شبکه عصبی چیست؟

عبارت شبکه عصبی برای خانواده گسترده از مدلها به کار می رود که به وسیله ی فضای وسیع پارامترها و ساختاری انعطاف پذیر و برگرفته از عملکرد مغز انسان توصیف می شود. هر چه این خانواده بزرگ تر شد، بیشتر مدلهای جدید برای کاربردهای خارج از زیست شناسی افزایش یافت اگرچه بسیاری از عبارات و اصطلاحات این مبحث هنوز به اصل زیست شناسی خود برمی گردد مثل نرون و سیناپس. تعریف خاص تر شبکه های عصبی بسته به گستردگی رشته ها و زمینه هایی است که این شبکه ها در آن کاربرد دارند. با اینکه هیچ تعریف واحد و مناسبی تمام خانواده مدلها را پوشش نمی دهد فعلا تعریف زیر بهترین تعریف است (Haykin,1998)

شبکه عصبی مجموعه ای انبوه از پیش بینی کننده های برابر است که خاصیت ذاتی در ذخیره اطلاعات دارند و امکان استفاده از این اطلاعات را ایجاد می کند.

این مجموعه از دو جهت شبیه مغز انسان است:

-اطلاعات طی یک فرآیند یادگیری از طریق شبکه کسب می شود.

-ارتباطات بین نرون ها که به عنوان وزن های سیناپسی شناخته می شود برای ذخیره اطلاعات به کار می روند.

شبکه عصبی مصنوعی یک سامانه پردازشی داده ها است که از مغز انسان ایده گرفته و پردازش داده ها را به عهده پردازنده های کوچک و بسیار زیادی سپرده که به صورت شبکه ای به هم پیوسته و موازی با یکدیگر رفتار می کنند تا یک مسئله را حل نمایند. در این شبکه ها به کمک دانش برنامه نویسی، ساختار داده ای طراحی می شود که می تواند همانند نورون عمل کند که به این ساختار داده گره گفته می شود. بعد با ایجاد شبکه ای بین این گره ها و اعمال یک الگورتیم آموزشی به آن، شبکه را آموزش می دهند. در این حافظه یا شبکه عصبی گره ها دارای دو حالت فعال(روشن یا 1) و غیرفعال(خاموش یا 0) اند و هر یال(سیناپس یا ارتباط بین گره ها) دارای یک وزن می باشد. یال های با وزن مثبت، موجب تحریک یا فعال کردن گره غیر فعال بعدی می شوند و یال های با وزن منفی، گره متصل بعدی را غیرفعال یا مهار(در صورتی که فعال بوده باشد) می کنند.

این شبکه ها برای تخمین(Estimation) و تقریب (approximation)  کارایی بسیار بالایی از خود نشان داده اند. گستره کاربرد این مدلهای ریاضی برگرفته از عملکرد مغز انسان بسیار وسیع می باشد که به عنوان چند نمونه کوچک می توان استفاده از این ابزار ریاضی در پردازش سیگنال های بیولوژیکی، مخابراتی و الکترونیکی  تا کمک در نجوم و فضانوردی را نام برد.

برای متمایز کردن شبکه های عصبی و دیگر روش های آماری مرسوم با استفاده از این تعریف تنها چیزی که بیان نشده میزان اهمیت متغییرها می باشد که در متون دقیق برآورد نشده است. برای مثال مدل رگرسیون خطی مرسوم احتیاج به اطلاعات در روش حداقل مربعات دارد و این اطلاعات در ضرایب رگرسیونی ذخیره می شود. در این مورد نیز این هم یک شبکه ی عصبی است. در واقع شما می توانید این گونه برداشت کنید که رگرسیون خطی یک حالت خاص از شبکه عصبی می باشد. اگرچه رگرسیون خطی یک ساختار ساده و مجموعه فروضی دارد که قبل از یادگیری از داده ها به مدل تحمیل شده است.

بر عکس، در تعریف بالا کمترین نیاز به فروض و پیش فرض برای ساختار مدل را می خواهد. بنابراین یک شبکه عصبی می تواند  یک دامنه وسیعی از مدلهای آماری را بدون نیاز به تعیین فرض برای شرایط خاص  و روابط بین متغییرهای مستقل و وابسته تقریب بزند. در عوض شکل  رابطه ها در طول فرآیند یادگیری تعیین می شود. اگر یک رابطه خطی بین متغییرهای وابسته و مستقل مناسب باشد، نتایج شبکه عصبی باید تقریبا شباهت زیادی با نتایج مدل رگرسیون خطی داشته باشد. اگر یک رابطه غیرخطی مناسب تر باشد، شبکه ی عصبی به طور خودکار ساختار مدل را صحیح تقریب می زند.

در مقابل، این انعطاف پذیری، وزن های سیناپسی یک شبکه عصبی به آسانی قابل تغییر نیست. بنابراین اگر شما سعی دارید که یک فرآیند تحت بررسی را توضیح دهید که رابطه بین متغییر وابسته و مستقل را توضیح می دهد، بهتر است  که از یک مدل مرسوم تر آماری استفاده کنید اگرچه قابلیت تفسیر مدل مهم نیست شما اغلب می توانید از نتایج خوب بدست آمده از مدل های شبکه عصبی استفاده کنید.

 

از کپی کردن مطالب سایت یا کانال بدون ذکر منبع خودداری شود.

آدرس کانال تلگرام: https://telegram.me/analysisacademy