gh-kaka22/TechEng-Ar-Translations · Datasets at Hugging Face

En stringlengths 1 23.4k	Ar stringlengths 1 17.3k	EN_word_count int64 1 4.01k	AR_word_count int64 0 3.19k
okay uh the subject i want to  talk about in this video is	طيب أه الموضوع الذي أريد التحدث عنه في هذا الفيديو هو	13	11
the uh in the follow up of the subjects we  talked about classification and we talked about	أه في المتابعة من الموضوعات التي تحدثنا عنها عن التصنيف وتحدثنا عن	17	12
neural networks uh in the previous session  we talked about perceptron perceptron	الشبكات العصبية أه في الجلسة السابقة تحدثنا عن perceptron perceptron	12	10
is a is a neural network that has only  one neuron we said that perceptron	هو عبارة عن شبكة عصبية بها عصبون واحد فقط قلنا أنه يمكن استخدام perceptron	15	14
it could be used for learning when  the learning model is a linear model	ويمكن استخدامه للتعلم عندما يكون نموذج التعلم نموذجًا خطيًا	14	9
and we said that perceptron has some inputs	كمصنف وقلنا أن المستشعر لديه بعض المدخلات	8	7
some weights that are multiplied in the inputs  and then we had a adder that adds up the inputs	التي تتضاعف في المدخلات ومن ثم يكون لدينا أفعى يضيف المدخلات	19	11
and then we have an activation function  that forms the output of the perceptron	ومن ثم يكون لدينا تنشيط الوظيفة التي تشكل ناتج المستدرك	14	10
we talked about bias in the perceptron  what is bias what is activation function	تحدثنا عن التحيز في المدرك ما هو التحيز ما هي وظيفة التنشيط	14	12
uh we talked about learning in the  perceptron and we said that learning is	أه تحدثنا عن التعلم في المدرك وقلنا أن التعلم يحدد	14	10
setting the weights in the perceptron	الأوزان في المدرك	6	3
we talked about these issues okay	الذي تحدثنا عنه حول هذه القضايا ، حسنًا	6	8
the next subject we want to talk about	، الموضوع التالي الذي نريد التحدث عنه	8	7
is the the limitations of the perceptron  okay the limitations of the perceptron	هو قيود المدرك ، حسنًا ، حدود الإدراك الحسي ،	13	10
okay perceptron is a very good classifier  that could be used for classification	حسنًا ، يعتبر البيرسبترون مصنفًا جيدًا جدًا يمكن استخدامه للتصنيف	13	10
but one of the most important limitations of  the perceptron is that perceptron as we said	ولكن واحد من إن أهم قيود المدرك هو أن المدرك كما قلنا	16	12
ah look at this figure here okay you see data	آه ، انظر إلى هذا الشكل هنا حسنًا ، ترى البيانات	10	11
some data here some of the data are plus some  of them are minus these are the classes okay	بعض البيانات هنا بعض البيانات بالإضافة إلى بعضها ناقص هذه هي الفئات حسنًا	19	13
these are the outputs of the data some of them	هذه هي مخرجات البيانات بعضها	10	5
are plus one the class is plus one some of them  are minus one for example the apple and the pier	زائد واحد والفصل زائد واحد هم ناقص واحد ، على سبيل المثال التفاحة والرصيف	21	14
or the family car on and the non-family  car okay we have two classes here we have	أو السيارة العائلية والسيارة غير العائلية حسنًا ، لدينا فئتان هنا لدينا	17	12
two inputs x1 x2 these are the inputs okay so  this is our data and these are the inputs x1 x2	مدخلين x1 x2 هذه هي المدخلات على ما يرام ، لذا فهذه هي بياناتنا أ وهذه هي المدخلات x1 x2	21	20
okay now if if we want to do a classification on  this data it means that we want to distinguish	حسنًا الآن إذا أردنا القيام بتصنيف على هذه البيانات ، فهذا يعني أننا نريد التمييز	20	15
or we want to separate this data using a learning  model okay if we use a linear learning model	أو نريد فصل هذه البيانات باستخدام نموذج التعلم ، حسنًا إذا استخدمنا نموذج التعلم الخطي	19	15
if we use a linear learning model it would be  something like this okay we have a line here	إذا استخدمنا نموذج التعلم الخطي سيكون شيئًا من هذا القبيل ، حسنًا ، لدينا سطر هنا ،	19	17
can you see this this is a line a line this  line could be used to separate the data from	هل يمكنك أن ترى هذا سطرًا يمكن استخدام هذا الخط لفصل البيانات عن	20	13
the plus one class and the minus one class okay  so this line could be used for separating data	فئة زائد واحد وفئة ناقص واحد ، لذلك يمكن لهذا السطر يمكن استخدامه لفصل البيانات	19	15
this line could be used for separating data	يمكن استخدام هذا الخط لفصل البيانات	8	6
okay	حسنًا	1	1
uh	ولكن	1	1
but when the data could not be separated  using a line when the data could not be	عندما يتعذر فصل البيانات باستخدام خط عندما لا يمكن	17	9
separated using the line what happens okay  look at this example in the right okay	فصل البيانات باستخدام السطر ما يحدث حسنًا انظر إلى هذا المثال في اليمين حسنًا	15	14
you see here again we have two classes plus  one and minus one if if we want to separate the	ترى هنا مرة أخرى لدينا صنفان زائد واحد وسالب واحد إذا أردنا فصل	20	13
plus one class from the minus  one class okay uh we can't	فئة زائد واحد عن فئة ناقص واحد ، حسنًا ، لا يمكننا	12	12
have a line to do this okay we can't find a  line for separating the data in the two classes	الحصول على سطر للقيام بذلك ، حسنًا ، لا يمكننا العثور على سطر لفصل البيانات في	20	16
okay you can't find any line to separate the data  in the two classes okay how could we separate	لا يمكنك العثور على أي سطر للفصل بين الفئتين البيانات في الفصلين حسنًا ، كيف يمكننا فصل	19	17
these two classes from each other okay you okay  we need something like this okay look at this	هذين الفصلين عن بعضهما البعض ، حسنًا ، حسنًا ، نحن بحاجة إلى شيء مثل هذا حسنًا ، انظر إلى هذا	18	21
you see that if we have this	ترى أنه إذا كان لدينا	7	5
learning model if if we have this uh learning  model we could separate the data from the plus one	نموذج التعلم هذا إذا كان لدينا نموذج التعلم هذا ، فيمكننا فصل البيانات من فئة زائد واحد	19	17
class and the minus one class as you see this is  not a line this is a non-linear this is none sorry	وفئة ناقص واحد كما ترون ، هذا ليس سطرًا ، هذا غير خطي ، هذا ليس آسف	22	17
this is	هذا ،	2	2
uh let me write something here okay this is	دعني أكتب شيئًا هنا حسنًا ، هذا	9	7
non-linear this is a non-linear model	غير خطي ، هذا نموذج غير خطي	6	7
it's not a line this is called a non-linear  model learning model okay so it's not a line	إنه ليس سطرًا يسمى نموذج التعلم غير الخطي ، حسنًا ، لذا فهو ليس سطرًا ،	18	16
so in this data we can't use a line for separating  the data from the plus one class and the minus one	لذا في هذه البيانات لا يمكننا استخدام خط لفصل البيانات عن فئة زائد واحد وفئة ناقص واحدة ،	22	18
class okay so this is a limitation of  the perceptron we said that perceptron	حسنًا ، هذا قيد قلنا أن perceptron	14	7
is a learning model is a linear learning model  but a linear learning model has this limitation	هو نموذج تعليمي هو نموذج تعلم خطي ولكن نموذج التعلم الخطي لديه هذا القيد	17	14
that it can't be used for data  that is separated without a line	الذي لا يمكن استخدامه للبيانات المنفصلة بدون خط	13	8
okay	حسنًا	1	1
this limitation this limitation uh pushes  pushes us to the multi-layer percepture	، هذا القيد هذا القيد يدفعنا إلى متعدد الطبقات	12	9
as we said in the previous session	كما قلنا في السابق الجلسة	7	5
uh the neural network it is composed it  is composed of multiple computation units	أه الشبكة العصبية التي تتكون منها تتكون من عدة وحدات حسابية	14	11
each of these computation units	، كل وحدة من هذه الوحدات الحسابية	5	7
are called neurons	تسمى الخلايا العصبية	3	3
each of the neurons they have some inputs  and output and the nerve and the neurons are	، كل من الخلايا العصبية لديها بعض المدخلات والمخرجات والعصب والخلايا العصبية	17	12
to connected other uh the perceptron you  see you saw a perceptron was a single neuron	متصلة بالآخر أه المستدرك الذي تراه رأيت أن المستشعرات كانت عبارة عن خلية عصبية واحدة ،	16	16
but in the multi-layer perceptron we have  multiple neurons okay we have multiple neurons	ولكن في المستشعر متعدد الطبقات لدينا عدة خلايا عصبية ، حسنًا ، لدينا عدة خلايا عصبية	14	16
this is a very important uh issue about the  multi-layer perceptron so in the multi-layer	، هذه مسألة مهمة جدًا حول الإدراك متعدد الطبقات ، لذلك في الإدراك متعدد	15	14
perceptron we have multiple neurons  these neurons are ordered in in some	الطبقات لدينا خلايا عصبية متعددة هذه الخلايا العصبية هي مرتبة في بعض	12	12
layers okay okay we have  we have two layers here the	الطبقات ، حسنًا ، لدينا طبقتان هنا	11	7
the hidden layer and the output layer you see  that in the hidden layer we have two neurons	الطبقة المخفية وطبقة الإخراج التي تراها في الطبقة المخفية لدينا خليتان من الخلايا العصبية	18	14
and in the output layer we have three neurons	وفي طبقة الإخراج لدينا ثلاث خلايا عصبية	9	7
okay as i said we have several layers in the  multiple in the multi-layer perception in each	، حسنًا كما قلت لدينا عدة طبقات في المضاعف في الإدراك متعدد الطبقات في كل	17	15
layer there are some computation units or neurons  each of these neurons has some inputs and outputs	طبقة ، توجد بعض وحدات الحساب أو الخلايا العصبية لكل من هذه الخلايا العصبية بعض المدخلات والمخرجات ،	17	18
okay one issue about the multi-layer percep	مشكلة واحدة حول الإدراك	7	4
perceptron is how many neurons  should we use in each layer	متعدد الطبقات ron هو عدد الخلايا العصبية التي يجب أن نستخدمها في كل طبقة	11	14
okay uh as you see we have  two layers hidden and output	، حسنًا ، كما ترى ، لدينا طبقتان مخفيتان وإخراج	12	10
the number of neurons in the hidden layer  doesn't have any rule we don't have any rule	عدد الخلايا العصبية في الطبقة المخفية ليس لديها أي قاعدة ليس لدينا أي قاعدة	17	14
to decide about the number of neurons in the  hidden layer okay it's setting the number of	لتحديد عدد الخلايا العصبية في الطبقة المخفية حسنًا ، فإن تحديد عدد	17	12
neurons in the hidden layer is usually a trial  and error for process trial and error process	الخلايا العصبية في الطبقة المخفية عادة ما يكون تجربة وخطأ لعملية التجربة وعملية الخطأ ،	17	15
okay so in the hidden layer we don't have any rule	لذلك في الطبقة المخفية ليس لدينا أي قاعدة	11	8
for the number of neurons or computation  units but in the output layer we have a rule	لعدد الخلايا العصبية أو وحدات الحساب ولكن في طبقة الإخراج لدينا قاعدة	17	12
the number of neurons in the output layer  is equal to the number of classes in data	عدد الخلايا العصبية في طبقة المخرجات يساوي عدد الفئات في البيانات على	17	12
okay so this is uh a concept about  the multi-layer perceptron that	ما يرام ، لذلك هذا هو مفهوم حول الإدراك متعدد الطبقات وهو	12	12
how many neurons do we need in each layer  in the hidden layer we don't know but in the	عدد الخلايا العصبية التي نحتاجها في كل طبقة في الطبقة المخفية التي لا نعرفها ولكن في	19	16
output layer the number of neurons is equal to  the number of classes okay one other issue about	طبقة المخرجات ، عدد الخلايا العصبية يساوي عدد الفئات حسنًا ، هناك مشكلة أخرى تتعلق	18	15
the multi-layer perceptron is fully  connected fully connected means that	بالمستشعر متعدد الطبقات متصل بالكامل يعني أن	10	7
the output of each neuron is connected to the  input of all other neurons in the next layer	إخراج كل خلية عصبية متصل بالمدخل من جميع الخلايا العصبية الأخرى في ال الطبقة التالية	18	15
okay so fully connected means that	جيدة ، لذا فهي متصلة تمامًا تعني أن	6	8
the output of each neuron is selected  to the input of all the neurons	إخراج كل خلية عصبية يتم تحديده لإدخال جميع الخلايا العصبية على	14	11
okay so this is fully connected	ما يرام ، لذا فإن هذا متصل تمامًا	6	8
uh most most of the neural networks that we  have they are fully connected and again weights	بمعظم الشبكات العصبية التي لدينا وهي متصلة بالكامل ومرة أخرى تزن	17	11
as you s as you saw in the perceptron in the  multi-layer perceptron we have some weights too	كما تفعل لقد رأيت في المستشعر في المستشعر متعدد الطبقات لدينا بعض الأوزان بشكل جيد جدًا ،	18	17
okay	لذا فهذه	1	2
perceptron we have several layers in each layer  the number of neurons in the hidden layer is	لدينا عدة طبقات في كل طبقة الرقم من الخلايا العصبية في الطبقة المخفية	17	13
not precise we select it by some	ليست دقيقة ، فنحن نختارها ببعض	7	6
trial and error	التجارب والخطأ	3	2
and in the output layer the number of neurons  is equal to the number of classes in data fully	وفي طبقة المخرجات يكون عدد الخلايا العصبية مساويًا لعدد الفئات في البيانات	19	12
connected is another concept and weights weights  are the parameters of the learning model in the	المتصلة بالكامل مفهوم آخر والأوزان هي معلمات نموذج التعلم في	16	10
multi-layer perceptron	الإدراك متعدد الطبقات	2	3
okay as we said there is an activation function	، حسنًا كما قلنا ، هناك وظيفة تنشيط ،	9	9
there is an activation function in each neuron uh  in the multi-layer perceptron we usually use the	هناك وظيفة تنشيط في كل خلية عصبية آه في الإدراك متعدد الطبقات ، وعادة ما نستخدم	17	16
sigmoid function as the activation  function okay sigmoid function	وظيفة السيني كوظيفة التنشيط على ما يرام الوظيفة السينية	9	9
is a useful uh function that is used in the  output layer of the multi-layer perceptron	هي وظيفة أه مفيدة يتم استخدامها في طبقة الإخراج من الإدراك متعدد الطبقات ،	16	14
okay so the activation function is usually sigmoid	لذا فإن وظيفة التنشيط عادة ما تكون سينية	8	8
okay learning	جيدة ، تعلم	2	3
the first point is that in the	النقطة الأولى هي أنه في	7	5
multi-layer perceptron the learning  model is a non-linear model	الإدراك متعدد الطبقات ، يكون نموذج التعلم نموذجًا غير خطي	9	10
in the perceptron we said that  the learning model is linear	قلنا في الإدراك الحسي أن نموذج التعلم خطي	11	8
but in the multi-layer perceptron it is non-linear	ولكن في الإدراك متعدد الطبقات يكون غير خطي ،	8	9

okay uh the subject i want to  talk about in this video is

طيب أه الموضوع الذي أريد التحدث عنه في هذا الفيديو هو

13

11

the uh in the follow up of the subjects we  talked about classification and we talked about  

أه في المتابعة من الموضوعات التي تحدثنا عنها عن التصنيف وتحدثنا عن

17

12

neural networks uh in the previous session  we talked about perceptron perceptron  

الشبكات العصبية أه في الجلسة السابقة تحدثنا عن perceptron perceptron

12

10

is a is a neural network that has only  one neuron we said that perceptron

هو عبارة عن شبكة عصبية بها عصبون واحد فقط قلنا أنه يمكن استخدام perceptron

15

14

it could be used for learning when  the learning model is a linear model

ويمكن استخدامه للتعلم عندما يكون نموذج التعلم نموذجًا خطيًا

14

9

and we said that perceptron has some inputs  

كمصنف وقلنا أن المستشعر لديه بعض المدخلات

8

7

some weights that are multiplied in the inputs  and then we had a adder that adds up the inputs  

التي تتضاعف في المدخلات ومن ثم يكون لدينا أفعى يضيف المدخلات

19

11

and then we have an activation function  that forms the output of the perceptron

ومن ثم يكون لدينا تنشيط الوظيفة التي تشكل ناتج المستدرك

14

10

we talked about bias in the perceptron  what is bias what is activation function  

تحدثنا عن التحيز في المدرك ما هو التحيز ما هي وظيفة التنشيط

14

12

uh we talked about learning in the  perceptron and we said that learning is

أه تحدثنا عن التعلم في المدرك وقلنا أن التعلم يحدد

14

10

setting the weights in the perceptron

الأوزان في المدرك

6

3

we talked about these issues okay

الذي تحدثنا عنه حول هذه القضايا ، حسنًا

6

8

the next subject we want to talk about

، الموضوع التالي الذي نريد التحدث عنه

8

7

is the the limitations of the perceptron  okay the limitations of the perceptron  

هو قيود المدرك ، حسنًا ، حدود الإدراك الحسي ،

13

10

okay perceptron is a very good classifier  that could be used for classification  

حسنًا ، يعتبر البيرسبترون مصنفًا جيدًا جدًا يمكن استخدامه للتصنيف

13

10

but one of the most important limitations of  the perceptron is that perceptron as we said  

ولكن واحد من إن أهم قيود المدرك هو أن المدرك كما قلنا

16

12

ah look at this figure here okay you see data

آه ، انظر إلى هذا الشكل هنا حسنًا ، ترى البيانات

10

11

some data here some of the data are plus some  of them are minus these are the classes okay  

بعض البيانات هنا بعض البيانات بالإضافة إلى بعضها ناقص هذه هي الفئات حسنًا

19

13

these are the outputs of the data some of them  

هذه هي مخرجات البيانات بعضها

10

5

are plus one the class is plus one some of them  are minus one for example the apple and the pier  

زائد واحد والفصل زائد واحد هم ناقص واحد ، على سبيل المثال التفاحة والرصيف

21

14

or the family car on and the non-family  car okay we have two classes here we have  

أو السيارة العائلية والسيارة غير العائلية حسنًا ، لدينا فئتان هنا لدينا

17

12

two inputs x1 x2 these are the inputs okay so  this is our data and these are the inputs x1 x2  

مدخلين x1 x2 هذه هي المدخلات على ما يرام ، لذا فهذه هي بياناتنا أ وهذه هي المدخلات x1 x2

21

20

okay now if if we want to do a classification on  this data it means that we want to distinguish  

حسنًا الآن إذا أردنا القيام بتصنيف على هذه البيانات ، فهذا يعني أننا نريد التمييز

20

15

or we want to separate this data using a learning  model okay if we use a linear learning model  

أو نريد فصل هذه البيانات باستخدام نموذج التعلم ، حسنًا إذا استخدمنا نموذج التعلم الخطي

19

15

if we use a linear learning model it would be  something like this okay we have a line here  

إذا استخدمنا نموذج التعلم الخطي سيكون شيئًا من هذا القبيل ، حسنًا ، لدينا سطر هنا ،

19

17

can you see this this is a line a line this  line could be used to separate the data from  

هل يمكنك أن ترى هذا سطرًا يمكن استخدام هذا الخط لفصل البيانات عن

20

13

the plus one class and the minus one class okay  so this line could be used for separating data

فئة زائد واحد وفئة ناقص واحد ، لذلك يمكن لهذا السطر يمكن استخدامه لفصل البيانات

19

15

this line could be used for separating data

يمكن استخدام هذا الخط لفصل البيانات

8

6

okay

حسنًا

1

uh

ولكن

1

but when the data could not be separated  using a line when the data could not be  

عندما يتعذر فصل البيانات باستخدام خط عندما لا يمكن

17

9

separated using the line what happens okay  look at this example in the right okay  

فصل البيانات باستخدام السطر ما يحدث حسنًا انظر إلى هذا المثال في اليمين حسنًا

15

14

you see here again we have two classes plus  one and minus one if if we want to separate the  

ترى هنا مرة أخرى لدينا صنفان زائد واحد وسالب واحد إذا أردنا فصل

20

13

plus one class from the minus  one class okay uh we can't  

فئة زائد واحد عن فئة ناقص واحد ، حسنًا ، لا يمكننا

12

have a line to do this okay we can't find a  line for separating the data in the two classes

الحصول على سطر للقيام بذلك ، حسنًا ، لا يمكننا العثور على سطر لفصل البيانات في

20

16

okay you can't find any line to separate the data  in the two classes okay how could we separate  

لا يمكنك العثور على أي سطر للفصل بين الفئتين البيانات في الفصلين حسنًا ، كيف يمكننا فصل

19

17

these two classes from each other okay you okay  we need something like this okay look at this

هذين الفصلين عن بعضهما البعض ، حسنًا ، حسنًا ، نحن بحاجة إلى شيء مثل هذا حسنًا ، انظر إلى هذا

18

21

you see that if we have this

ترى أنه إذا كان لدينا

7

5

learning model if if we have this uh learning  model we could separate the data from the plus one  

نموذج التعلم هذا إذا كان لدينا نموذج التعلم هذا ، فيمكننا فصل البيانات من فئة زائد واحد

19

17

class and the minus one class as you see this is  not a line this is a non-linear this is none sorry

وفئة ناقص واحد كما ترون ، هذا ليس سطرًا ، هذا غير خطي ، هذا ليس آسف

22

17

this is

هذا ،

2

uh let me write something here okay this is

دعني أكتب شيئًا هنا حسنًا ، هذا

9

7

non-linear this is a non-linear model

غير خطي ، هذا نموذج غير خطي

6

7

it's not a line this is called a non-linear  model learning model okay so it's not a line

إنه ليس سطرًا يسمى نموذج التعلم غير الخطي ، حسنًا ، لذا فهو ليس سطرًا ،

18

16

so in this data we can't use a line for separating  the data from the plus one class and the minus one  

لذا في هذه البيانات لا يمكننا استخدام خط لفصل البيانات عن فئة زائد واحد وفئة ناقص واحدة ،

22

18

class okay so this is a limitation of  the perceptron we said that perceptron  

حسنًا ، هذا قيد قلنا أن perceptron

14

7

is a learning model is a linear learning model  but a linear learning model has this limitation  

هو نموذج تعليمي هو نموذج تعلم خطي ولكن نموذج التعلم الخطي لديه هذا القيد

17

14

that it can't be used for data  that is separated without a line

الذي لا يمكن استخدامه للبيانات المنفصلة بدون خط

13

8

okay

حسنًا

1

this limitation this limitation uh pushes  pushes us to the multi-layer percepture  

، هذا القيد هذا القيد يدفعنا إلى متعدد الطبقات

12

9

as we said in the previous session  

كما قلنا في السابق الجلسة

7

5

uh the neural network it is composed it  is composed of multiple computation units

أه الشبكة العصبية التي تتكون منها تتكون من عدة وحدات حسابية

14

11

each of these computation units

، كل وحدة من هذه الوحدات الحسابية

5

7

are called neurons

تسمى الخلايا العصبية

3

each of the neurons they have some inputs  and output and the nerve and the neurons are  

، كل من الخلايا العصبية لديها بعض المدخلات والمخرجات والعصب والخلايا العصبية

17

12

to connected other uh the perceptron you  see you saw a perceptron was a single neuron  

متصلة بالآخر أه المستدرك الذي تراه رأيت أن المستشعرات كانت عبارة عن خلية عصبية واحدة ،

16

but in the multi-layer perceptron we have  multiple neurons okay we have multiple neurons  

ولكن في المستشعر متعدد الطبقات لدينا عدة خلايا عصبية ، حسنًا ، لدينا عدة خلايا عصبية

14

16

this is a very important uh issue about the  multi-layer perceptron so in the multi-layer  

، هذه مسألة مهمة جدًا حول الإدراك متعدد الطبقات ، لذلك في الإدراك متعدد

15

14

perceptron we have multiple neurons  these neurons are ordered in in some

الطبقات لدينا خلايا عصبية متعددة هذه الخلايا العصبية هي مرتبة في بعض

12

layers okay okay we have  we have two layers here the

الطبقات ، حسنًا ، لدينا طبقتان هنا

11

7

the hidden layer and the output layer you see  that in the hidden layer we have two neurons  

الطبقة المخفية وطبقة الإخراج التي تراها في الطبقة المخفية لدينا خليتان من الخلايا العصبية

18

14

and in the output layer we have three neurons

وفي طبقة الإخراج لدينا ثلاث خلايا عصبية

9

7

okay as i said we have several layers in the  multiple in the multi-layer perception in each  

، حسنًا كما قلت لدينا عدة طبقات في المضاعف في الإدراك متعدد الطبقات في كل

17

15

layer there are some computation units or neurons  each of these neurons has some inputs and outputs  

طبقة ، توجد بعض وحدات الحساب أو الخلايا العصبية لكل من هذه الخلايا العصبية بعض المدخلات والمخرجات ،

17

18

okay one issue about the multi-layer percep  

مشكلة واحدة حول الإدراك

7

4

perceptron is how many neurons  should we use in each layer

متعدد الطبقات ron هو عدد الخلايا العصبية التي يجب أن نستخدمها في كل طبقة

11

14

okay uh as you see we have  two layers hidden and output

، حسنًا ، كما ترى ، لدينا طبقتان مخفيتان وإخراج

12

10

the number of neurons in the hidden layer  doesn't have any rule we don't have any rule  

عدد الخلايا العصبية في الطبقة المخفية ليس لديها أي قاعدة ليس لدينا أي قاعدة

17

14

to decide about the number of neurons in the  hidden layer okay it's setting the number of  

لتحديد عدد الخلايا العصبية في الطبقة المخفية حسنًا ، فإن تحديد عدد

17

12

neurons in the hidden layer is usually a trial  and error for process trial and error process

الخلايا العصبية في الطبقة المخفية عادة ما يكون تجربة وخطأ لعملية التجربة وعملية الخطأ ،

17

15

okay so in the hidden layer we don't have any rule  

لذلك في الطبقة المخفية ليس لدينا أي قاعدة

11

8

for the number of neurons or computation  units but in the output layer we have a rule  

لعدد الخلايا العصبية أو وحدات الحساب ولكن في طبقة الإخراج لدينا قاعدة

17

12

the number of neurons in the output layer  is equal to the number of classes in data

عدد الخلايا العصبية في طبقة المخرجات يساوي عدد الفئات في البيانات على

17

12

okay so this is uh a concept about  the multi-layer perceptron that  

ما يرام ، لذلك هذا هو مفهوم حول الإدراك متعدد الطبقات وهو

12

how many neurons do we need in each layer  in the hidden layer we don't know but in the  

عدد الخلايا العصبية التي نحتاجها في كل طبقة في الطبقة المخفية التي لا نعرفها ولكن في

19

16

output layer the number of neurons is equal to  the number of classes okay one other issue about  

طبقة المخرجات ، عدد الخلايا العصبية يساوي عدد الفئات حسنًا ، هناك مشكلة أخرى تتعلق

18

15

the multi-layer perceptron is fully  connected fully connected means that

بالمستشعر متعدد الطبقات متصل بالكامل يعني أن

10

7

the output of each neuron is connected to the  input of all other neurons in the next layer

إخراج كل خلية عصبية متصل بالمدخل من جميع الخلايا العصبية الأخرى في ال الطبقة التالية

18

15

okay so fully connected means that  

جيدة ، لذا فهي متصلة تمامًا تعني أن

6

8

the output of each neuron is selected  to the input of all the neurons

إخراج كل خلية عصبية يتم تحديده لإدخال جميع الخلايا العصبية على

14

11

okay so this is fully connected  

ما يرام ، لذا فإن هذا متصل تمامًا

6

8

uh most most of the neural networks that we  have they are fully connected and again weights  

بمعظم الشبكات العصبية التي لدينا وهي متصلة بالكامل ومرة أخرى تزن

17

11

as you s as you saw in the perceptron in the  multi-layer perceptron we have some weights too

كما تفعل لقد رأيت في المستشعر في المستشعر متعدد الطبقات لدينا بعض الأوزان بشكل جيد جدًا ،

18

17

okay

لذا فهذه

1

2

perceptron we have several layers in each layer  the number of neurons in the hidden layer is  

لدينا عدة طبقات في كل طبقة الرقم من الخلايا العصبية في الطبقة المخفية

17

13

not precise we select it by some

ليست دقيقة ، فنحن نختارها ببعض

7

6

trial and error

التجارب والخطأ

3

2

and in the output layer the number of neurons  is equal to the number of classes in data fully  

وفي طبقة المخرجات يكون عدد الخلايا العصبية مساويًا لعدد الفئات في البيانات

19

12

connected is another concept and weights weights  are the parameters of the learning model in the

المتصلة بالكامل مفهوم آخر والأوزان هي معلمات نموذج التعلم في

16

10

multi-layer perceptron

الإدراك متعدد الطبقات

2

3

okay as we said there is an activation function

، حسنًا كما قلنا ، هناك وظيفة تنشيط ،

9

there is an activation function in each neuron uh  in the multi-layer perceptron we usually use the

هناك وظيفة تنشيط في كل خلية عصبية آه في الإدراك متعدد الطبقات ، وعادة ما نستخدم

17

16

sigmoid function as the activation  function okay sigmoid function  

وظيفة السيني كوظيفة التنشيط على ما يرام الوظيفة السينية

9

is a useful uh function that is used in the  output layer of the multi-layer perceptron

هي وظيفة أه مفيدة يتم استخدامها في طبقة الإخراج من الإدراك متعدد الطبقات ،

16

14

okay so the activation function is usually sigmoid

لذا فإن وظيفة التنشيط عادة ما تكون سينية

8

okay learning

جيدة ، تعلم

2

3

the first point is that in the  

النقطة الأولى هي أنه في

7

5

multi-layer perceptron the learning  model is a non-linear model

الإدراك متعدد الطبقات ، يكون نموذج التعلم نموذجًا غير خطي

9

10

in the perceptron we said that  the learning model is linear  

قلنا في الإدراك الحسي أن نموذج التعلم خطي

11

8

but in the multi-layer perceptron it is non-linear

ولكن في الإدراك متعدد الطبقات يكون غير خطي ،

8

9