مع التقدم الكبير في تطبيقات الذكاء الاصطناعي والتعلم الآلي، توسّعت تطبيقات الشبكات العصبية الاصطناعية ANNs نظرًا لدورها في التعلم الآلي. تتعلم الشبكات العصبية باستمرار، ومن ثمّ يمكنها أن تتطور وتتخذ قرارات ذكية استنادًا إلى التحليل العميق للبيانات، ومن أهم تطبيقاتها التنبؤ مثل التشخيص الطبي والتنبؤ بالأوضاع الاقتصادية، فضلًا عن تطبيقات التخصيص مثل التسويق الموجَّه وإنتاج أعمال فنية.
تحاكي الشبكات العصبية الاصطناعية الشبكات العصبية في مخ الإنسان، وتتألف من 3 مكونات أساسية: طبقة إدخال وطبقة خفية للمعالجة وطبقة إخراج، ويمكن أن تتعدد كل طبقة منهم وفقًا لمدى تعقيد الشبكة.
وتوجد أنواع متنوعة من الشبكات العصبية الاصطناعية، لكلٍ منها وظيفتها وبنيتها، ولكن ثمّة 8 أنواع شائعة الاستخدام في التطبيقات التقنية لعالم اليوم:
- الشبكات العصبية التلافيفية Convolutional Neural Networks:
يمكنها إدخال الصور وتمييزها والتعرف على عناصرها، وتتكون أولًا من طبقة تلافيفية تُجري العمليات الحسابية، ثم طبقة تجميع تقلل عدد معلمات الإدخال Parameters، ثم طبقة تفرز الميزات المُستخلصة من الطبقتين السابقتين.
- الشبكات العصبية المتكررة Recurrent Neural Networks:
يمكنها ترجمة اللغات ومعالجة اللغات الطبيعية والتعليق على الصور، وتتضمن دوائر رد الفعل Feedback Loops التي تعمل كذاكرة الإنسان في تخزين المعلومات والمخرجات وإعادة استخدامها لاحقًا.
- شبكات دوال الأساس الشعاعي Radial Basis Functions Networks:
تختلف عن الشبكات العصبية الأخرى في كون طبقة الإدخال لا تقوم بأية وظائف حسابية، بل تمرر البيانات مباشرةً إلى الطبقة الخفية، وهو ما يجعلها تتمتع بسرعة أكبر في التعلم.
- شبكات الذاكرة طويلة وقصيرة المدى Long Short-Term Memory Networks:
نوع فريد يمكنه فرز البيانات إلى وحدات ذاكرة طويلة المدى وقصيرة المدى استنادًا إلى مدى الحاجة إلى إعادة تدوير مخرجات الشبكة كمدخلات جديدة.
- المستقبِلات متعددة الطبقات Multilayer Perceptrons:
تستطيع تعلم العلاقة بين البيانات الخطية واللا خطية، وتستخدم الانتشار العكسي Backpropagation في تقليل معدلات الخطأ.
- الشبكات التنافسية التوليدية Generative Adversarial Networks:
يمكنها توليد مجموعات جديدة من البيانات لها نفس السمات الإحصائية للمجموعة التي تدربت عليها، وغالبًا ما تكون بيانات حقيقية.
- شبكات المعتقدات العميقة Deep Belief Networks:
متفردة في كونها تجمع الشبكات الفردية وتستخدم الطبقة الخفية في كلٍ منها كطبقة إدخال إلى الطبقة التي تليها، مما يتيح سرعة تدريب الشبكة.
- الخرائط ذاتية التنظيم Self-Organizing Maps:
تُعرَف باسم “شبكات كوهونين”، ويمكنها تحويل مجموعات البيانات الكبرى المعقدة إلى خرائط مفهومة ثنائية الأبعاد تتضمن تمثيلًا بصريًا للعلاقات الهندسية بين البيانات.
المصدر:
