هو اي الفرق بين الneural network in machine learning وبين neural network in Deep learning ؟

الشبكة العصبية هي نموذج مستوحى من طريقة عمل الدماغ البشري. تتكون من طبقات من العقد (neurons) المتصلة ببعضها. بنستخدم هذه الشبكات العصبية البسيطة لحل مشاكل محددة مثل التصنيف أو التنبؤ. على سبيل المثال، يمكن استخدام شبكة عصبية بسيطة لتصنيف البريد الإلكتروني إلى بريد عادي أو بريد غير مرغوب فيه.
   - الشبكات العصبية في التعلم الآلي neural network in machine learning عادة ما تحتوي على عدد قليل من الطبقات (قد تكون طبقة أو اثنتين فقط).

التعلم العميق Deep learning هو جزء من التعلم الآلي، ولكنه يستخدم شبكات عصبية ذات بنية أكثر تعقيدا وتحتوي على العديد من الطبقات (من هنا جاءت كلمة "عميق" لأنها تعني العديد من الطبقات).
تستخدم الشبكات العصبية العميقة لحل مشاكل أكثر تعقيدا مثل التعرف على الصور، الترجمة الآلية، والسيارات ذاتية القيادة. بسبب العمق والتعقيد، يمكن لهذه الشبكات التعلم من كميات كبيرة من البيانات وتحليلها بشكل أكثر دقة على سبيل المثال، يمكن استخدام شبكة عصبية عميقة للتعرف على الوجوه في الصور أو حتى للفهم التلقائي للغة الطبيعية.

حاليًا لا يوجد فرق. بشكل عام التعلم العميق هو أحد أفرع تعلم الآلة لذلك فعليًا ستكون الشبكات العصبية في كليهما نفس المفهوم.

الفرق هو في البدايات، عندما تم ابتكار الشبكات العصبية لم يكن هناك ما يعرف بالتعلم العميق، و قد بدأت الشبكات العصبية على شكل طبقتين أو ثلاثة. مع تطور القدرات الحسابية و بعض التقنيات أصبح بالإمكان إنشاء شبكات عصبية تحوي على الكثير من الطبقات و هنا بدأ ما يسمى التعلم العميق.

بالتالي في الحالتين هما شبكات عصبية، في حال كان هناك طبقات كثيرة فهي أيضًا تتبع للتعلم العميق.

تحياتي.

بشكل بسيط الشبكات العصبية في التعلم العميق Deep Learning تحتوي على العديد من الطبقات المخفية غالبًا 5 أو أكثر، مما يمكنها من تعلم تمثيلات أكثر تعقيدًا.

والطبقات هي كالتالي:

• الطبقات العميقة: تحتوي على العديد من الطبقات المخفية (يمكن أن تكون عشرات أو حتى مئات الطبقات).
• الطبقات المتخصصة: مثل طبقات الالتفاف Convolutional Layers في الشبكات العصبية التلافيفية CNNs وطبقات الذاكرة Recurrent Layers في الشبكات العصبية المتكررة RNNs.
• العصبونات Neurons: مشابهة للعصبونات في التعلم الآلي التقليدي لكنها أكثر تعقيدًا بسبب العدد الكبير من الطبقات والوصلات.
• التنشيط Activation: تستخدم دوال تنشيط أكثر تعقيدًا مثل Leaky ReLU، Parametric ReLU، وSoftmax.

والقدرة على تعلم الميزات من البيانات الخام بدون الحاجة إلى تصميم ميزات يدوية، وتُستخدم في تطبيقات متقدمة مثل معالجة الصور (التعرف على الصور، التعرف على الوجوه)، معالجة اللغة الطبيعية (الترجمة الآلية، تحليل المشاعر)، والتعلم المعزز (الألعاب، الروبوتات).

بينما الشبكات العصبية في التعلم الآلي Machine Learning  تحتوي  على طبقة أو طبقتين مخفيتين فقط، وتستخدم  في الغالب لنماذج أبسط، مثل التنبؤ والتصنيف في مجموعات بيانات محدودة، وتستطيع استخدامها في تطبيقات مثل التصنيف البسيط، التنبؤات الزمنية، والتعرف على الأنماط، وأداء النماذج محدودًا في المهام المعقدة.

والطبقات هي:

• الطبقة المدخلة Input Layer: تستقبل البيانات المدخلة.
• الطبقات المخفية Hidden Layers: عادة تكون واحدة أو اثنتين، تتوسط بين الطبقة المدخلة والطبقة المخرجة، حيث يتم تنفيذ معظم العمليات الحسابية.
• الطبقة المخرجة Output Layer: تعطي نتيجة التنبؤ أو التصنيف.

بينما التعلم الآلي يتطلب موارد حسابية أقل، ويمكن تشغيله على أجهزة كمبيوتر عادية، بينما التعلم العميق يتطلب موارد حسابية عالية، غالبًا ما يحتاج إلى وحدات معالجة الرسوميات أو حتى وحدات معالجة متخصصة (TPUs).

ويقدم أداءً ممتازًا في المهام المعقدة بفضل قدرته على تعلم التمثيلات المعقدة من البيانات.

شكراا لحضراتكم

طيب سوال كمان 

احنا ليه اصل احتاجن الneural network في تعلم الاله طيب فيه خورزميات تعلم الاله ؟ 

لكن في التعلم العميق الموضوع معتمد كلينا علي الneural network 

بنستخدم خوارزميات مختلفة مثل شجرة القرار (Decision Tree) أو الانحدار الخطي (Linear Regression) لحل مشاكل معينة. ولكن هذه الخوارزميات قد تكون غير فعالة في معالجة البيانات المعقدة مثل الصور أو النصوص الطويلة.

أما في التعلم العميق، تعتمد النماذج بشكل كبير على الشبكات العصبية (Neural Networks) لأنها قادرة على التعلم من البيانات المعقدة والمتنوعة بفضل بنيتها العميقة المكونة من طبقات متعددة. هذا يسمح لها بالتعرف على الأنماط والميزات المخفية في البيانات بشكل أكثر فعالية مقارنة بالخوارزميات التقليدية.

فهمت حضرتك الف شكراا