دانلود پاورپوینت مروری بر مبانی شبکه های عصبی مصنوعی (ANN)

شبکه های عصبی مصنوعی (ANN ها) که معمولاً شبکه های عصبی (NN ها) نامیده می شوند، سیستم های کامپیوتری هستند که از شبکه های عصبی بیولوژیکی که تشکیل دهنده مغز انسان ها می باشند، الهام گرفته شده اند. این شبکه ها براساس یک مجموعه از واحدها یا گره های متصل به هم به نام نورون های عصبی است که تقریباً نورون های یک مغز بیولوژیکی را مدل سازی می کنند. هر اتصال، مانند سیناپس های مغز یک موجود زنده، می تواند یک سیگنال به نورون های دیگر ارسال کند. یک نورون مصنوعی، یک سیگنال دریافت می کند و سپس آن را پردازش می کند و در نهایت به نورون های متصل به آن سیگنال می دهد. در یک اتصال، «سیگنال» یک عدد حقیقی است و خروجی هر نورون بوسیله یک تابع غیرخطی از حاصلجمع ورودی هایش، محاسبه می گردد. اتصالات، یال نامیده می شوند. نورون ها و یالها معمولاً وزنی دارند که با تداوم یادگیری، تنظیم و تعدیل می شود. این وزن، قدرت سیگنال را در یک اتصال، افزایش یا کاهش می دهد. نورون ها می توانند یک آستانه داشته باشند، چنانکه یک سیگنال تنها زمانی ارسال می شود که سیگنال تجمعی، از آن آستانه عبور کند. معمولاً نورون ها به چندین لایه تفکیک نمی شوند. لایه های مختلف ممکن است تبدیلات مختلفی در ورودی خود انجام دهند. سیگنال ها، احتمالاً بعد از عبور چندباره از لایه ها، از لایه اول (لایه ورودی) به لایه آخر (لایه خروجی) می روند.

این پاورپوینت در 21 اسلاید آماده شده و در ادامه نیز، اسلاید شماره 3 آن قرار داده شده است:

شبکه عصبی مصنوعی، یک مدل کامپیوتری است که نحوه کار سلول های عصبی در مغز انسان را تقلید و شبیه سازی می کند. این شبکه ها از الگوریتم های یادگیری استفاده می کنند که می تواند بطور مستقل هنگام دریافت ورودی های جدید، تنظیماتی را انجام دهند (به نحوی یادگیری داشته باشند). این کار باعث می شود تا به ابزار بسیار موثری برای مدل سازی داده های آماری غیرخطی تبدیل شوند. ANN های یادگیری عمیق، نقش مهمی در یادگیری ماشینی (ML) دارند و از حیطه گسترده ای از فنآوری های «هوش مصنوعی» (AI) پشتیبانی می کنند.

در ادامه، اسلاید شماره 18 این پاورپوینت، قرار داده شده است:

یک شبکه عصبی مصنوعی، حداقل سه لایه متصل به هم دارد. لایه اول، از نورون های ورودی تشکیل شده است. این نورون ها، داده ها را به لایه های عمیق تر ارسال می کنند و آنها هم به نوبه خود، داده های خروجی نهایی را به لایه خروجی آخر می فرستند. همه لایه های داخلی، پنهان هستند و بوسیله واحدهایی تشکیل شده اند که به صورت وفقی، اطلاعات دریافت شده از لایه را از طریق یک سری تبدیلات، تغییر می دهند. هر لایه، هم به عنوان یک لایه ورودی و هم خروجی عمل می کند، به نحوی که به شبکه اجازه می دهد تا اشیاء پیچیده تر را درک کند. بطور کلی، این لایه های داخل، لایه عصبی نامیده می شوند.

واحدهای درون لایه عصبی تلاش می کنند تا با وزن کردن اطلاعات گردآوری شده، طبق سیستم داخلی این شبکه ها، در مورد این اطلاعات، آگاهی پیدا کنند. این سیستم دستورالعمل ها، به واحدها اجازه می دهند تا یک نتیجه تبدیل شده را تولید کنند و سپس به عنوان یک خروجی، به لایه بعدی ارسال می شوند.

یک مجموعه از قوانین یادگیری، از فرآیند انتشار معکوس استفاده می کنند. ANN از طریق این فرآیند و با در نظر گرفتن خطاها، نتایج خروجی خود را تنظیم می کند. از طریق انتشار معکوس، هر بار که در طی مرحله آموزشی نظارت شده، به یک خروجی، برچسب خطا زده می شود، اطلاعات به عقب بازگردانده می شوند. هر وزن بطور متناسب، روزآمد می شود تا مشخص شود چه میزان مسئول آن خطا بوده اند. بنابراین، برای کالیبره کردن مجدد وزن اتصالات واحد در این فرآیند، از خطا استفاده می شود تا تفاوت بین خروجی مطلوب و خروجی واقعی، مدنظر قرار گیرد. بعد از مدت زمان معینی، این شبکه «یاد خواهد گرفت» که چگونه احتمال خطا و نتایج ناخواسته، به حداقل برسد. آموزش دادن یک شبکه عصبی مصنوعی، شامل انتخاب از مدل های مجاز می باشد که برای آنها چندین الگوریتم مرتبط وجود دارد.

این شبکه ها چندین مزیت دارند، اما یکی از شناخته شده ترین مزیت های آنها این است که عملاً می توانند از مشاهده مجموعه داده ها، یادگیری داشته باشند. به این صورت، ANN به عنوان یک ابزار تقریب تابع تصادفی عمل می کند. این نوع ابزارها به تخمین مقرون به صرفه ترین و ایده آل ترین روش ها برای رسیدن به جواب، کمک می کنند و در عین حال، توابع محاسباتی یا توزیع ها را تعریف می کنند.

ANN برای رسیدن به جواب، بجای گرفتن کل مجموعه داده ها، نمونه های داده ها را می گیرد که این هم در زمان و هم هزینه صرفه جویی می کند. این شبکه ها به درستی، مدل های ریاضیاتی ساده برای بهبود فنآوری های تحلیل داده موجود، قلمداد شده اند. آنها را می توان برای بسیاری از کاربردهای عملی، مانند تحلیل پیش بینی کننده در هوش تجاری، شناسایی ایمیل اسپم (هرزگرد)، پردازش زبان طبیعی در چت بات ها و بسیاری از موارد دیگر، مورد استفاده قرار داد.