انتقل إلى المحتوى الرئيسي

الدرس 6 — الملخّص والأسئلة الشائعة

الدروس الخمسة في صفحة واحدة​

الدرس 1 — العصبون. مجموع مرجّح ثم دالّة تنشيط، أي قياس تشابه المدخل مع نمط متعلَّم. ودالّة التنشيط شرط وجود العمق، لأنّ تكديس تحويلات خطّية يكافئ طبقة واحدة.

الدرس 2 — العمق. يبني تمثيلات تركيبية تُعاد استخدامها، فيحقّق القدرة نفسها بمعاملات أقلّ بمراتب. والتسلسل من الحدود إلى الأشياء ينشأ من البيانات. وما عطّل المجال هو التدرّجات المتلاشية، وقد حُلّت بـReLU والتطبيع والوصلات المتخطّية.

الدرس 3 — الالتفاف. مرشِّح صغير يتحرّك على الصورة كلّها، فيستغلّ المحلّية والثبات الانتقالي ويقلّل الأوزان بأربع مراتب. والقاعدة العملية: صقل معمارية مدرَّبة لا التصميم من الصفر.

الدرس 4 — المتتاليات. الشبكات المتكرّرة تنسى ولا تتوازى، والانتباه يقيس صلة كلّ عنصر بكلّ عنصر بمعزل عن المسافة فحلّ الأمرين. والمحوّل صار أساس النماذج اللغوية وتوسّع إلى الصور والصوت، وكلفته تتناسب مع مربّع طول المتتالية.

الدرس 5 — الكلفة. التدريب من الصفر يكاد يكون خارج المتناول، ونقل التعلّم والصقل الفعّال هما ما جعل المجال عملياً للفرق الصغيرة.

معجم المصطلحات​

المصطلحمعناه ببساطة
العصبونمجموع مرجّح ثم دالّة تنشيط
الوزن / الإزاحةمعاملات يتعلّمها النموذج
دالّة التنشيطتحويل غير خطّي يجعل العمق مفيداً
ReLUتُبقي الموجب وتصفّر السالب؛ المعيار الفعلي
Softmaxتحويل أرقام إلى احتمالات مجموعها واحد
الطبقة الخفيّةطبقة بين المدخل والمخرج
التمرير الأماميحساب المخرج من المدخل
الانتشار العكسيحساب ميل كلّ وزن بقاعدة السلسلة
الدفعة (batch)مجموعة أمثلة تُعالَج قبل تحديث الأوزان
الحقبة (epoch)مرور كامل على بيانات التدريب
التدرّجات المتلاشيةميل يقترب من الصفر في الطبقات الأولى
الوصلة المتخطّيةإضافة مدخل الطبقة إلى مخرجها
Dropoutتعطيل عصبونات عشوائياً لمقاومة الحفظ
الالتفافمرشِّح متحرّك يعيد استخدام الأوزان
التجميع (pooling)تصغير الخريطة مع مرونة موضعية
الانتباهوزن صلة كلّ عنصر بكلّ عنصر آخر
المحوّلمعمارية قائمة على الانتباه وحده
نافذة السياقأقصى عدد رموز يقرأها النموذج في طلب
نقل التعلّمإعادة استخدام نموذج مدرَّب في مهمّة جديدة
الصقلتدريب إضافي لنموذج مدرَّب على بياناتك

12 سؤالاً يطرحها الناس فعلاً​

1. هل أحتاج إلى معالج رسومي؟

للتدريب نعم عملياً؛ الفارق بين معالج مركزي ورسومي قد يكون بين شهر وساعة. وGoogle Colab يعطيك واحداً مجاناً ويكفي لكلّ مسار التعلّم تقريباً. أمّا الاستنتاج على نموذج صغير فيعمل على معالج مركزي عادي.

2. كم بيانات أحتاج؟

من الصفر: آلاف الأمثلة لكلّ صنف على الأقلّ. وبنقل التعلّم: من مئات إلى آلاف قليلة. وإذا لم يكن لديك إلا مئة مثال، فالحلّ استخراج سمات أو الطلب الموجَّه، لا تدريب شبكة.

3. لماذا لا يتعلّم نموذجي؟

بالترتيب: معدّل التعلّم (اقسمه على عشرة)، ثمّ تقييس المدخلات، ثمّ صحّة الوسوم، ثمّ خطأ في شكل المخرج أو في دالّة الكلفة المختارة. اختبار مفيد: هل يستطيع النموذج حفظ عشرة أمثلة فقط؟ إذا لم يقدر، فالمشكلة في الكود لا في البيانات.

4. CNN أو Transformer للصور؟

على مجموعات متوسّطة، الشبكات التلافيفية أكفأ لأنّها تحمل افتراضاً صحيحاً عن بنية الصور. ومع بيانات ضخمة جدّاً، تتغلّب المحوّلات. عملياً: ابدأ بشبكة تلافيفية مدرَّبة مسبقاً.

5. ما الفرق بين المعمارية والنموذج؟

المعمارية تصميم البنية (عدد الطبقات وأنواعها). والنموذج هو المعمارية مع أوزانها المدرَّبة. تنزيل «نموذج مدرَّب مسبقاً» يعني تنزيل الاثنين معاً.

6. هل الشبكة تشبه الدماغ؟

الاسم مستوحى من الدماغ والتشبيه ينتهي هناك تقريباً. العصبون البيولوجي أعقد بمراتب، والدماغ لا يتعلّم بانتشار عكسي، ولا يحتاج ملايين الأمثلة. الشبكة الاصطناعية بنية رياضية، وليست محاكاة عصبية.

7. لماذا يهلوس النموذج التوليدي؟

لأنّه محسَّن لإنتاج مخرج معقول إحصائياً، لا مخرج صحيح. ولا يملك تمثيلاً لعدم يقينه ولا قاعدة يستشيرها. وهذا موضوع دورة الذكاء الاصطناعي التوليدي.

8. الصقل أو الاسترجاع؟

الاسترجاع للمعرفة، والصقل للأسلوب والبنية والتخصّص. إذا كان النموذج «لا يعرف مستنداتنا» فالحلّ الاسترجاع. وإذا كان «لا يجيب بالشكل المطلوب» فالحلّ الصقل.

9. ما هو حجم النموذج المناسب؟

أصغر نموذج يحقّق الهدف. الأكبر يعني زمن استجابة أطول وكلفة أعلى وذاكرة أكثر. ونموذج صغير مصقول لمهمّة محدّدة يوازي غالباً نموذجاً عملاقاً في تلك المهمّة، وهذه هندسة سليمة لا تنازل.

10. كيف أعرف أنّ التدريب انتهى؟

راقب منحنيَي الكلفة: التدريب والتحقّق. حين تتوقّف كلفة التحقّق عن النزول وتبدأ بالصعود بينما كلفة التدريب مستمرّة في النزول، بدأ فرط التخصيص، وهذا وقت التوقّف.

11. هل يستطيع النموذج تفسير قراره؟

بشكل محدود. توجد تقنيات تبرز المناطق أو السمات المؤثّرة، وهي إشارات مفيدة وليست تفسيراً سببياً. وإذا كانت قابلية التفسير مطلباً قانونياً، ففكّر في نموذج أبسط قابل للتفسير أصلاً. ودورة الأخلاقيات تفصّل ذلك.

12. إلى أين أذهب بعد هذه الدورة؟

إلى معالجة اللغة أو الرؤية الحاسوبية بحسب مجالك، ثمّ النماذج اللغوية الكبيرة لمتابعة قصّة المحوّل حتى نهايتها الحالية.

جاهز للانتقال من الفهم إلى الممارسة؟

الكتالوج المدفوع يعطيك التعلّم العميق بـPyTorch: شبكات تلافيفية، محوّلات، صقل ومشاريع مصحّحة، مع شهادة قابلة للتحقّق بعد اختبار من 40 سؤالاً. مشمول في كلّ الخطط المدفوعة.

الخطوة الأخيرة — اجتز الاختبار واكتشف شهادتك ←