التعلم العميق هو فرع من تعلم الآلة يقوم على تكديس عدد كبير من طبقات الخلايا العصبية الاصطناعية لتحويل البيانات الخام (بكسلات، أصوات، كلمات) تدريجياً إلى مفاهيم أكثر تجريداً. التشبيه المعروف: مثل الدماغ الذي يلتقط أولاً الحواف، ثم الأشكال، ثم الوجه، تتعلم الشبكة تسلسلاً هرمياً من التمثيلات، طبقةً بعد طبقة.
الخلية العصبية، اللبنة الأساسية
تحسب كل خلية عصبية مجموعاً موزوناً لمدخلاتها، تضيف إليه قيمة انحياز، ثم تطبّق دالة تنشيط غير خطية. هذه اللاخطية (مثل ReLU) هي ما يمكّن الشبكة من نمذجة العلاقات المعقدة.
$$ y = \sigma!\left(\sum_{i=1}^{n} w_i x_i + b\right) $$
الأوزان $w_i$ وقيمة الانحياز $b$ ليست مبرمجة يدوياً، بل تُتعلَّم تلقائياً.
كيف تتعلم الشبكة
يكرّر التدريب مرحلتين:
- الانتشار الأمامي: تمر البيانات عبر الطبقات لتنتج تنبؤاً.
- الانتشار الخلفي: يُقاس الخطأ عبر دالة الخسارة، ثم يضبط انحدار التدرّج الأوزان لتقليل هذا الخطأ.
التعلم الكلاسيكي مقابل العميق
| المعيار | التعلم الكلاسيكي | التعلم العميق |
|---|---|---|
| السمات | مصمَّمة يدوياً | متعلَّمة تلقائياً |
| البيانات المطلوبة | معتدلة | ضخمة |
| القدرة الحاسوبية | منخفضة | عالية (GPU) |
يهيمن التعلم العميق اليوم على الرؤية الحاسوبية ومعالجة الكلام واللغة الطبيعية، ويشكّل الأساس الذي تقوم عليه النماذج الكبيرة الحديثة.
قوّته تكمن في تعلّم التمثيلات المناسبة مباشرةً من البيانات، بدل إملائها يدوياً.