Neural Networks
توسط Ali Raghimi
شبکه عصبی یا Neural Network روشی در هوش مصنوعی است که به رایانه ها می آموزد تا داده ها را به روشی که از مغز انسان الهام گرفته شده است پردازش کنند. این یک نوع فرآیند یادگیری ماشینی است که یادگیری عمیق نامیده می شود که از گره ها یا نورون های به هم پیوسته در ساختار لایه ای شبیه مغز انسان استفاده می کند. این سیستم یک سیستم تطبیقی ایجاد می کند که رایانه ها برای یادگیری از اشتباهات خود و بهبود مستمر استفاده می کنند. بنابراین، شبکه‌های عصبی مصنوعی سعی می‌کنند مسائل پیچیده‌ای مانند خلاصه‌سازی اسناد یا تشخیص چهره‌ها را با دقت بیشتری حل کنند.
چرا شبکه های عصبی مهم هستند؟
شبکه‌های عصبی می‌توانند به رایانه‌ها در تصمیم‌گیری هوشمندانه با کمک محدود انسانی کمک کنند. این به این دلیل است که آنها می توانند روابط بین داده های ورودی و خروجی غیرخطی و پیچیده را یاد بگیرند و مدل کنند. به عنوان مثال، آنها می توانند وظایف زیر را انجام دهند.
کلیات و استنباط انجام دهید
شبکه های عصبی می توانند داده های بدون ساختار را درک کرده و مشاهدات کلی را بدون آموزش صریح انجام دهند. به عنوان مثال، آنها می توانند تشخیص دهند که دو جمله ورودی مختلف معنای مشابهی دارند:
میشه بگید چطوری پرداخت کنم؟
چگونه پول منتقل کنم؟
یک شبکه عصبی می داند که هر دو جمله به یک معنا هستند. یا می تواند به طور کلی تشخیص دهد که جاده باکستر یک مکان است، اما باکستر اسمیت نام یک فرد است.
شبکه های عصبی چگونه کار می کنند؟
مغز انسان الهام بخش معماری شبکه های عصبی است. سلول‌های مغز انسان که نورون‌ها نامیده می‌شوند، شبکه‌ای پیچیده و بسیار بهم پیوسته را تشکیل می‌دهند و سیگنال‌های الکتریکی را برای کمک به انسان در پردازش اطلاعات به یکدیگر ارسال می‌کنند. به طور مشابه، یک شبکه عصبی مصنوعی از نورون های مصنوعی ساخته شده است که برای حل یک مشکل با هم کار می کنند. نورون های مصنوعی ماژول های نرم افزاری هستند که گره نامیده می شوند و شبکه های عصبی مصنوعی برنامه ها یا الگوریتم هایی هستند که در هسته خود از سیستم های محاسباتی برای حل محاسبات ریاضی استفاده می کنند.
معماری شبکه عصبی ساده
یک شبکه عصبی پایه نورون های مصنوعی را در سه لایه به هم متصل کرده است:
لایه ورودی
اطلاعات دنیای بیرون از لایه ورودی وارد شبکه عصبی مصنوعی می شود. گره های ورودی داده ها را پردازش می کنند، آن ها را تجزیه و تحلیل یا دسته بندی می کنند و به لایه بعدی منتقل می کنند.
لایه پنهان
لایه های مخفی ورودی خود را از لایه ورودی یا سایر لایه های مخفی می گیرند. شبکه های عصبی مصنوعی می توانند دارای تعداد زیادی لایه پنهان باشند. هر لایه پنهان خروجی لایه قبلی را تجزیه و تحلیل می کند، آن را بیشتر پردازش می کند و به لایه بعدی منتقل می کند.
لایه خروجی
لایه خروجی نتیجه نهایی تمام پردازش داده ها توسط شبکه عصبی مصنوعی را می دهد. می تواند دارای گره های منفرد یا چندگانه باشد. برای مثال، اگر مشکل طبقه‌بندی باینری (بله/خیر) داشته باشیم، لایه خروجی یک گره خروجی خواهد داشت که نتیجه آن ۱ یا ۰ است. اما اگر مشکل طبقه‌بندی چند کلاسه داشته باشیم، لایه خروجی ممکن است از بیش از یک گره خروجی تشکیل شده باشد.
چگونه شبکه های عصبی را آموزش دهیم؟
آموزش شبکه عصبی فرآیند آموزش شبکه عصبی برای انجام یک کار است. شبکه های عصبی با پردازش اولیه چندین مجموعه بزرگ از داده های برچسب دار یا بدون برچسب یاد می گیرند. با استفاده از این مثال‌ها، می‌توانند ورودی‌های ناشناخته را با دقت بیشتری پردازش کنند.
یادگیری تحت نظارت
در یادگیری نظارت شده، دانشمندان داده به شبکه های عصبی مصنوعی برچسب داده شده داده می دهند که پاسخ درست را از قبل ارائه می دهند. به عنوان مثال، یک آموزش شبکه یادگیری عمیق در تشخیص چهره در ابتدا صدها هزار تصویر از چهره انسان را پردازش می کند، با اصطلاحات مختلف مربوط به منشاء قومی، کشور یا احساسات که هر تصویر را توصیف می کند.
شبکه عصبی به آرامی دانش را از این مجموعه داده ها ایجاد می کند که از قبل پاسخ درست را ارائه می دهد. پس از آموزش شبکه، شروع به حدس زدن در مورد منشأ قومی یا احساسات تصویر جدیدی از یک چهره انسانی می کند که قبلا هرگز آن را پردازش نکرده بود.
پست های توصیه شده
کلان داده
14 مهر, 1402
تحول دیجیتال
14 مهر, 1402
تجزیه و تحلیل داده ها
14 مهر, 1402