day 19 - how do neural networks
work
day 19 -
how do neural networks
work
السلام عليكم ورحمة الله... معاكم Kaito :)
مرحبا بيكم فالنهار 19 ديال سلسلة 30 يوم من التعلم الآلي..
شفنا شنو هوما neurons والمكونات ديالها
شفنا شناهي activation function وكيفاش كتخدم
اليوم غنجمعو هادشي كامل
وغادي نعرفو الخطوات اللي كتدوز منهم الشبكة العصبية
باش تعلم وتعطيك نتائج اللي بغيتي
شفتي هاد الرسم بزاف دلمرات وقيلا طلع ليك فراسك ماشي مشكل اتعاود تشوفو اليوم
هادي شبكة عصبية بسيطة
عندك فاليسار واحد الصف من متغيرات الادخال input variables
الاسهم اللي كيمشيو من المتغيرات لداك العصبون فالوسط هما الاوزان weights
وعلى اليمين عندك النتيجة المتوقعة ŷ او قيمة الاخراج output
وكاينة واحد القيمة التحت y هاديك هي القيمة او النتيجة الحقيقية
دبا داك الفرق بين y و ŷ هو علاياش داير الفيلم كامل
فاش كيمشيو المدخلات وكيدخلو مع الاوزان وكيدوزو لدالة التنشيط،
فالاخر كتعطينا النتيجة اللي هي ŷ
باش الشبكة العصبية ديالنا تتعلم،
كيخصنا نديرو مقارنة بين النتيجة اللي خرجات لينا،
والنتيجة الحقيقية اللي عندنا
وباش كنحسبو الفرق، كنطبقو واحد الدالة سميتها دالة التكلفة cost function (كتسمى حتى loss function)
هاد الدالة هي اللي كتعطينا نسبة الخطأ فالتوقع ديالنا
الهدف ديالنا هو نحاولو نصغرو القيمة ديال loss function
قدما كانت القيمة منخفضة،
قدما كانو ŷ و y قراب لبعضياتهم،
يعني القيمة اللي توقعناها والقيمة الحقيقية غيبقاو يتقاربو..
وبالتالي غتكون الشبكة العصبية ديالنا عندها دقة مزيانة
هاد loss function عندها بزاف ديال الانواع،
كتخدم على حساب هديك اللي مسلكا المشكل ديالك
هاد البروسيس كامل من تغذية الشبكة بالبيانات حتى توقع قيمة ŷ كيتسمى forward propagation
مع كنحسبو loss function، كنرجعو للوراء
كنديرو اعادة التدوير
كنمشيو وكنعاودو نفس الخطوات ولكن كنبدلو فالاوزان weights،
كنديرو اوزان جداد وكنعاودو نخدمو الشبكة،
كتدير نفس الخدمة وكتوصل ل loss function كنحسبوها
وكتبقا هكا تبدل فالاوزان طالما كاين داك التباين بين y و ŷ
هاد البروسيس ديال ترجع باللور كيتسمى backpropagation
ودوك الخطوات كيبقاو يتطبقو لواحد العدد من المرات
حتى كتدرب الشبكة بشكل كافي
وكيتقلل الخطا لواحد الحد ادنى عاد كتحبس..
مثلا ايلا كانت loss function هي 2^(y - ŷ)
خاص نحاولو ما أمكن ندربو الشبكة حتى نوصلوها ل 0 أو أقرب قيمة ل 0
هاد العدد من المرات اللي كيتعاود فيهم هاد البروسيس كيتسمى epochs
اذن كاين
run a neural network = (forward propagation + backpropagation) * epochs
هكا كيتعلم neural network
شوف هاد المثال:
تخيل عندنا 3 ديال input values
عدد ساعات الدراسة
عدد ساعات النوم
شحال جبتي فالمراقبة المستمرة CC
وبغينا نتوقعو النتيجة ديال واحد الامتحان النهائي اللي مزال مدوزنا
نقولو مثلا بلي النتيجة الحقيقية اللي عندنا هي 93%
دوك المتغيرات الثلاثة كندخلوهوم للشبكة ديالنا
وكنطبقو عليهم الاوزان ودالة التنشيط
من بعد كتخرج لينا نتيجة ŷ كنحسبو بيها cost function ديالنا باش نعرفو واش هاد ŷ مزيانة اولا لا
ايلا كان اختلاف وتباين بين y و ŷ كنعاودو نبدلو الاوزان وكنعاودو الحساب حتى كنصغرو ديك cost function
وهاد اللعيبة كتطبق شحال من مرة على بزاف ديال العينات
كل سطر عندها شبكة ديالها كتطبق forward/backward propagation
باش فالاخر يتجمع ويتشكل ليك واحد الشبكة عصبية اللي كبيرة
انشوفو كثر backpropagation وكيفاش دوك weights كيتبدلو فايمايلات جايين ان شاء الله
هادا بعجالة هو كيفاش كيخدم neural networks
كنتمنى نكون وصلت الفكرة وانكم فهمتو ولو شوية
حيث هاد الكونصيبت ماشي ساهل تفهمو مزيان من البدية
ولكن كتولف مع الوقت..
هادي خلاصة اليوم:
نتلاقاو فايمايل اخر غدا!
كنتمنى تكونو استافدتو.. ايلا عندكم شي تساؤل اولا مشرحتش شي حاجة مزيان، غير صيفط ليا رد فهاد المايل نيت..
— Kaito
ملاحظات:
مصادر:
The Ultimate Guide to Artificial Neural Networks (ANN)
ايلا عاجبك هدشي وقادر باش تساند هاد newsletter بدعم مادي
دخل لهنا: https://ko-fi.com/callmekaito
شكرا (:
السلام عليكم ورحمة الله... معاكم Kaito :)
مرحبا بيكم فالنهار 19 ديال سلسلة 30 يوم من التعلم الآلي..
شفنا شنو هوما neurons والمكونات ديالها
شفنا شناهي activation function وكيفاش كتخدم
اليوم غنجمعو هادشي كامل
وغادي نعرفو الخطوات اللي كتدوز منهم الشبكة العصبية
باش تعلم وتعطيك نتائج اللي بغيتي
شفتي هاد الرسم بزاف دلمرات وقيلا طلع ليك فراسك ماشي مشكل اتعاود تشوفو اليوم
هادي شبكة عصبية بسيطة
عندك فاليسار واحد الصف من متغيرات الادخال input variables
الاسهم اللي كيمشيو من المتغيرات لداك العصبون فالوسط هما الاوزان weights
وعلى اليمين عندك النتيجة المتوقعة ŷ او قيمة الاخراج output
وكاينة واحد القيمة التحت y هاديك هي القيمة او النتيجة الحقيقية
دبا داك الفرق بين y و ŷ هو علاياش داير الفيلم كامل
فاش كيمشيو المدخلات وكيدخلو مع الاوزان وكيدوزو لدالة التنشيط،
فالاخر كتعطينا النتيجة اللي هي ŷ
باش الشبكة العصبية ديالنا تتعلم،
كيخصنا نديرو مقارنة بين النتيجة اللي خرجات لينا،
والنتيجة الحقيقية اللي عندنا
وباش كنحسبو الفرق، كنطبقو واحد الدالة سميتها دالة التكلفة cost function (كتسمى حتى loss function)
هاد الدالة هي اللي كتعطينا نسبة الخطأ فالتوقع ديالنا
الهدف ديالنا هو نحاولو نصغرو القيمة ديال loss function
قدما كانت القيمة منخفضة،
قدما كانو ŷ و y قراب لبعضياتهم،
يعني القيمة اللي توقعناها والقيمة الحقيقية غيبقاو يتقاربو..
وبالتالي غتكون الشبكة العصبية ديالنا عندها دقة مزيانة
هاد loss function عندها بزاف ديال الانواع،
كتخدم على حساب هديك اللي مسلكا المشكل ديالك
هاد البروسيس كامل من تغذية الشبكة بالبيانات حتى توقع قيمة ŷ كيتسمى forward propagation
مع كنحسبو loss function، كنرجعو للوراء
كنديرو اعادة التدوير
كنمشيو وكنعاودو نفس الخطوات ولكن كنبدلو فالاوزان weights،
كنديرو اوزان جداد وكنعاودو نخدمو الشبكة،
كتدير نفس الخدمة وكتوصل ل loss function كنحسبوها
وكتبقا هكا تبدل فالاوزان طالما كاين داك التباين بين y و ŷ
هاد البروسيس ديال ترجع باللور كيتسمى backpropagation
ودوك الخطوات كيبقاو يتطبقو لواحد العدد من المرات
حتى كتدرب الشبكة بشكل كافي
وكيتقلل الخطا لواحد الحد ادنى عاد كتحبس..
مثلا ايلا كانت loss function هي 2^(y - ŷ)
خاص نحاولو ما أمكن ندربو الشبكة حتى نوصلوها ل 0 أو أقرب قيمة ل 0
هاد العدد من المرات اللي كيتعاود فيهم هاد البروسيس كيتسمى epochs
اذن كاين
run a neural network = (forward propagation + backpropagation) * epochs
هكا كيتعلم neural network
شوف هاد المثال:
تخيل عندنا 3 ديال input values
عدد ساعات الدراسة
عدد ساعات النوم
شحال جبتي فالمراقبة المستمرة CC
وبغينا نتوقعو النتيجة ديال واحد الامتحان النهائي اللي مزال مدوزنا
نقولو مثلا بلي النتيجة الحقيقية اللي عندنا هي 93%
دوك المتغيرات الثلاثة كندخلوهوم للشبكة ديالنا
وكنطبقو عليهم الاوزان ودالة التنشيط
من بعد كتخرج لينا نتيجة ŷ كنحسبو بيها cost function ديالنا باش نعرفو واش هاد ŷ مزيانة اولا لا
ايلا كان اختلاف وتباين بين y و ŷ كنعاودو نبدلو الاوزان وكنعاودو الحساب حتى كنصغرو ديك cost function
وهاد اللعيبة كتطبق شحال من مرة على بزاف ديال العينات
كل سطر عندها شبكة ديالها كتطبق forward/backward propagation
باش فالاخر يتجمع ويتشكل ليك واحد الشبكة عصبية اللي كبيرة
انشوفو كثر backpropagation وكيفاش دوك weights كيتبدلو فايمايلات جايين ان شاء الله
هادا بعجالة هو كيفاش كيخدم neural networks
كنتمنى نكون وصلت الفكرة وانكم فهمتو ولو شوية
حيث هاد الكونصيبت ماشي ساهل تفهمو مزيان من البدية
ولكن كتولف مع الوقت..
هادي خلاصة اليوم:
نتلاقاو فايمايل اخر غدا!
كنتمنى تكونو استافدتو.. ايلا عندكم شي تساؤل اولا مشرحتش شي حاجة مزيان، غير صيفط ليا رد فهاد المايل نيت..
— Kaito
ملاحظات:
مصادر:
The Ultimate Guide to Artificial Neural Networks (ANN)
ايلا عاجبك هدشي وقادر باش تساند هاد newsletter بدعم مادي
دخل لهنا: https://ko-fi.com/callmekaito
شكرا (:
التالي