شبکه عصبی چیست؟ در این مقاله قصد داریم درباره شبکههای عصبی و انواع و کارکردهای آن توضیح دهیم. با ما همراه باشید.
بیشتر بخوانید: انواع هوش مصنوعی چیست؟
تعریف شبکه عصبی چیست؟
” شبکه عصبی عبارت است از یک سامانه حسابگر که از تعدادی المانهای پردازشی ساده و بهم متصل ساخته شده است. این سامانه به وسیله پاسخ وضعیت دینامیکی به ورودیهای خارجی، اطلاعات را پردازش میکند.”
به عبارت دیگر، میتوان شبکه عصبی مصنوعی را یک مدل محاسباتی در نظر گرفت که عملکرد آن، الهام گرفته از شبکههای عصبی بیولوژیکی موجود در مغز انسان است. این شبکهها وظیفه پردازش اطلاعات را بر عهده دارند.
شبکههای عصبی چگونه کار میکنند؟
شبکههای عصبی دادهها را دریافت و در لایههای مخفی خود آنها را تحلیل میکنند تا نهایتا یک خروجی ارائه بدهند. این دادهها میتوانند گروهی از تصاویر، صداها، نوشتهها و… باشند که باید ترجمه و برای یک ماشین قابل درک بشوند.
به کمک شبکههای عصبی، اطلاعات را طبقهبندی میکنیم؛ اطلاعات مختلف میتوانند بر اساس شباهت به مثالی مشخص، گروهبندی شوند. آنها حتی میتوانند امکانات و دادههای لازم برای تغذیه به یک الگوریتم دیگر را هم فراهم و طبقهبندی کنند.
ساختار عمومی یک نورون
در تصویر بالا پنج عنصر وجود دارد:
اول Xها هستند. اینها همان ورودیهای ما (نرونهای ورودی) هستند که از مجموعهی دادهها استفاده میکنند. در واقع ورودیِ الگوریتم همینها Xها هستند که در این تصویر از X1 تا Xn وجود دارند.
عناصرِ دوم وزنها هستند. در شبکههای عصبی هر کدام از Xها یک وزن دارد که با W نمایش میدهیم. همانطور که مشاهده میکنید هر کدام از ورودیهای ما به یک وزن متصل شده است. در واقع هر ورودی (مثلا X1 یک وزن به اسم W1 دارد) که باید در وزنِ خود ضرب شود.
عنصرِ سوم در شبکهی عصبی تابع جمع(سیگما) است. که حاصلِ ضربِ Xها در Wها را با هم جمع میکند.
عنصر چهارم یک تابع فعالسازی است که فعلاً به دلیل سادهسازیِ مطلب به آن نمیپردازیم.
عنصرِ پنجم و آخر نیز خروجیِ شبکهی عصبی است که در واقع نتیجهی این شبکه را مشخص میکند.
شبكه عصبي چه قابليتهائي دارد؟
۱. محاسبه يك تابع معلوم
۲. تقريب يك تابع ناشناخته
۳. شناسائي الگو
۴. پردازش سيگنال
۵. يادگيري انجام موارد فوق
مسائل مناسب براي يادگيري شبكههاي عصبي
خطا در دادههاي آموزشي ممکن است وجود داشته باشد. مثل مسائلي كه دادههاي آموزشي داراي نويز حاصل از دادهاي سنسورها نظير دوربين و ميكروفنها هستند.
مواردي كه نمونهها توسط مقادير زيادي زوج ويژگي- مقدار نشان داده شده باشند. نظير دادههاي حاصل از يك دوربين ويدئوئي. تابع هدف داراي مقادير پيوسته باشد.
زمان كافي براي يادگيري وجود داشته باشد. اين روش در مقايسه با روشهاي ديگر نظير درخت تصميم نياز به زمان بيشتري براي يادگيري دارد.
نيازي به تعبير تابع هدف نباشد. زيرا به سختي ميتوان اوزان يادگرفته شده توسط شبكه را تعبير نمود.
انواع شبکههای عصبی
در این جا، و در ادامه این بحث که شبکه عصبی چیست، برخی از انواع شبکههای عصبی را بررسی میکنیم:
شبکههای عصبی Perceptron پرسپترون
سادهترین نوع شبکههای عصبی و قدیمیترین آنها میباشد که تعدادی ورودی را دریافت و پس از تجمیع کردن آنها را به لایه ی خروجی ارسال می کند.
شبکههای عصبی Feed Forward Neural Networks یا پیشخور
یکی دیگر از انواع قدیمی شبکههای عصبی، شبکههای عصبی پیشخور میباشد که به اختصار به آنها FF نیز گفته میشود؛ رویکرد این نوع شبکه عصبی از دهه 50 میلادی میآید. قوانین اصلی این نوع شبکه های عصبی شامل:
- اتصال همه گرهها به هم
- فعالسازی از سمت لایههای ورودی به سمت لایههای خروجی بدون داشتن هیچ حلقهی عقب گرد یا عقب رو.
- وجود یک لایه بین ورودی و خروجی به عنوان لایهی پنهان
شبکههای عصبی Radial Basis Networks یا RBF
این نوع شبکههای عصبی در زبان فارسی با عنوان شبکه عصبی شعاعی پایه ترجمه شده است؛ این نوع شبکههای عصبی یک نوع شبکهی عصبی FF هستند که به جای توابع Logistic Function از توابع Radial Basis Function برای فعالسازی لایهها استفاده میکنند.
شبکههای عصبی RBF برای مقادیر پیوسته عملکرد مناسبی از خود نشان نمیدهند.
شبکههای عصبی Deep Feed Forward Neural Networks یا DFF
این نوع شبکههای عصبی در اوایل دهه ی 90 پس از میلاد مسیح مقدمه ای بر مباحث شبکههای عصبی شدند.
شبکههای عصبی DFF یک نوع شبکهی عصبی FF میباشد اما به جای داشتن تنها یک لایهی پنهان بیش از یک لایهی پنهان در خودش دارد.
شبکههای عصبی Recurrent Neural Networks یا RNN
شبکههای عصبی RNN در زبان فارسی با شبکههای عصبی بازگشتی یاد میشوند؛ این نوع شبکهها سلولهای پنهانی دارند که به خودشان نیز متصل هستند. اولین نوع شبکههای عصبی RNN، شبکهی Jordan Network نام دارد که در این نوع شبکه هر یک از لایههای پنهان خروجی خود را بیش از یک یا چندبار تکرار میکند.
شبکههای عصبی LSTM
این نوع شبکههای عصبی از نام Long/Short Term Memory میآیند؛ در این نوع شبکهها، سلولها میتوانند دادهها را با تاخیر زمانی پردازش کنند.
کاربردهای شبکههای عصبی LSTM در Speech Recognition ، Wrinting Recognition میباشد. در این نوع شبکهها عنصرها به صورت بازگشتی قرار گرفتهاند و اطلاعات خود را به یاد میآورند و کنترل فراموش کردن دادهها بر عهدهی خودشان است.
شبکههای عصبی Gated Recurrent Unit
یکی از انواع شبکههای LSTM ، شبکهی عصبی GRU میباشد که گیتها و دورههای زمانی متفاوتی به نسب شبکههای عصبی LSTM دارند.
شبکههای عصبی Auto Encoder
این نوع شبکههای عصبی که به صورت اختصار به شبکههای عصبی AE معروف هستند برای دستهبندی آموزش دادهها کاربرد خوبی دارند.
این نوع شبکههای عصبی کاربرد یادگیری نظارتشده را دارند. (Supervised Learning)
شبکههای عصبی Sparse AutoEncoder یا SAE
این نوع شبکههای عصبی به شبکههای عصبی خود رمزگذار معروف میباشد که برخی الگوهای پنهان موجود در دادههای ورودی خود را آشکار میسازند و نسبت به آنها خروجی میسازند.
شبکه عصبی هاپفیلد
این نوع شبکههای عصبی با Hopfiled Networksها شناخته میشود که به اختصار به آن شبکه های عصبی HN نیز می گویند.
شبکههای عصبی ماشین بولتزمن
شبکههای بولتزمن شباهت زیادی به شبکههای هاپفیلد دارند و در آنها سلولهای ورودی به محض ورود به شبکه و ماشین بولتزمن سلولهای پنهان را بروز میکنند و به سلول های خروجی تبدیل میشوند.
این شبکهها با نام Boltzmann Machines یا BM شناخته میشوند.
یکی دیگر از انواع این شبکههای ماشین بولتزمن محدود میباشد.
شبکههای عصبی Deep Belief Network یا DBN
این نوع شبکههای عصبی از ماشینهای بولتزمن استفاده میکنند که به صورت زنجیروار پشت هم قرار میگیرند و با یک الگوی خاص به تولید دادهها می پردازند.
شبکههای عصبی DCN
این نوع شبکه به شبکههای عصبی شبکهای ستارهای معروف است که سلولهای آن دارای پیچش هستند. نام این نوع شبکهها از Deep Convolutional Network میآید.
شبکههای عصبی Deconvolution Network یا DN
این نوع شبکه عصبی معکوس شبکههای عصبی Deep Convolutional Network میباشند.
شبکههای عصبی Deep Convolutional Inverse Graphics Networ یا DCIGN
این نوع شبکهها از چسبیدن شبکههای عصبی DCN به DN ایجاد شده است که یک نوع شبکهی عصبی خودرمزگذار را ایجاد کرده است.
شبکههای عصبی Generative Adversarial Networks یا GAN
این نوع شبکهها یکی از خانواده های بزرگ شبکه های عصبی دوتایی میباشد که دائما در حال تحول است.
شبکههای عصبی Liquid State Machine یا LSM
این نوع شبکههای عصبی یک نوع شبکه عصبی اسپارس میباشد که با فعالسازی توابع آن آستانهها جایگزین می شوندو خروجی را تا نرسیدن به آستانه ارائه نخواهد کرد.
شبکههای عصبی Extreme Learning Machine
این نوع شبکههای عصبی برای سادهتر کردن پیچیدگی زیاد در شبکههای عصبی پیشخور آمده است و محاسبات کمتری را نیاز دارد.
شبکه عصبی Echo State Network
این نوع شبکه عصبی یک رویکرد ویژهی آموزشی را دارد که داده ها با تکرارهای چندگانه و نظارت ناظر به سمت خروجی می روند.
شبکه عصبی Kohonen Network
شبکه عصبی کوهنن یک نوع شبکه عصبی برای دستهبندی میباشد که تلاش میکند دادههای ورودی را بیشینه کند؛ این نوع شبکهها هم مانند ماشین بردار پشتیبان یا SVM یک نوع شبکه عصبی واقعی به حساب نمیآید.
شبکههای عصبی SVM
این نوع شبکههای عصبی که با نام ماشین بردار پشتیبان شناخته میشود وظیفه دستهبندی یا Classification در دادههای دودویی را دارد.
ماشین تورینگ عصبی یا NTM
این نوع شبکه های عصبی بر طبق نظر پژوهشگران و کارشناسان هوش مصنوعی از یک نوع انتزاع به نسب شبکه های عصبی LSTM برخوردار است.
این نوع از شبکه های عصبی یک نوع شبکه ی عصبی پیشخور یا FF است که با سلول های حافظه استخراج شده است.
کاربردهای شبکه های عصبی
تشخیص دستخط: ایده تشخیص دستخط به دلیل محبوبیت دستگاههایی مثل Palm Pilot ، بسیار مهم شده است. از این رو، میتوانیم از شبکههای عصبی برای تشخیص حروف دست نویس استفاده کنیم.
فشردهسازی تصویر: اطلاعات بسیار زیادی به یکباره توسط شبکههای عصبی دریافت و پردازش میشوند. این خصوصیت دلیل کارایی آنها در فشردهسازی تصویر میباشند. با فراگیری اینترنت و سایتهایی که حاوی تصاویر زیادی هستند، استفاده از شبکههای عصبی برای فشردهسازی تصویر بسیار ارزشمند است.
پیشبینی بازار بورس: تجارت روزانه بازار سهام بسیار پیچیده است. عوامل زیادی در اینکه آیا یک سهام مشخص، در یک روز معین بالا یا پایین میرود ، اهمیت دارند. بنابراین، شبکههای عصبی میتوانند بسیاری از اطلاعات را به روشی سریع بررسی کرده و همه آنها را مرتب کنند. لذا میتوانیم از آنها برای پیشبینی قیمت سهام استفاده کنیم.
در این مقاله آموزشی در این باره که شبکه عصبی چیست گفتگو کردیم.
اگر از خواندن این مقاله لذت کافی را بردید حتما سایر مقالات و آموزشهای ما را دنبال کنید.
این مقاله برای من مفید بود
1+ 0 نفر این مقاله را پسندیده