‫‪CNN‬‬

‫استخراج الميزات وتطبيق المرشحات ‪1.CONV:‬‬

‫تجميع الميزات من خالل تقليل الحجم والحفاظ على الميزات المهمة‪2. MAX POOLING :‬‬
‫تحويل الى مصفوفة ذات بعد واحد ‪3. FATTENING:‬‬
‫بناء جميع الموصالت في الشبكة تعني اتصال كلي ‪4. FULL CONNECTION :‬‬
‫‪RELU:‬‬

‫‪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 مصابة‬

‫= الحساسية‬
‫عدد الصور المصابة الكلي‬

‫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.‬‬

‫منحنى )‪ROC (Receiver Operating Characteristic curve‬هو منحنى يستخدم لتقييم‬

‫أداء نموذج التصنيف الثنائي ‪.‬يقاس أداء النموذج بواسطة معدل الكشف ‪(True Positive‬‬
‫)‪Rate‬على محور الصادقين )‪(True Positive‬ومعدل الكاذب )‪(False Positive Rate‬‬
‫على محور الكاذبين ‪(False Positive).‬يهدف منحنى ‪ROC‬إلى أن يكون قريبا من الزاوية‬
‫اليسرى العلوية للرسم البياني‪ ،‬مما يشير إلى أداء جيد للنموذج‪.‬‬
‫لتقييم أداء )‪ ،(Confusion Matrix‬يمكن استخدام مصفوفة االرتباط "بال مالريا"أو "مالريا"بالنسبة لتصنيف الحاالت إلى‬
‫‪: True Positive (TP) ،False Positive (FP) ،True Negative (TN) ،‬تحتوي مصفوفة االرتباط على أربعة قيم ‪.‬النموذج‬
‫‪False Negative (FN).‬و‬

‫‪".‬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):‬‬

‫‪:‬بالنسبة لألرقام االفتراضية‪ ،‬يمكن تعيينها كما يلي‬

‫‪- TP = 70‬‬
‫‪- FP = 20‬‬
‫‪- TN = 80‬‬
‫‪- FN = 10‬‬

‫بالطبع‪ ،‬يمكن تغيير هذه األرقام بناء على البيانات الفعلية وأداء النموذج‪.‬‬