الشبكة هو 1 بطرح ناتج الشبكة من الناتج الهدف يعطي القيمة -1 وهي غير مساوية للصفر لذا لا بد من ضبط جميع أوزان الشبكة .

wjinew = wjiold + C(tj – Xj)ai

w11new = 0.1+ 0.5 × (-1) × 0.0 ” w11new =0.1

w12new =0.3+ 0.5 × (-1) × 1.0 ” w12new = -0.2

وبذلك نكون قد انتهينا من المدخل الثاني لنترك المدخل الثالث والرابع كتدريب مستخدمين الأوزان بعد تعديلها، متبعين نفس الخطوات السابقة.

مرحلة الاختبار :

اختبار الشبكة مشابه تماماً لعملية التعليم إلا أن الشبكة في هذه المرحلة لاتضبط أوزانها، وإنما فقط تقوم بعمليتي الجمع والتحويل ومقارنة الناتج الذي تنتجه الشبكة بالناتج الهدف. حيث يتم عرض فئة اختبار على الشبكة وتحتوي هذه الفئة على مجموعة من المدخلات والمخرجات المصاحبة لكل مدخل. ويفضل أن تكون فئة الاختبار مختلفة عن فئة التدريب .

فإذا استطاعت الشبكة اجتياز الاختبار وإعطاء إجابات صحيحة تصبح الشبكة جاهزة للاستخدام.

الكمبيوتر الكمومي
كيف يمكن أن نجعل الألة تفكر؟
ما هو مستقبل الأنترنت ؟
كيف تحفظ الكود البرمجي ؟
(OpenEMIS) كل ما تريد معرفته عن نظام اوبن ايمس
Google AdWord أكثر الكلمات سعرا في
كورونا و إلهام الهاكرز
Joomla مقدمة في إستخدام
Screen Time طريقة إستخدام
في لغة الجافا foreach شرح
حيلة ذكية لاستخدام فيسبوك بشكل خفي
نصائح لكيفية إنشاء كلمات مرور آمنة
FORJA PLUS تطبيق