دفعت الشبكات العصبية العميقة باستمرار الأداء الحديث في معالجة اللغة الطبيعية ويعتبر نهج النمذجة في الواقع في حل مهام NLP المعقدة مثل الترجمة الآلية والتلخيص والرد على السؤال. على الرغم من الفعالية المثبتة للشبكات العصبية العميقة، فإن معرضهم هو سبب رئ
يسي للقلق. في هذا البرنامج التعليمي، سنقدم أعمال البحث في تفسير مكونات الرواية الدقيقة لطراز الشبكة العصبية من وجهات نظر، ط) ترجمة التفسير الدقيقة، والثاني) تحليل السببية. السابق هو فئة من الأساليب لتحليل الخلايا العصبية فيما يتعلق بمفهوم اللغة المطلوب أو مهمة. تدرس الأخير دور الخلايا العصبية وميزات المدخلات في شرح القرارات التي اتخذها النموذج. سنناقش أيضا كيف يمكن لأساليب التفسير وتحليل السببية الاتصال بتثبيته بشكل أفضل لتنبؤ النموذج. أخيرا، سوف نسير إليك من خلال مجموعة أدوات مختلفة تسهل تحليل التفسير والسبابة الراسخة من النماذج العصبية.
نظرا لقوتها العظيمة في النمذجة البيانات غير الإقليدية مثل الرسوم البيانية أو الفتحات، فقد فتحت التعلم العميق على تقنيات الرسم البياني (I.E.، Graph Newerations Nearials (GNNS)) باب جديد لحل مشاكل NLP ذات الصلة بالرسوم البيانية الصعبة. لقد شهدت زيادة ا
لمصالح في تطبيق التعلم العميق على تقنيات الرسم البياني إلى NLP، وقد حققت نجاحا كبيرا في العديد من مهام NLP، بدءا من مهام التصنيف مثل تصنيف الجملة، ووضع العلامات الدلالية الدلالية واستخراج العلاقات، إلى مهام التوليد مثل الترجمة الآلية، والسؤال توليد وتلخيص. على الرغم من هذه النجاحات، لا تزال التعلم العميق على الرسوم البيانية ل NLP لا يزال العديد من التحديات، بما في ذلك تحويل بيانات تسلسل النص الأصلي تلقائيا إلى بيانات منظم بياني للغاية، والبيانات المعقدة النمذجة بشكل فعال تتضمن تعيين بين المدخلات المستندة إلى الرسم البياني وبيانات الإخراج غير المنظمة الأخرى تسلسل، الأشجار، وبيانات الرسم البياني مع أنواع متعددة في كل من العقد والحواف. سيتغطي هذا البرنامج التعليمي مواضيع ذات صلة ومثيرة للاهتمام على تطبيق التعلم العميق على تقنيات الرسم البياني إلى NLP، بما في ذلك بناء الرسم البياني التلقائي ل NLP، وتمثيل الرسوم البياني تعلم النماذج القائمة على NLP، والمخططات المتقدمة GNN (على سبيل المثال، Graph2Seq و Graph2Tree و Graph2Graph) ل NLP تطبيقات GNNS في مهام NLP المختلفة (مثل الترجمة الآلية، وتوليد اللغة الطبيعية، واستخراج المعلومات والتحليل الدلالي). بالإضافة إلى ذلك، سيتم تضمين جلسات التدريب العملي للتطبيق العملي لمساعدة الجمهور على زيادة الخبرة العملية في تطبيق GNNS لحل مشاكل NLP الصعبة باستخدام مكتبة المصدر المفتوحة التي تم تطويرها مؤخرا - Graph4NLP، أول مكتبة للباحثين والممارسين لسهولة الاستخدام من GNNS مهام NLP المختلفة.
يتناول البحث نمذجة شبكة عصبونية صنعية متعددة الطبقات ذات تغذية أمامية مدربة باستخدام خوارزمية الانحدار التدريجي للخطأ ذات معامل الزخم و معدل التعلم المتغير، و ذلك لتقدير خرج الشبكة العصبونية الموافق لنسبة التشغيل الأمثل لمبدل رافع الجهد المستمر اعتما
داً على استخدام قياسات تغيرات كل من درجة حرارة الخلية الشمسية و شدة الإشعاع الشمسي، لتتبع نقطة الاستطاعة العظمى MPP لنظم الطاقة الشمسية الكهروضوئية. بالتالي يعتبر المتحكم DMPPT-ANN (Developed MPPT-ANN) المقترح في البحث، مستقل في عمله عن استخدام القياسات الكهربائية لخرج نظام PV لتحديد نسبة التشغيل، و دون الحاجة لاستخدام متحكم تناسبي-تكاملي PI) (Proportional Integral للتحكم في دورة عمل مبدل الجهد، و هذا من شأنه تحسين الأداء الديناميكي للمتحكم المقترح بتحديد نسبة التشغيل بدقة و سرعة فائقة. في هذا السياق، يناقش البحث الاختيار الأمثل لهيكلية الشبكة المقترحة من حيث تحديد العدد الأمثل للطبقات الخفية و العدد الأمثل للعصبونات الموجودة فيها، بتقييم قيم متوسط مربع الخطأ و معامل الارتباط الناتجة بعد كل عملية تدريب للشبكة العصبونية. بعد ذلك يعتمد نموذج الشبكة النهائي الذي يمتلك الهيكلية الأمثل، ليشكل المتحكم المتقرح في البحث DMPPT-ANN لتتبع نقطة MPP لنظام.PV أظهرت نتائج المحاكاة المنجزة في بيئة Matlab/Simulink، الأداء الأفضل للمتحكم DMPPT-ANN المقترح المرتكز على نموذج الشبكة العصبونية MLFFNN، و ذلك بدقة تقدير نسبة التشغيل و بتحسين سرعة استجابة نظام PV في الوصول لنقطة MPP، بالإضافة إلى التخلص بشكل نهائي من التذبذبات الناتجة في الحالة المستقرة في منحني استجابة استطاعة خرج نظام PV مقارنة مع استخدام عدد من المتحكمات المرجعية المستخدمة: متحكم تتبع متقدم MPPT-ANN-PI مرتكز على شبكة عصبونية ANN لتقدير توتر نقطة MPP مع متحكم PI تقليدي، متحكم عائم MPPT-FLC ومتحكم تتبع تقليدي MPPT-INC يستخدم تقنية زيادة الناقلية INC
إن نمذجة العلاقة بين عكارة مياه الشرب في محطة تنقية مياه الشرب في السن، و بقية بارامترات جودة المياه باستخدام أسلوب الشبكات العصبونية الصنعية الديناميكية يساعد على تحقيق الاستقرار في أداء محطة تنقية مياه الشرب، حيث توفر هذه الشبكات أداةً فعالة للتعام
ل مع الطبيعة المعقدة، و الديناميكية، و غير الخطية لعمليات التنقية، و لديها القدرة على الاستجابة للتغيرات الآنية المختلفة للبارامترات المؤثرة في تنقية المياه.
صمم في هذا البحث أربعة نماذج للشبكات العصبونية الديناميكية ذات التغذية الأمامية و الانتشار العكسي للخطأ للتنبؤ بعكارة المياه المرشحة الخارجة من محطة تنقية مياه الشرب في السن، بالاعتماد على بارامترات عكارة و ناقلية و pH المياه الخام الداخلة إلى المحطة، بينما استخدمت بيانات عكارة المياه الخارجة من المحطة للتحقق من دقة أداء الشبكة العصبونية الصنعية، حيث أثبتت نتائج الدراسة قدرة الشبكات العصبونية الصنعية الديناميكية في نمذجة و محاكاة السلوك غير الخطي للعكارة و التنبؤ بقيمها، و هو ما يدعم استخدامها في محطة تنقية مياه الشرب في السن للمساهمة في تحقيق الاستقرار في عمل المحطة.
بناء نظام ذكي يقوم بالتعرف على الأصناف الموجودة في صورة وتوليد توصيف نصي لهذه الأغراض الموجودة في الصورة.
استخدمنا الشبكات العصبونية الملتفة Convolutional Neural Networks للقيام بعملية استخلاص الأصناف الموجودة في الصورة، وأدخلنا هذه الأصناف إلى شبكة
عصبونية تكرارية Recurrent Neural Network للقيام بعملية توليد التوصيف النصي.
يهدف هذا البحث إلى التنبؤ بمستوى تلوث الهواء مع مجموعة من البيانات المستخدمة لإجراء التنبؤ من خلالها والوصول لأفضل تنبؤ باستخدام عدة نماذج والمقارنة بينها وإيجاد الحل المناسب.
حظيت نمذجة وتوقع السلاسل الزمنية بأهمية كبيرة في العديد من المجالات التطبيقية كالتنبؤ بالطقس وأسعار العملات ومعدلات استهلاك الوقود والكهرباء، إن توقع السلاسل الزمنية من شأنه أن يزود المنظمات والشركات بالمعلومات الضرورية لاتخاذ القرارات الهامة، وبسبب
أهمية هذا المجال من الناحية التطبيقية فإن الكثير من الأعمال البحثية التي جرت ضمنه خلال السنوات الماضية، إضافةً إلى العدد الكبير من النماذج والخوارزميات التي تم اقتراحها في أدب البحث العلمي والتي كان هدفها تحسين كل من الدقة والكفاءة في نمذجة وتوقع السلاسل الزمنية.
في هذه البحث تم تصميم شبكة عصبية اصطناعية تعتمد على خوارزمية الانتشار الخلفي للخطأ (BPNN) لتشخيص أورام الثدي و كذلك تصميم مصنف للتشخيص باستخدام نظام الاستدلال العصبي الضبابي المتكيف (ANFIS) و قد اعتمدت كلا الدراستين على السمات البنيوية للخزع الموجودة
في قاعدة البيانات لصور الثدي لجامعة ويسكونسون في الولايات المتحدة الأميركية” Wisconson Brest Cancer dataset“
في النهاية تم اجراء مقارنة بين الدراستين من أجل التشخيص الحميد و الخبيث للكتل السرطانية لسرطان الثدي حيث حصلت الدراسة الاولى BPNN على دقة %95.95 بينما الدراسة الثانية ANFIS حصلت على دقة 91.9% و هذه النتائج تعتبر هامة جدا و مساعدة إذا ما قورنت بالأبحاث المعتمدة على السمات الشكلية المأخوذة من الصور لأجهزة متنوعة كالماموغراف و الرنين المغناطيسي.
تهدف هذه الدراسة إلى تحديد العناصر المناخية الأكثر تأثيرا على علاقة الهطل - جريان لنهر الكبير الشمالي, باستخدام الشبكات العصبية الاصطناعية. حيث احتوت مدخلات الشبكات العصبية على الهطل المطري و التدفق في النهر, وفق تأخرات زمنية مختلفة, بالإضافة إلى هنص
ر من العناصر المناخية في كل نموذج من النماذج, لتحديد النموذج الأفضل و الأكثر دقة.
تم في هذه الدراسة تصميم متحكم عصبوني ضبابي متكيف (ANFIS) و مقارنة
أداءه مع أداء المتحكم المقترح و مع استجابة النموذج الرياضي للمركبة بدون وجود متحكم
(حلقة مفتوحة) و بوجود اضطرابات دخل مختلفة.
