Professional Documents
Culture Documents
cnn
cnn
SIGMOID:
Max Full
Convolution Flattening
pooling connection
هيكلية نموذج VGG
خطوات نقل التعلم
معادالت الحساسية والنوعية
عدد الصور التي تم توقعها بشكل صحيح على أنها غير مصابة
= النوعية
عدد الصور غير المصابة الكلي
KNN
K=4
ناخذ نقطة االختبار ونطبق بين كل نقطة ونقطة االختبار المسافة االقليدية وناخذ اقرب نقطة تكون هذه هي التصنيف
SVM
مكتبة Kerasهي إطار عمل )(frameworkلتطوير الذكاء االصطناعي وتعلم اآللة )(Machine Learning
مفتوحة المصدر تعتمد على لغة Python.تعتبر Kerasواجهة برمجة التطبيقات عالية المستوى )(APIوسهلة
االستخدام لبناء نماذج الشبكات العصبية االصطناعية (Artificial Neural Networks).
مكتبة NumPyهي مكتبة للبرمجة العلمية في ،Pythonوتوفر مجموعة من األدوات والوظائف للتعامل مع البيانات المتعددة
األبعاد والعمليات الرياضية عليها .تعتبر NumPyأساسية في بناء النماذج العلمية والحسابية في ،Pythonحيث توفر هياكل
بيانات قوية مثل المصفوفات والقوائم والقوائم المتعددة األبعاد.
مكتبة Matplotlibهي مكتبة رسومية للبرمجة العلمية في ،Pythonوتستخدم إلنشاء الرسومات والرسوم البيانية بشكل
متقدم .تتيح للمطورين إنشاء مخططات بيانية مختلفة ،مثل المخططات الخطية والشريطية والدائرية والحبيبية وغيرها ،وتوفر
مجموعة واسعة من األدوات والوظائف لتخصيص وتحسين الرسومات.
معمارية VGG:
-تتألف معمارية VGGمن سلسلة من الطبقات المكررة المتتالية.
-تحتوي على طبقات التكرار المكررة )(Convolutional Layersالتي تستخدم الستخراج المعلومات الفائقة عن
الصورة.
-تحتوي على طبقات التجميع )(Pooling Layersالتي تستخدم لتقليل األبعاد والتحكم في االنتقال بين الطبقات.
-تحتوي على طبقات التمام الكامل )(Fully Connected Layersالتي تستخدم لتحويل المعلومات المستخرجة إلى قرار
نهائي بشأن التصنيف.
-تستخدم VGGطبقات التكرار المكررة بأعداد أكبر مما يستخدمها العديد من النماذج األخرى ،مما يزيد من قدرتها على
استخالص المعلومات من الصور.
معمارية GoogleNet:
-تعتمد معمارية GoogleNetعلى فكرة استخدام الوحدات المتصلة بشبكة Inception.
-تستخدم GoogleNetوحدات Inceptionالتي تتكون من طبقات التكرار المكررة المتوازية والتي تعمل بفعالية على
استخالص المعلومات من الصورة بأشكال مختلفة.
-تستخدم GoogleNetالقفزات االختيارية )(Skip Connectionsلتحسين أداء التصنيف والتعرف على الصور ،حيث
يتم تمرير المعلومات من طبقات سابقة مباشرة إلى طبقات الحقة في الشبكة.
-تستخدم GoogleNetتقنية االنتقال العميق )(Deep Transitionللتعامل مع المشكلة الناجمة عن تكاثر عدد الوزنات
في الشبكة ،حيث يتم تقسيم الشبكة إلى وحدات صغيرة يتم تطبيقها بشكل مستقل ومن ثم دمجها للحصول على نتائج نهائية.
محسن ADAMهو نظام ذكاء اصطناعي متقدم يعمل على تحسين وتطوير األنظمة والبرامج المختلفة .
وظيفته الرئيسية هي تحليل البيانات وتقديم توصيات وحلول لتحسين أداء النظام أو البرنامج .يستخدم محسن
ADAMتقنيات التعلم اآللي والذكاء االصطناعي لتحليل البيانات واكتشاف األخطاء والمشاكل وتوفير حلول
فعالة لها .قد يستخدم في مجاالت مثل تحسين أداء الشبكات الحاسوبية ،تحسين أداء قواعد البيانات ،تحسين
أداء األلعاب اإللكترونية ،وغيرها من التطبيقات التقنية.
1. Model_checkpoint:
Model_checkpointهو تقنية تستخدم في تدريب النماذج العميقة ) ،(deep learning modelsوتهدف إلى حفظ أفضل نموذج محقق خالل عملية التدريب .
يتم حفظ هذا النموذج في كل مرة يتم فيها تحسين أداء النموذج بناء على مقياس معين .على سبيل المثال ،يمكن حفظ النموذج الذي يحقق أقل خطأ أو أعلى دقة في
مجموعة البيانات.
2. ReduceLROnPlateau:
ReduceLROnPlateauهو مصغرة من تقنية تسمى "تقليل معدل التعلم) ،" (learning rate decayوالتي تستخدم لتحسين أداء النموذج أثناء التدريب .يتم
تطبيق هذه التقنية عندما يتوقف تحسين أداء النموذج بشكل كبير بعد عدة حلقات من التدريب.
ReduceLROnPlateauيعمل عن طريق تقليل معدل التعلم بنسبة محددة عندما يتم تحقيق شرط معين .على سبيل المثال ،يمكن تقليل معدل التعلم بنسبة ٪50إذا
لم يتم تحسين أداء النموذج بعد 3حلقات من التدريب.
تقليل معدل التعلم يساعد في تجنب الوقوع في األخطاء الكبيرة والتقلبات الكبيرة في األداء ،ويسمح للنموذج بالتقدم ببطء واستقرار أفضل.
3. EarlyStopping:
EarlyStoppingهي تقنية تستخدم لوقف عملية التدريب عندما يتوقف تحسين أداء النموذج بشكل كبير بعد عدة حلقات من التدريب .يهدف إلى منع النموذج من
التعلم الزائد )(overfittingعلى مجموعة البيانات التدريبية.
عند استخدام ،EarlyStoppingيتم مراقبة أداء النموذج في كل حلقة من حلقات التدريب ،وإذا لم يتم تحسين أداء النموذج بشكل كبير بعد عدة حلقات محددة
(مثال 5حلقات ) ،يتم إيقاف التدريب واستخدام النموذج الذي تم الحصول عليه حتى اآلن.
EarlyStoppingيساعد في تجنب التعلم الزائد وتوفير الوقت والموارد عن طريق توقف التدريب عندما يكون التحسين غير ملحوظ.
منحنى الخسارة )(loss curveهو تطور قيمة الخسارة على مراحل التدريب .يتم قياس
الخسارة بواسطة دالة الخسارة وتستخدم لتقييم أداء النموذج .يهدف منحنى الخسارة إلى أن
يكون هناك انخفاض تدريجي في قيمة الخسارة بمرور الوقت ،مما يشير إلى تحسن أداء
النموذج.
منحنى الدقة )(accuracy curveهو تطور دقة النموذج على مراحل التدريب .تعتبر الدقة
هي نسبة العينات المصنفة بشكل صحيح إلى إجمالي العينات .يتطلب منحنى الدقة أن يكون
هناك زيادة تدريجية في قيمة الدقة بمرور الوقت ،مما يشير إلى تحسن أداء النموذج.
".مالريا"يشير إلى عدد الحاالت التي تم تصنيفها بشكل صحيح كـ - True Positive (TP):
".مالريا"يشير إلى عدد الحاالت التي تم تصنيفها بشكل خاطئ كـ - False Positive (FP):
".بال مالريا"يشير إلى عدد الحاالت التي تم تصنيفها بشكل صحيح كـ - True Negative (TN):
".بال مالريا"يشير إلى عدد الحاالت التي تم تصنيفها بشكل خاطئ كـ - False Negative (FN):
بالطبع ،يمكن تغيير هذه األرقام بناء على البيانات الفعلية وأداء النموذج.