شبکه‌های عصبی مصنوعی چه می‌کنند؟

در شبکه‌های عصبی مصنوعی هیچ محدودیتی برای تعداد گره‌ها یا لایه‌ها وجود ندارد و این گره‌ها می‌توانند به اشکال بی‌شمار با هم تعامل کنند. به همین دلیل است که انواع شبکه‌های عصبی هوش مصنوعی هر روز در حال بیشترشدن است.

چکیده

شبکه‌های عصبی مصنوعی در صنایع و حوزه‌های مختلف کاربرد دارند. در پزشکی از شبکه‌های عصبی مصنوعی برای تحلیل بیماری و آسیب‌ اندام‌های داخلی بدن استفاده می‌شود. بینایی رایانه حوزهٔ دیگری است که در آن از شبکه‌های عصبی برای استخراج و پردازش دقیق اطلاعات استفاده می‌شود. خودروهای خودران به کمک شبکه‌های عصبی وضعیت جاده‌ها را تحلیل می‌کنند و بهترین مسیر را می‌یابند. از این شبکه‌ها در پردازش زبان طبیعی، پیشنهاد هوشمندانهٔ محصول، تشخیص گفتار و تبدیل صدا به متن استفاده می‌شود. در کل شبکه‌های عصبی پردازش اطلاعات را سریع‌تر و بهینه‌تر کرده‌اند.

مهم‌ترین کاربرد هوش مصنوعی این است که بتواند مسائل پیچیدهٔ دنیای واقعی را حل کند و برای این کار از دقتی نزدیک به دقت انسان بهره ببرد. مدل‌های هوشمند مبتنی بر شبکه‌های عصبی عمیق از پیشرفته‌ترین مباحث هوش مصنوعی هستند. در دورهٔ آموزش یادگیری عمیق با پایتون که در دپارتمان فناوری اطلاعات و ارتباطات مجتمع فنی تهران ارائه می‌شود با ساختار شبکه‌های عصبی عمیق،‌ پارامترها و نحوهٔ پیاده‌سازی و بهبود آنها آشنا می‌شوید. برای شرکت در این دوره باید پیشاپیش با آمار و احتمالات ریاضی آشنا باشید، برنامه‌نویسی پایتون را بشناسید و در حوزه‌های تحلیل داده و یادگیری ماشین تجربه داشته باشید. این دوره طی ۶۰ ساعت آموزش شما را با انواع شبکه‌های عصبی عمیق آشنا می‌کند.

شبکه‌های عصبی مصنوعی چطور ظهور کردند؟

شبکه‌های عصبی مصنوعی یا ANN نوعی مدل یادگیری ماشین هستند که می‌توانند داده‌ها را به شیوه‌ای شبیه شیوهٔ فکر و پردازش انسانی پردازش کنند. استفاده از شبکه‌های عصبی مصنوعی جزء فرایند یادگیری عمیق است. درواقع این شبکه‌های عصبی براساس سازوکار نورون‌های مغز در موجودات زنده عمل می‌کنند.

            مهم‌ترین کارکرد شبکه‌های عصبی مصنوعی دریافت، پردازش و انتقال سیگنال‌هاست. هر رشتهٔ عصبی سیگنال‌های مربوط به خود را دریافت می‌کند و سپس با استفاده از گره‌های خود داده‌های ورودی را پردازش می‌کند و درنهایت در اختیار سایر رشته‌های عصبی قرار می‌دهد.

            شبکه‌های عصبی مصنوعی نخستین بار در سال ۱۹۲۵ توسط دو دانشمند داده به نام‌های ویلهلم لنز و ارنست ایسینگ ساخته شدند. شبکهٔ عصبی که آنها ساخته بودند قابلیت یادگیری نداشت، اما می‌توانست پردازش انجام دهد. عصب‌های این شبکه با تقلید از مغز انسان ساخته شده بودند. نخستین شبکهٔ عصبی که قابلیت یادگیری داشت در اواخر دهه ۱۹۴۰ ساخته شد و دنیای هوش مصنوعی را متحول کرد.

چرا از شبکه‌های عصبی مصنوعی استفاده می‌کنیم؟

امروزه هوش مصنوعی مبتنی بر استفاده از شبکه‌های عصبی است، زیرا این شبکه‌ها به رایانه امکان می‌دهند فکر کند، یعنی روابط بین داده‌های ورودی و خروجی را درک کند، و تصمیم بگیرد. شبکه‌های عصبی مصنوعی می‌توانند داده‌های بدون ساختار را نیز درک کنند.

            شبکه‌های عصبی در صنایع و حوزه‌های مختلف کاربرد دارند. در پزشکی از شبکه‌های عصبی برای تحلیل بیماری و آسیب‌ اندام‌های داخلی بدن استفاده می‌شود. بینایی رایانه حوزهٔ دیگری است که در آن از شبکه‌های عصبی برای استخراج و پردازش دقیق اطلاعات استفاده می‌شود. خودروهای خودران به کمک شبکه‌های عصبی وضعیت جاده‌ها را تحلیل می‌کنند و بهترین مسیر را می‌یابند. از این شبکه‌ها در پردازش زبان طبیعی، پیشنهاد هوشمندانهٔ محصول، تشخیص گفتار و تبدیل صدا به متن استفاده می‌شود. در کل شبکه‌های عصبی پردازش اطلاعات را سریع‌تر و بهینه‌تر کرده‌اند.

شبکه‌های عصبی مصنوعی چگونه کار می‌کنند؟

هر شبکهٔ عصبی مصنوعی سه لایهٔ اصلی دارد. در لایهٔ اول اطلاعات را دریافت می‌کند و گره‌های این لایه اطلاعات ورودی را پردازش و دسته‌بندی می‌کنند و به لایهٔ دوم می‌فرستند. در لایهٔ دوم که به آن لایهٔ پنهان می‌گویند اطلاعاتی که از لایهٔ اول آمده‌اند تحلیل و پردازش می‌شوند. در لایهٔ سوم تا لایهٔ خروجی اطلاعات پردازش‌شده دسته‌بندی و ارائه می‌شوند. ممکن است یک مدل هوش مصنوعی چندین لایهٔ پنهان داشته باشد که تحلیل اطلاعات پیچیده را انجام دهند.

            برای درک معماری شبکه‌های عصبی مصنوعی باید به ساختار مغز انسان توجه کنیم. مغز ما حدود ۸۰میلیارد سلول عصبی دارد که به هم متصل هستند. در بدن به این سلول‌ها نورون می‌گوییم، اما در مدل‌های هوش مصنوعی این سلول‌ها همان گره‌ها یا نودهای شبکهٔ عصبی هستند. گره‌های شبکهٔ عصبی به کمک رشته‌هایی به هم متصل می‌شوند. این گره‌ها کار پردازش و انتقال اطلاعات را برعهده دارند و به همین دلیل باید دائماً با هم مرتبط باشند.

انواع شبکه‌های عصبی مصنوعی

در شبکه‌های عصبی مصنوعی هیچ محدودیتی برای تعداد گره‌ها یا لایه‌ها وجود ندارد و این گره‌ها می‌توانند به اشکال بی‌شمار با هم تعامل کنند. به همین دلیل است که انواع شبکه‌های عصبی هوش مصنوعی هر روز در حال افزایش است. اما در حالت کلی می‌توان آنها را به این دو دسته تقسیم کرد:

• شبکه‌های عصبی کم‌عمق که یک لایهٔ پنهان دارند.
• شبکه‌های عصبی عمیق که چندین لایهٔ پنهان دارند.

شبکه‌های عصبی کم‌عمق سریع‌تر هستند، اما قدرت پردازش کمتری دارند. به همین دلیل وظایف پیچیده‌تر به شبکه‌های عصبی عمیق سپرده می‌شوند. برخی از مهم‌ترین شبکه‌های عصبی هوش مصنوعی عبارت‌اند از:

• شبکه‌های عصبی پرسپترون

این شبکه‌های عصبی ساده و کم‌عمق هستند و تنها از یک لایهٔ ورودی و یک لایهٔ خروجی تشکیل شده‌اند. این شبکه‌ها که از قدیمی‌ترین مدل‌های شبکه‌های عصبی هستند پس از دریافت ورودی‌ها آنها را تجمیع می‌کنند،‌ تابع فعال‌سازی را روی آنها اعمال می‌کنند و به لایهٔ خروجی می‌فرستند.

• شبکه‌های عصبی پرسپترون چندلایه

در این شبکه‌های عصبی لایهٔ پنهان اضافه شده است و درنتیجه دست‌کم سه لایه دارند.

• شبکه‌های عصبی پیش‌خور (Feed-forward)

گره‌های این شبکه‌ها تنها می‌توانند اطلاعات را به گره بعدی منتقل کنند. این شبکه‌ها می‌توانند اطلاعات را در یک جهت منتقل کنند و در فناوری‌های تشخیص چهره و بینایی رایانه کاربرد دارند.

• شبکه‌های عصبی مکرر

این شبکه‌ها پیچیده‌تر هستند و می‌توانند به عقب حرکت کنند. در این شبکه‌ها گره‌های پردازش‌شده در لایهٔ خروجی ذخیره شده و به مدل بازگردانده می‌شود تا بتواند نتیجهٔ لایه را پیش‌بینی کند. این شبکه‌ها یادگیرنده هستند و می‌توانند پیش‌بینی خود را در طول انتشار اطلاعات بهتر کنند.

• شبکه‌های عصبی مدولار

این شبکه‌ها درواقع ترکیب دو یا چند شبکهٔ عصبی هستند که جداگانه محاسبات را انجام می‌دهند و در مرحلهٔ خروجی با هم ادغام می‌شوند.

• شبکه‌های عصبی پایه شعاعی

این شبکه‌ها از تابع شعاعی پایهٔ ریاضی استفاده می‌کنند و برای دسته‌بندی و تصمیم‌گیری مناسب هستند، اما در مقادیر پیوسته عملکرد خوبی ندارند.

• شبکه‌های عصبی کانولوشنال یا CNN

این شبکه‌ها از محبوب‌ترین شبکه‌های عصبی هوش مصنوعی هستند و در تشخیص چهره، دیجیتال‌کردن متن، پردازش سیگنال و دسته‌بندی تصویر مورد استفاده قرار می‌گیرند.

مزایا و معایب شبکه‌های عصبی مصنوعی

 مهم‌ترین مزایای شبکه‌های عصبی مصنوعی عبارت‌اند از:

• توانایی پردازش موازی و هم‌زمان
• ذخیرهٔ اطلاعات در کل شبکه
• توانایی یادگیری و مدل‌سازی روابط پیچیده و غیرخطی
• توانایی تحمل خطا در یک یا چند گره
• تصمیم‌گیری مبتنی بر یادگیری ماشین
• پردازش و دسته‌بندی مقادیر زیاد داده
• کشف روابط پنهان داده‌ها
• توانایی استنتاج روابط و تعمیم آنها

اما مهم‌ترین معایب شبکه‌های عصبی مصنوعی عبارت‌اند از:

• نبود ساختار قانونمند شبکه‌سازی
• اتکاء به روش آزمون و خطا و تجربه برای افزایش دانش شبکهٔ عصبی مصنوعی و جلوگیری از خطا
• وابستگی شبکه‌های عصبی مصنوعی به سخت‌افزارهای پردازنده
• شبکه‌های عصبی مصنوعی تنها می‌توانند با اطلاعات عددی کار کنند.
• این شبکه‌ها در توضیح چرایی و چگونگی راه حل‌هایی که ارائه می‌کنند ناتوان‌اند.
• وابستگی درستی نتایج شبکه به درستی شیوهٔ آموزش آن

جمع‌بندی

شبکه‌های عصبی مصنوعی یا ANN نوعی مدل یادگیری ماشین هستند که می‌توانند داده‌ها را به شیوه‌ای شبیه شیوهٔ فکر و پردازش انسانی پردازش کنند. استفاده از شبکه‌های عصبی مصنوعی جزء فرایند یادگیری عمیق است. درواقع این شبکه‌های عصبی براساس سازوکار نورون‌های مغز در موجودات زنده عمل می‌کنند. مهم‌ترین کارکرد شبکه‌های عصبی مصنوعی دریافت، پردازش و انتقال سیگنال‌هاست. هر رشتهٔ عصبی سیگنال‌های مربوط به خود را دریافت می‌کند و سپس با استفاده از گره‌های خود داده‌های ورودی را پردازش می‌کند و درنهایت در اختیار سایر رشته‌های عصبی قرار می‌دهد.

مهم‌ترین کاربرد هوش مصنوعی این است که بتواند مسائل پیچیدهٔ دنیای واقعی را حل کند و برای این کار از دقتی نزدیک به دقت انسان بهره ببرد. مدل‌های هوشمند مبتنی بر شبکه‌های عصبی عمیق از پیشرفته‌ترین مباحث هوش مصنوعی هستند. در دورهٔ آموزش یادگیری عمیق با پایتون که در دپارتمان فناوری اطلاعات و ارتباطات مجتمع فنی تهران ارائه می‌شود با ساختار شبکه‌های عصبی عمیق،‌ پارامترها و نحوهٔ پیاده‌سازی و بهبود آنها آشنا می‌شوید. برای شرکت در این دوره باید پیشاپیش با آمار و احتمالات ریاضی آشنا باشید، برنامه‌نویسی پایتون را بشناسید و در حوزه‌های تحلیل داده و یادگیری ماشین تجربه داشته باشید. این دوره طی ۶۰ ساعت آموزش شما را با انواع شبکه‌های عصبی عمیق آشنا می‌کند.

در دنیای کسب‌وکار امروز، تحصیلات دانشگاهی برای حفظ ارزش شما به‌عنوان نیروی کار بااستعداد و کارآمد کافی نیستند. برای‌ اینکه مزیت رقابتی شخصی خود را حفظ کنید، باید بر آموزش مستمر و مادام‌العمر خود سرمایه‌گذاری کنید. خانواده بزرگ مجتمع فنی تهران هرساله به هزاران نفر کمک می‌کند تا در مسیر شغلی خود پیشرفت کنند.

اگر شاغل هستید و وقت ندارید در دوره‌های آموزشی حضوری شرکت کنید، مجتمع فنی تهران گزینه‌هایی عالی برای آموزش مجازی، آنلاین، آفلاین و ترکیبی ارائه می‌دهد. با شرکت در دوره‌های کوتاه‌مدت مجتمع فنی تهران و دریافت مدارک معتبر و بین‌المللی می‌توانید با اعتماد به نفس مسیر ترقی را طی کنید و در سازمان خود به مهره‌ای ارزشمند تبدیل شود.

نویسنده: بهناز دهکردی

پرسش‌های متداول

چند نوع شبکهٔ عصبی مصنوعی وجود دارد؟

در شبکه‌های عصبی مصنوعی هیچ محدودیتی برای تعداد گره‌ها یا لایه‌ها وجود ندارد و این گره‌ها می‌توانند به اشکال بی‌شمار با هم تعامل کنند. به همین دلیل است که انواع شبکه‌های عصبی هوش مصنوعی هر روز در حال افزایش است. اما در حالت کلی می‌توان آنها را به این دو دسته تقسیم کرد:

• شبکه‌های عصبی کم‌عمق که یک لایهٔ پنهان دارند.
• شبکه‌های عصبی عمیق که چندین لایهٔ پنهان دارند.

شبکه‌های عصبی مصنوعی مدولار چه هستند؟

شبکه‌های عصبی مصنوعی مدولار درواقع ترکیب دو یا چند شبکهٔ عصبی هستند که جداگانه محاسبات را انجام می‌دهند و در مرحلهٔ خروجی با هم ادغام می‌شوند.

مزایای شبکه‌های عصبی مصنوعی چه هستند؟

مهم‌ترین مزایای شبکه‌های عصبی مصنوعی عبارت‌اند از:

• توانایی پردازش موازی و هم‌زمان
• ذخیرهٔ اطلاعات در کل شبکه
• توانایی یادگیری و مدل‌سازی روابط پیچیده و غیرخطی
• توانایی تحمل خطا در یک یا چند گره
• تصمیم‌گیری مبتنی بر یادگیری ماشین
• پردازش و دسته‌بندی مقادیر زیاد داده
• کشف روابط پنهان داده‌ها
• توانایی استنتاج روابط و تعمیم آنها