ورود و عضویت
0
سبد خرید خالی است.

شبکه های عصبی مصنوعی چیست؟

کامپیوتر و فناوری اطلاعات امیر جلیل زاده ۱۱ دی ۱۴۰۰
شبکه های عصبی مصنوعی

شبکه های عصبی مصنوعی یک مدل محاسباتی است که نحوه عملکرد سلول های عصبی در مغز انسان را تقلید می کنند. شبکه‌ های عصبی مصنوعی (ANN) از الگوریتم‌ های یادگیری استفاده می ‌کنند که می ‌توانند به طور مستقل تنظیمات را انجام دهند یا ورودی جدید دریافت ‌کنند. این آن ها را به ابزاری بسیار مؤثر برای مدل‌ سازی داده ‌های آماری غیرخطی تبدیل می‌ کند.

شبکه های عصبی مصنوعی چیست؟

این نوع شبکه ها یک مدل محاسباتی است که نحوه عملکرد سلول های عصبی در مغز انسان را تقلید می کند (ANN مخفف Artificial Neural Networks می باشد). شبکه‌ های عصبی مصنوعی (ANN) از الگوریتم‌ های یادگیری استفاده می ‌کنند که می ‌توانند به طور مستقل تنظیمات را انجام دهند یا ورودی جدید دریافت ‌کنند. این آن ها را به ابزاری بسیار مؤثر برای مدل‌ سازی داده ‌های آماری غیرخطی تبدیل می‌ کند.

در شبکه های عصبی مصنوعی و هوش مصنوعی ANNهای یادگیری عمیق نقش مهمی در یادگیری ماشین (ML) دارند و از حوزه گسترده تر فناوری هوش مصنوعی (AI) پشتیبانی می کنند.

شبکه های عصبی مصنوعی

کاربرد شبکه های عصبی مصنوعی

تشخیص تصویر یکی از اولین حوزه‌ هایی بود که شبکه ‌های عصبی مصنوعی با موفقیت در آن به کار رفتند، اما استفاده‌ های فناوری به حوزه‌ های بیشتری گسترش یافته است، از جمله:

  • چت ربات ها
  • پردازش زبان طبیعی، ترجمه و تولید زبان
  • پیش بینی بازار سهام
  • برنامه ریزی و بهینه سازی مسیر راننده تحویل
  • کشف و توسعه دارو

این ها تنها چند حوزه خاص هستند که امروزه شبکه های عصبی در آن ها اعمال می شوند. کاربردهای اولیه شامل هر فرآیندی است که طبق قوانین یا الگوهای دقیق عمل می کند و دارای مقادیر زیادی داده است. اگر داده‌ های درگیر آن ‌قدر زیاد باشد که انسان نتواند در مدت زمان معقولی آن را درک کند، این فرآیند احتمالا کاندیدای اصلی برای اتوماسیون از طریق شبکه‌ های عصبی مصنوعی است.

مثال کاربردی برای شبکه های عصبی مصنوعی

در زیر چند نمونه از برنامه های کاربردی دنیای واقعی که با استفاده از انواع مختلف شبکه های عصبی مصنوعی ساخته شده، آورده شده است:

  • طبقه‌ بندی تصویر: کاربردهای دنیای واقعی طبقه ‌بندی تصاویر شامل طبقه‌ بندی تصاویر با انسان، اشیا و صحنه‌ ها است. برنامه های کاربردی تجاری برای طبقه بندی تصاویر شامل نظارت، تشخیص پزشکی (مراقبت های بهداشتی)، برچسب گذاری تصاویر، تفسیر اشعه ایکس، CT-Scans / تفسیر MRI و غیره است. شبکه های عصبی عمیق این قابلیت را دارند که تصاویر را در سطح پیکسل تشخیص دهند که برای انسان تقریبا غیرممکن است. در طول دوران کووید-19، از مدل ‌های CNN برای طبقه‌ بندی تصاویر اشعه ایکس/CT-اسکن در پیش ‌بینی احتمال ابتلای فردی به کووید استفاده شد. داده های ورودی تصاویر متفاوتی هستند و خروجی نشان دهنده برچسب های مختلف است. پیش ‌بینی ‌ها نشان ‌دهنده احتمال است که ورودی با یکی از برچسب ‌های خروجی یکسان است. این یک مشکل یادگیری تحت نظارت است.
  • ترجمه ماشینی: شبکه ‌های عصبی مصنوعی را می‌توان برای ترجمه زبان ‌ها با یادگیری بازنمایی معنایی کلمات در یک زبان و سپس نگاشت آن‌ ها در بازنمایی ‌های معنایی کلمه در زبان دیگر استفاده کرد. شبکه های عصبی مکرر (RNN) می توانند برای مشکلات ترجمه ماشینی استفاده شوند، جایی که اطلاعات به صورت متوالی در طول مراحل زمانی جریان می یابد. Deep NLP برای کاربردهای Deep Learning در پردازش زبان طبیعی (NLP) استفاده می ‌شود که گاهی به آن تحلیل زبانی عمیق نیز می ‌گویند. این یک مشکل یادگیری تحت نظارت است.
  • تشخیص گفتار: از شبکه های عصبی می توان برای تشخیص گفتار استفاده کرد. مدل ‌های یادگیری عمیق برای تشخیص گفتار، شبکه ‌های عصبی عمیق هستند که با استفاده از تکنیک ‌ها/الگوریتم‌ های یادگیری عمیق، به‌ویژه NN پیش‌خور عمیق (FFNN)، NN بازگشتی عمیق (RNN) و LSTM آموزش دیده‌اند. داده های ورودی می تواند صوتی و داده های خروجی رونوشت متنی باشد. یک جنبه کلیدی یادگیری شامل یادگیری تحت نظارت خواهد بود.
  • تشخیص چهره: با ظهور یادگیری عمیق، شبکه های عصبی را می توان برای تشخیص چهره استفاده کرد. مدل ‌های شبکه عصبی راه‌ حلی مناسب برای مشکل طبقه ‌بندی تصویر ارائه می‌ کنند و پیشرفت‌ های زیادی در سطوح دقت به دست آورده ‌اند که تاکنون با سایر الگوریتم ‌ها/تکنیک‌ های یادگیری ماشین امکان ‌پذیر نبوده است. شبکه های عصبی عمیق مانند شبکه عصبی پیچیده عمیق (DCNN) و شبکه های اعتقاد عمیق (DBN) می توانند برای مشکلات تشخیص چهره در برنامه های کاربردی دنیای واقعی استفاده شوند. این را می توان در درجه اول به عنوان مشکل یادگیری تحت نظارت نامید.

شبکه های عصبی مصنوعی

انواع شبکه های عصبی مصنوعی

اولین و ساده ترین شبکه عصبی پرسپترون بود که توسط فرانک روزنبلات در سال 1958 معرفی شد. این شبکه از یک نورون منفرد و اساسا یک مدل رگرسیون خطی با تابع فعال سازی سیگموئید تشکیل شده بود. از آن زمان، شبکه ‌های عصبی پیچیده‌ تر کشف شده ‌اند که منجر به شبکه ‌های عمیق امروزی می ‌شود که شامل صدها لایه هستند.

یادگیری عمیق به شبکه های عصبی با لایه های زیاد اشاره دارد، در حالی که شبکه های عصبی با تنها دو یا سه لایه نورون متصل به هم به عنوان شبکه های عصبی کم عمق شناخته می شوند. یادگیری عمیق به این دلیل محبوب شده است که نیاز به استخراج ویژگی ‌ها از تصاویر را که قبلا کاربرد یادگیری ماشین برای پردازش تصویر و سیگنال را به چالش می‌کشید، حذف می‌کند. با این حال، اگرچه استخراج ویژگی را می توان در برنامه های کاربردی پردازش تصویر حذف کرد، برخی از اشکال استخراج ویژگی هنوز معمولا برای وظایف پردازش سیگنال برای بهبود دقت مدل اعمال می شود.

انواع شبکه های عصبی که معمولا برای کاربردهای مهندسی استفاده می شوند عبارت اند از:

  •  یک: شبکه عصبی پیشخور: شامل یک لایه ورودی، یک یا چند لایه پنهان و یک لایه خروجی (یک شبکه عصبی کم عمق معمولی) است.
  • دو: شبکه عصبی کانولوشن (CNN): معماری شبکه عصبی عمیق که به طور گسترده برای پردازش تصویر اعمال می شود و با لایه های کانولوشنی مشخص می شود که پنجره ها را در سراسر ورودی با گره هایی که وزن مشترک دارند، تغییر می دهند و ورودی (معمولا تصویر) را برای نقشه های ویژگی انتزاع می کنند.
  • سه: شبکه عصبی بازگشتی (RNN): معماری شبکه عصبی با حلقه‌های بازخورد که وابستگی‌های متوالی در ورودی را مدل‌سازی می‌کند، مانند سری‌های زمانی، حسگرها و داده‌های متنی. محبوب ترین نوع RNN یک شبکه حافظه کوتاه مدت بلند مدت (LSTM) است.

شبکه های عصبی مصنوعی

الگوریتم ژنتیک و شبکه عصبی مصنوعی

شبکه‌های عصبی همراه با الگوریتم‌های ژنتیک می‌توانند فرآیند یادگیری را برای حل یک مشکل خاص تسریع کنند. الگوریتم های ژنتیک یک روش بهینه سازی تطبیقی قوی بر اساس اصول بیولوژیکی هستند. جمعیتی از رشته‌ها که راه‌حل‌های احتمالی مشکل را نشان می‌دهند، حفظ می‌شود.همه شرکت ‌های بزرگ اکنون از شبکه‌ های عصبی (NN) و الگوریتم‌های ژنتیک (GA) استفاده می ‌کنند تا به شبکه ‌های عصبی خود کمک کنند تا بهتر و کارآمدتر یاد بگیرند.

آموزش شبکه عصبی با الگوریتم ژنتیک GA در متلب

سورس کد شبکه عصبی با الگوریتم ژنتیک GA در متلب

سورس کد آموزش شبکه عصبی با الگوریتم ژنتیک GA در متلب عنوان محصولی است که در این پست به آن پرداخته شده است. محصول در نرم افزار متلب نوشته شده و برای تعیین مقادیر وزنی یال ها و بایاس ها شبکه عصبی با الگوریتم ژنتیک می باشد.

نتیجه گیری

ANN مدل بسیار مفیدی است و ANN می تواند در حل مسئله و یادگیری ماشین به کار رود. دنیای محاسبات چیزهای زیادی برای بدست آوردن از شبکه های عصبی مصنوعی دارد. بنابراین، توانایی آن ها در یادگیری با مثال، آن ها را بسیار انعطاف پذیر و قدرتمند می کند.

اگر سوالی در رابطه با برنامه های کاربردی شبکه عصبی مصنوعی دارید، با ما در میان بگذارید. ما خوشحال خواهیم شد که آنها را حل کنیم.

در پایان فایل پاورپوینت شبکه های عصبی مصنوعی در این سایت قرار داده شده که می توانید دانلود کنید.

 

پاورپوینت شبکه عصبی مصنوعی

 

اینستاگرام فروشگاه فایل فارسی درس

امیر جلیل زاده

کارشناس ارشد مهندسی فناوری اطلاعات

مطالب مرتبط

سیستم عامل اندروید

سیستم عامل اندروید و کاربردهای آن

نگار فیروزی فرد ۰۴ آذر ۱۴۰۰
استیو جابز

نگاه کلی به زندگی استیو جابز

نگار فیروزی فرد ۱۱ آذر ۱۴۰۰

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.

preloader