• صاحب المنشور: كشاف الأخبار
  
  ملخص النقاش:
  

  لقد شهدت السنوات الأخيرة تقدمًا كبيرًا في مجال الذكاء الصناعي، خاصة مع ظهور خوارزميات التعلم العميق. هذه الخوارزميات قادرة على تعلم الأنماط المعقدة من البيانات غير المنظمة أو جزئية التنظيم واكتساب فهم عميق للمعلومات المدخلة. في هذا السياق، نناقش هنا مقارنة بين عدة نماذج لتعلم الآلات ضمن فئة التصنيف متعدد الطبقات والتي تعتمد على تقنيات مختلفة للتعلم العميق.

**النماذج المستخدمة والوصف العام لها**

1. الشبكات العصبية المتكررة RNNs: تُستخدم هذه النماذج لتسلسل البيانات مثل النصوص والأصوات حيث توجد علاقة زمنية مهمة بين الرموز المختلفة. تأخذ كل طبقة من الشبكة ماتريكس كمدخل وتنتج ماتريكس أخرى كمخرج. يمكن لهذه الأنواع من النماذج دمج المعلومات عبر الوقت مما يجعلها مناسبة لمهام مثل الترجمة اللغوية أو تصنيف الجمل القائمة على سياقها الزمني.

1. شبكات البنية التحتية Convolutional Neural Networks CNNs: تم تصميم هذه النوع من النماذج خصيصاً لتحليل بيانات الصور والفيديوهات وذلك بسبب قدرتها الطبيعية لاستخراج الميزات المكانية. تتكون شبكة عصبونية ذات بنى تحتية من طبقات تحريكية، طبقات ربط وربما بعض الطبقات الكثيفة لإدخال تعديلات أخيرة قبل الوصول إلى نتيجة النهائية. تستغل الشبكات ذاتالبنى التحتية خاصية الاستقرار المحلي للمعرفة التي يتم تعلمها داخل مناطق محلية تسمى نوافذ التحريك.

1. الشبكات العصبية الناظرة Autoencoders: تعمل هذه النوع من النماذج كالشبكات العصبية التقليدية لكن الفرق الأساسي يكمن فيما يسمى بالنواة المركزية middle layer والذي يقوم بعمل ترميز للإشارات المُعطاة بإدخاله إليها ثم إعادة تشكيل تلك الإشارة بأبعاد أقل وبشكل أكثر تبسيطاً ثم تقوم بعد ذلك طبقة آخرى بتوسيع حجم الصورة مجدداً ليصبح قريب الشبه بالأصل. توفر هذه الطريقة طريقة جيدة لفهم واستخلاص أهم سمات وخصائص مجموعة البيانات كونها تختصر المعلومات الرئيسية منها بحيث تكون قابلة للاستعمال لاحقاً بدون الحاجة لحفظ جميع تفاصيل البيانات الأولية.

**مقارنة أدائها بناءً على مؤشر الدقة والوقت المستغرق**

لتقييم فعالية كل نموذج قمنا بمعالجته باستخدام نفس قاعدة البيانات تتضمن تسجيل صوتي بأكثر من ثلاثمئات ألف كلمة موزعة وفقا لسبع فئات مختلفة لكل منهم اسم خاص به .تمت مقارنة نتائج التجربة بحسب نسبتي الخطأ والثبات والتباين بالإضافة لاتزان عدد العينات الواقعة بكل فصل وسرعة التشغيل وكذلك استخدام ذاكرة النظام أثناء العملية :

* بالنسبة لـRNN فقد بلغ متوسط نسبة نجاحه حوالي78٪ بينما استغرقت عمليات التدريب وعرض النتائج وقت طويل مقارنه بباقي المنافسين نظراً لاعتماديه على حجم تدفق البيانات الكبير نسبيّا وهو أمر طبيعي لما تتميز به من مرونة عالية تجاه أنواع مختلفه ومتنوعه للغاية من مدخلات البيانات بغض النظرعن ترتيبها وزماناتها الداخلية الخاصة بها .

* بينما حققت الشبكة ذو البناء التحتيCNN أفضل مستوى دقت يصل حتى 94% خلال مرحلة الاختبار final test phase ولكن بشرط توافر صور واضحه وم