קורס בינה מלאכותית RB30-10 :
משקפי בינה מלאכותית :
חלק ב : רשת נוירונים
רשת נוירונים — מהי?
רשת נוירונים היא מודל מתמטי שמנסה ללמוד קשר בין קלט לבין פלט מתוך דוגמאות.
לדוגמה:
| קלט | פלט רצוי |
|---|---|
| תמונה של חתול | חתול |
| קול של רחפן | רחפן |
| טמפרטורה, לחות, אור | החלטה: להשקות / לא להשקות |
| תמונה מכביש | רכב / אדם / תמרור |
הרשת לא מקבלת חוקים ידניים כמו:
אם יש אוזניים ושפם אז זה חתול
אלא היא לומדת לבד מתוך הרבה דוגמאות.
1. הרעיון הבסיסי
רשת נוירונים בנויה מיחידות קטנות שנקראות נוירונים.
כל נוירון מקבל מספרים, מבצע חישוב, ומוציא מספר חדש.
לדוגמה:
קלטים → חישוב → פלט
בצורה פשוטה:
x1, x2, x3 → neuron → y
2. מה יש בתוך נוירון?
כל נוירון עושה בערך את זה:
y = x1w1 + x2w2 + x3*w3 + b
פירוש:
| סימן | משמעות |
|---|---|
| x | קלט |
| w | משקל |
| b | הטיה |
| y | תוצאה |
המשקל w אומר לרשת כמה חשוב כל קלט.
3. דוגמה פשוטה — זיהוי כלב או חתול
נניח שהרשת צריכה להחליט האם בתמונה מופיע כלב או חתול.
הקלט הוא תמונה.
המטרה היא שהרשת תחזיר תשובה:
כלב
או:
חתול
בהתחלה הרשת לא יודעת כלום.
היא לא באמת מבינה מה זה כלב ומה זה חתול.
היא מקבלת אלפי תמונות לדוגמה:
| תמונה | תשובה נכונה |
|---|---|
| תמונה 1 | חתול |
| תמונה 2 | כלב |
| תמונה 3 | חתול |
| תמונה 4 | כלב |
| תמונה 5 | כלב |
כל תמונה הופכת למספרים.
במחשב, תמונה היא אוסף גדול של פיקסלים.
כל פיקסל הוא מספר שמייצג צבע או עוצמת אור.
לדוגמה:
פיקסלים של תמונה → מספרים → רשת נוירונים → תשובה
הרשת מסתכלת על אלפי תמונות של חתולים וכלבים.
לאט לאט היא לומדת תבניות.
למשל, היא יכולה ללמוד שבתמונות של חתולים יש לפעמים:
אוזניים מחודדות
עיניים מסוימות
שפם
מבנה פנים צר יותר
פרווה מסוימת
ובתמונות של כלבים יש לפעמים:
חוטם ארוך יותר
אוזניים שונות
מבנה גוף אחר
צורת פנים אחרת
מרקם פרווה שונה
אבל חשוב להבין:
הרשת לא לומדת כמו בן אדם.
היא לא אומרת לעצמה:
"ראיתי שפם, לכן זה חתול."
במקום זה היא לומדת קשרים מספריים בין הפיקסלים לבין התשובה הנכונה.
איך היא לומדת מתוך אלפי תמונות?
בכל פעם הרשת מקבלת תמונה אחת.
לדוגמה:
תמונה של חתול
הרשת נותנת ניחוש:
כלב: 0.70
חתול: 0.30
כלומר הרשת חושבת שזה כלב בסיכוי 70%.
אבל התשובה הנכונה היא חתול.
לכן יש שגיאה.
עכשיו הרשת מתקנת את המשקלים שלה.
בפעם הבאה שהיא תראה תמונה דומה, היא תנסה לתת תשובה טובה יותר.
אחרי אלפי תמונות, התהליך חוזר שוב ושוב:
- הרשת מקבלת תמונה
- הרשת נותנת ניחוש
- בודקים מה התשובה הנכונה
- מחשבים כמה הרשת טעתה
- מתקנים את המשקלים
- ממשיכים לתמונה הבאה
אחרי הרבה מאוד חזרות, הרשת משתפרת.
בסוף היא יכולה לקבל תמונה חדשה שהיא לא ראתה בזמן האימון, ולנסות לזהות אם זה כלב או חתול.
לדוגמה:
כלב: 0.04
חתול: 0.96
כלומר הרשת חושבת שיש סיכוי של 96% שזה חתול.
4. מהי שכבה ברשת?
רשת נוירונים כוללת כמה שכבות:
Input Layer → Hidden Layers → Output Layer
Input Layer
מקבלת את הנתונים.
לדוגמה בתמונה:
פיקסלים של תמונה
Hidden Layers
מבצעות את הלמידה והחישובים.
בשכבות הראשונות הרשת יכולה ללמוד דברים פשוטים כמו:
קווים
קצוות
צבעים
בהירות
בשכבות עמוקות יותר היא יכולה ללמוד דברים מורכבים יותר כמו:
עיניים
אוזניים
פרווה
צורת פנים
מבנה גוף
Output Layer
נותנת את התוצאה.
לדוגמה:
חתול: 0.92
כלב: 0.08
הרשת אומרת: יש סיכוי של 92% שזה חתול.
5. איך הרשת לומדת?
הרשת מתחילה עם משקלים אקראיים.
בהתחלה היא טועה הרבה.
אחר כך היא עושה תהליך כזה:
- מקבלת קלט
- נותנת תשובה
- משווה לתשובה הנכונה
- מחשבת שגיאה
- מתקנת את המשקלים
- חוזרת על זה אלפי פעמים
זה נקרא Training — אימון.
6. מהי שגיאה?
אם התשובה הנכונה היא:
חתול
והרשת אמרה:
כלב
יש שגיאה גדולה.
אם הרשת אמרה:
חתול בסיכוי 90%
השגיאה קטנה.
המטרה של האימון היא:
להקטין את השגיאה כמה שיותר
7. מה הרשת באמת לומדת?
הרשת לא "מבינה" כמו בן אדם.
היא לומדת תבניות מספריות.
בתמונה היא יכולה ללמוד:
קצוות
צורות
צבעים
מרקמים
מבנה פנים
גלגלים
כנפיים
בקול היא יכולה ללמוד:
תדרים
קצב
עוצמה
תבנית רעש
שינוי בזמן
8. דוגמה: זיהוי לפי קול
הקלט:
קובץ קול
מעבדים אותו לתמונה שנקראת Spectrogram.
הרשת מקבלת את ה־Spectrogram ולומדת לזהות:
רכב
רוח
דיבור
רעש רקע
בסוף היא מחזירה:
Car: 0.79
Wind: 0.03
..
..
Speech: 0.02
כלומר הרשת חושבת שזה רכב
9. למה קוראים לזה רשת?
כי יש הרבה נוירונים מחוברים זה לזה.
דוגמה:
Input → Neuron → Neuron → Neuron → Output
ברשת גדולה יש אלפי, מיליוני, ואפילו מיליארדי חיבורים.
10. משפט חשוב לסטודנט מתחיל
רשת נוירונים היא לא קסם.
היא פשוט מערכת שמכוונת מספרים פנימיים כדי להפוך קלט לפלט נכון.
היא לומדת בעזרת דוגמאות, טעויות ותיקונים.
סיכום קצר
רשת נוירונים היא מודל שלומד מדוגמאות.
היא מקבלת קלט, מחשבת תוצאה, משווה לתשובה הנכונה, מתקנת את עצמה, ומשתפרת עם הזמן.
Data → Neural Network → Prediction → Error → Correction → Better Prediction
https://colab.research.google.com/drive/1aS5y_LKPePjloHi57PZforMGqOESZGgX?usp=sharing
4. ,תרגיל כיתה : בניית רשת ניירונים בעזרת בינה מלאוכתית
4.1 בנה בעזרת בינה מלאוכתי רשת ניירונים בקוד פייטון – בסביבת פיתוח קולאב אשר מקבל את הנתונים הבאים
4.2 הצג את גרף הלימודה הפעל על 40 איפוקס , 100 איפוקס האם הרשת למדה או דרוש יותר ?
4.3 נבא את התוצאות : הבאות
0.1 , 1.5 . -2.85 , 2.6
4.4 הצג את גרף הנתונים של סידרה a ואת הערכים לניסוי
נתונים ערכים לשאלה :
רשתות ניירונים ANN בינה מלאכותית
הרשת שבה השתמשנו היא רשת מסוג Classification (סיווג), כלומר – רשת שנועדה לבחור בין כמה אפשרויות ולהחליט לאיזו קטגוריה שייך הקלט. במקרה שלנו, הרשת מקבלת מיקום של נקודה במרחב (שני ערכים: X ו־Y) ומסווגת אותה לאחת משלוש קבוצות: אדום, ירוק או כחול.
רשת כזו שייכת למשפחת הרשתות העצביות המלאכותיות (Artificial Neural Networks), ובפרט – לרשתות מסוג Dense Feedforward, שבהן כל נוירון בשכבה אחת מחובר לכל הנוירונים בשכבה הבאה. הרשת מתבססת על למידה מפוקחת (Supervised Learning) – כלומר, היא לומדת מדוגמאות מתויגות מראש.
במה היא שונה מרשת שחוזה ערך כמו טמפרטורה?
רשת שמטרתה לחזות טמפרטורה (או כל ערך מספרי אחר) נקראת Regression Network (רשת רגרסיה). במקום לבחור קטגוריה, היא מנבאת ערך רציף אחד, למשל: 21.4 מעלות.
הבדל עיקרי בין סיווג לרגרסיה:
-
Classification – הפלט הוא אחת מתוך קבוצה סופית של אפשרויות (למשל: אדום, ירוק או כחול) , זהוי מילה שהוקלטה , קטגוריה של המוצר , קטגוריה של התקלה , האם האדם קופץ הולך , נופל מתגלגל .
- הפלט ברשת סיווג הוא לרוב וקטור של הסתברויות לכל קטגוריה, והרשת בוחרת את ההסתברות הגבוהה ביותר.
-
Regression – הפלט הוא מספר ממשי אחד מתוך טווח בלתי מוגבל (למשל: חיזוי מחיר של מוצר, טמפרטורה , גובה , לחץ של תמיסה).
- רגרסיה הפלט הוא פשוט מספר אחד – פלט אחד
חלק ג: – אלגוריתם גנטי עם רשת נוירונים
