الشكل 1. مشكلة التصنيف غير الخطي لا يمكن للدالة الخطية
فصل جميع النقاط الزرقاء عن النقاط البرتقالية بوضوح.
تعني "غير خطي" أنّه لا يمكنك التنبؤ بدقة بتصنيف باستخدام
نموذج للنموذج \(b + w_1x_1 + w_2x_2\). أو بعبارةٍ أخرى،
"مساحة القرار" ليس خطًا.
ومع ذلك، إذا أجرينا تقاطع خاصية على الميزتين $x_1$ و $x_2$، فيمكننا
ومن ثم تمثيل العلاقة غير الخطية بين العنصرين باستخدام
نموذج المساواة بين نقاط الاتصال:
$b + w_1x_1 + w_2x_2 + w_3x_3$ حيث $x_3$ هو تقاطع الميزة بين
$x_1$ و $x_2$:
الشكل 2. من خلال إضافة تقاطع الخصائص
س1س2، يمكن أن يتعلم النموذج الخطي
شكل زائدي يفصل النقاط الزرقاء عن النقاط البرتقالية.
لنلقِ نظرة الآن على مجموعة البيانات التالية:
الشكل 3. مشكلة تصنيف غير خطي أكثر صعوبة
قد تتذكر أيضًا من تمارين متعددة الميزات
أن تحديد الميزة الصحيحة يتقاطع لملاءمة أي نموذج خطي مع هذه البيانات
واستغرقت المزيد من الجهد والتجربة.
ولكن ماذا لو لم يكن عليك إجراء كل هذه التجارب بنفسك؟
الشبكات العصبية هي مجموعة
من تصاميم النماذج المصمّمة للعثور على
أنماط غير خطية
في البيانات. أثناء تدريب شبكة عصبية، يتعرّف
النموذج تلقائيًا
على عمليات تقاطع الميزات المثلى لاستخدامها في بيانات الإدخال لتقليل
الخسارة.
في الأقسام التالية، سنلقي نظرة عن كثب على آلية عمل الشبكات العصبونية.
تاريخ التعديل الأخير: 2025-07-27 (حسب التوقيت العالمي المتفَّق عليه)
[[["يسهُل فهم المحتوى.","easyToUnderstand","thumb-up"],["ساعَدني المحتوى في حلّ مشكلتي.","solvedMyProblem","thumb-up"],["غير ذلك","otherUp","thumb-up"]],[["لا يحتوي على المعلومات التي أحتاج إليها.","missingTheInformationINeed","thumb-down"],["الخطوات معقدة للغاية / كثيرة جدًا.","tooComplicatedTooManySteps","thumb-down"],["المحتوى قديم.","outOfDate","thumb-down"],["ثمة مشكلة في الترجمة.","translationIssue","thumb-down"],["مشكلة في العيّنات / التعليمات البرمجية","samplesCodeIssue","thumb-down"],["غير ذلك","otherDown","thumb-down"]],["تاريخ التعديل الأخير: 2025-07-27 (حسب التوقيت العالمي المتفَّق عليه)"],[[["This module explores neural networks, a model architecture designed to automatically identify nonlinear patterns in data, eliminating the need for manual feature cross experimentation."],["You will learn the fundamental components of a deep neural network, including nodes, hidden layers, and activation functions, and how they contribute to prediction."],["The module covers the training process of neural networks, using the backpropagation algorithm to optimize predictions and minimize loss."],["Additionally, you will gain insights into how neural networks handle multi-class classification problems using one-vs.-all and one-vs.-one approaches."],["This module builds on prior knowledge of machine learning concepts such as linear and logistic regression, classification, and working with numerical and categorical data."]]],[]]
