ورقة عمل واختبار درس الشبكة العصبية الاصطناعية — مدخل إلى الذكاء الاصطناعي الثالث الثانوي — المسار العام

1. أتُمثَّل الشاشات بالحواف، وتُمثَّل لوحات المفاتيح بالعقد
2. بتُمثَّل الخلايا العصبية بالعُقد، بينما تُمثَّل الأوزان وقوة الاتصال بالحواف
3. جتُمثَّل أوراق الشجرة بالخلايا، وتُمثَّل الجذور بالتيار الكهربائي
4. دتُحذف جميع الحواف وتبقى الخلايا معزولة دون أي اتصال لتسريع المعالجة

تُطبَّق المخططات في الشبكات العصبية الاصطناعية؛ حيث تُمثَّل الخلايا العصبية بالعقد (Nodes)، بينما تُمثَّل الأوزان وقوة الاتصال بالحواف (Edges) (ص 60).

1. أتُعرَّف بالصيغة f(x) = max(0, x)؛ حيث تُبقي على القيم الموجبة كما هي وتُحوّل كل قيمة سالبة إلى صفر
2. بتُعرَّف بالصيغة f(x) = 1 / (1 + e^-x)؛ حيث تضغط المخرجات دائمًا بين الصفر والواحد
3. جتُعرَّف بالصيغة f(x) = x^2؛ حيث تُضاعف القيم المدخلة تربيعيًا دون النظر لإشارتها
4. دتُعرَّف بحساب الفرق المطلق بين تدرجات البكسل وتحويلها إلى أعداد صحيحة سالبة فقط

دالة التنشيط ReLU (الوحدة الخطية المصححة) تعيد القيمة نفسها إذا كانت موجبة، وتعيد صفرًا إذا كانت سالبة، بصيغتها الرياضية f(x) = max(0, x) (ص 210-211).

1. ألأنها مخصصة فقط لمشاكل التنبؤ العددي بالانحدار الخطي وتوليد القيم المستمرة
2. بلأن عناوين الصور ممثلة بتنسيق أعداد صحيحة رقمية في مهمة تصنيف متعددة الفئات
3. جلأنها تلغي الحاجة إلى حساب التدرجات العكسية وتجعل وزن النموذج ثابتًا طوال التدريب
4. دلأنها تضمن تدريب النموذج في دورة واحدة (epoch) فقط بغض النظر عن حجم البيانات

تُستخدم دالة الخسارة sparse_categorical_crossentropy لتقييم الخطأ في مهام التصنيف متعددة الفئات عندما تكون العناوين ممثلة كأعداد صحيحة (ص 211-212).