ما الفرق بين التعلّم العميق والشبكات العصبونية؟

يُستخدم المصطلح التعلّم العميق والمصطلح الشبكات العصبونية بالتبادل لأن جميع أنظمة التعلّم العميق هي أنظمة مكونة من شبكات عصبونية. ومع ذلك، يختلفان من حيث التفاصيل الفنية. توجد أنواع مختلفة من تكنولوجيا الشبكات العصبونية، وقد لا تُستخدم تلك الأنواع كلها في أنظمة التعلّم العميق.

في هذه المقارنة، المصطلح الشبكة العصبونية يشير إلى الشبكة العصبونية ذات التغذية المتقدمة. تعالج الشبكات العصبونية ذات التغذية المتقدمة البيانات في اتجاه واحد، من عقدة الإدخال إلى عقدة الإخراج. هذه الشبكات يُطلق عليها أيضًا مصطلح الشبكات العصبونية البسيطة.

فيما يلي بعض الاختلافات الرئيسية بين الشبكات العصبونية ذات التغذية المتقدمة وأنظمة التعلّم العميق.

البنية

في الشبكة العصبونية البسيطة، كل عقدة في الطبقة الواحدة مرتبطة بكل عقدة في الطبقة التالية. توجد طبقة مخفية واحدة فقط.

في المقابل، تحتوي أنظمة التعلّم العميق على العديد من الطبقات المخفية وهذا هو سبب العمق.

يوجد نوعان رئيسيان من أنظمة التعلّم العميق ولكنهما يختلفان في البنية؛ الشبكات العصبونية الالتفافية (CNNs) والشبكات العصبونية المتكررة (RNNs).

بنية الشبكة العصبونية الالتفافية (CNN)

تحتوي الشبكات العصبونية الالتفافية (CNNs) على ثلاث مجموعات من الطبقات:

• تستخرج "الطبقات الالتفافية" المعلومات من البيانات التي تُدخلها، باستخدام عوامل تصفية مسبقة التكوين.
• تعمل طبقات التجميع على تقليل الصفة البُعْدية للبيانات، وتقسيم البيانات إلى أجزاء أو مناطق مختلفة.
• تعمل "الطبقات المتصلة بالكامل" على إنشاء مسارات عصبونية إضافية بين الطبقات. يسمح هذا للشبكة بتعلّم العلاقات المعقدة التي بين الميزات وتقديم تنبؤات عالية المستوى.

يُمكنك استخدام بنية الشبكة العصبونية الالتفافية (CNN) عند معالجة الصور ومقاطع الفيديو، حيث يمكنها التعامل مع إدخالات مختلفة من حيث البُعد والحجم. 

بنية الشبكة العصبونية المتكررة (RNN) 

يُمكن تصور بنية الشبكة العصبونية المتكررة (RNN) على أنها سلسلة تضم وحدات متكررة.

كل وحدة متصلة بالوحدة السابقة لها، وتشكل دائرةً موجهةً. في كل خطوة زمنية، تأخذ الوحدة المتكررة الإدخال الحالي وتضمه إلى الحالة المخفية السابقة. تُنتج الوحدة مخرجاتٍ وتحدّث الحالة المخفية للخطوة الزمنية التالية. تتكرر هذه العملية مع كل إدخال في التسلسل، ما يسمح للشبكة بالتقاط التبعيات والأنماط بمرور الوقت.

تتفوق الشبكات العصبونية المتكررة (RNNs) في وظائف اللغة الطبيعية مثل نمذجة اللغة، والتعرّف على الكلام، وتحليل المشاعر.

التعقيد

تتضمن كل شبكة عصبونية بعض المعايير، من بينها الأوزان والتحيزات المرتبطة بكل اتصال بين العصبونات. عدد المَعْلمات في الشبكة العصبونية البسيطة منخفض نسبيًا مقارنةً بأنظمة التعلّم العميق. وبالتالي، فإن الشبكات العصبونية البسيطة تكون أقل تعقيدًا وأقل تطلبًا من الناحية الحوسبية.

في المقابل، تُعد خوارزميات التعلّم العميق أكثر تعقيدًا من الشبكات العصبونية البسيطة لأنها تتضمن عددًا أكبر من طبقات العُقد. على سبيل المثال، يمكنها بشكل انتقائي نسيان المعلومات أو الاحتفاظ بها، ما يجعلها مفيدةً لتبعيات البيانات طويلة المدى. وأيضًا تستخدم بعض شبكات التعلّم العميق أدوات ترميز تلقائية. تتضمن أدوات الترميز التلقائية طبقةً من الخلايا العصبونية لفك التشفير حيث تكتشف هذه الطبقة أوجه الخلل وتضغط البيانات وتساعد في النمذجة التوليدية. ونتيجةً لذلك، تمتلك معظم الشبكات العصبونية العميقة عددًا أكبر بكثير من المَعْلمات وهي تتطلب الكثير من الناحية الحوسبية.

التدريب

بفضل قلة عدد الطبقات والوصلات، يُمكنك تدريب شبكة عصبونية بسيطة بسرعة أكبر. ومع ذلك، فإن بساطتها تحد أيضًا من مدى قدرتك على تعليمها. لا يمكنها إجراء تحليل معقد.

تتمتع أنظمة التعلّم العميق بقدرة أكبر بكثير على تعلّم الأنماط والمهارات المعقدة. يُمكنك، باستخدام العديد من الطبقات المخفية المختلفة، إنشاء أنظمة معقدة وتدريبها على الأداء الجيد في المهام المعقدة. ومع ذلك، ستحتاج إلى المزيد من الموارد ومجموعات بيانات أكبر لتحقيق ذلك.

الأداء

تعمل الشبكات العصبونية ذات التغذية المتقدمة بشكل جيد عند حل المشكلات الأساسية مثل تحديد الأنماط البسيطة أو تصنيف المعلومات. ومع ذلك، تواجه صعوبةً في المهام الأكثر تعقيدًا.

من ناحية أخرى، تستطيع خوارزميات التعلّم العميق معالجة كميات كبيرة من البيانات وتحليلها بفضل ما تتمتع به من طبقات تجريد مخفية متعددة. يمكنهما تنفيذ مهام معقدة مثل معالجة اللغة الطبيعية (NLP) والتعرّف على الكلام.

	أنظمة التعلّم العميق	الشبكات العصبونية البسيطة
البنية	تتكون من عدة طبقات مخفية مرتبة للالتفاف أو للتكرار.	تتكون الشبكات العصبونية من طبقة إدخال، أو طبقة مخفية، أو طبقة إخراج. إن بنيتها تحاكي بنية الدماغ البشري.
التعقيد	وفقًا لوظيفتها، تعد شبكة التعلّم العميق معقدةً للغاية ولها بنيات مثل الذاكرة قصيرة المدى المستمرة لفترة أطول (LSTM) وأدوات الترميز التلقائية.	الشبكات المحايدة هي شبكات أقل تعقيدًا، نظرًا لأنها تحتوي على عدد قليل من الطبقات.
الأداء	تستطيع خوارزمية التعلّم العميق حل المشكلات المعقدة عبر أحجام كبيرة من البيانات.	تُجيد الشبكات العصبونية حل المشكلات البسيطة.
التدريب	تدريب خوارزمية التعلّم العميق يُكلّف الكثير من الأموال والموارد.	بساطة الشبكة العصبونية تعني انخفاض تكلفة التدريب.