Handwritten Digit Recognition Using Deep Learning

الملخص

تُعدّ مهمة التعرّف على الأرقام المكتوبة بخط اليد (HDR) معياراً أساسياً في مجالات التعرّف على الأنماط ورؤية الحاسوب، وتستخدم لتقييم كفاءة النماذج العصبية المختلفة. يقدّم هذا العمل دراسة مقارنة لثلاثة نماذج: البرسيبترون البسيط (SP)، والبرسيبترون متعدّد الطبقات (MLP)، والشبكات العصبية الالتفافية (CNN) باستخدام قاعدة بيانات MNIST. شملت عمليات المعالجة المسبقة تطبيع البيانات وإعادة تشكيلها والترميز أحادي الحِدَّة لضمان اتساق الإدخال عبر النماذج. أظهر نموذج SP دقة بلغت %92.7، ما يعكس محدوديته في تمثيل العلاقات البصرية المعقدة. أما نموذج MLP فحقق دقة أعلى وصلت إلى %97.2 بفضل بنيته العميقة وقدرته على استخلاص تمثيلات أكثر تعبيراً. وحقق نموذج CNN أفضل أداء بدقة بلغت %98.9، مستفيداً من قدرته على استخلاص السمات المحلية عبر طبقات الالتفاف والتجميع. تؤكد هذه النتائج التفوق الواضح للشبكات الالتفافية في مهام HDR، مما يجعلها الخيار الأكثر فعالية للتطبيقات العملية مثل أنظمة OCR وأتمتة معالجة المستندات.