ایده ی استفاده از شبکه ی عصبی آن زمان به ذهن‌ها رسید که آیا می‌شود مانند مغز انسان مساءل را حل نمود ؟
در کامپوزتر های معمولی ما مساءل را با استفاده زا الگوریتم های از پیش تعریف شده حل میکنیم و با در دست داشتن منابع مختلف با مسءله ی از پیش حل شده برخورد میکنیم ولی در حل مساءل با الگوریتم های شبکه ی عصبی ما به دنبال حل مساءلی هستیم که با استفاده از روش‌های قبلی قابل حل نیستند ُ ، به عنوان به دنبال کشف یه رابطه بین اطلاعات موجود هستیم که برای این کار روش خاصی نمیتوان بدست آورد ؛ شبکه‌های عصبی و روش‌های قدیمی در رقابت با یکدیگر نیستند ُ بلکه مکمل یکدیگر هستند ُ . معمولاً از روش‌های الگوریتمیک کلاسیک برای حل مساءل محاسباتی اسفتاده می‌شود و برای پیدا کردن الگو از روش‌های شبکه ی عصبی مصنوعی که در بسیاری از موارد ما مجبور به استفاده از هر دوی این روش‌ها برای حل یک مساله ی خاص هستیم ؛ شبکه ی عصبی معجزه گر نیست ولی با طراحی دقیق میتوان نتایج شگفت انگیزی از آن گرفت .

 

جدول زیر مقایسه‌ای است بر کامپویتر های معمولی و شبکه ی عصبی :

 

مشخصه

روی محاسباتی معمولی

شبکه ی عصبی

روش پردازش

ترتیبی

موازی

توابع

منطقی

مانند مغز

روش آموزش

به کمک قواعد

مثال

کاربرد

حسابداری ،واژه پرداز ، ریاضیات ، ارتباطات دیجیتال

تشخیص گفتار ، نوشتار ، الگو ، صوت 

 

 

از مزیت‌های عمده ی شبکه ی عصبی در آن است که در بدست آوردن الگو از اطلاعات بسیار مفید است و میتوان پاسخ سؤال‌هایی مانند { چه میشد اگر ؟ } را پیدا کرد ، این مزایا عبارتند از :

یادگیری تطبیقی : با استفاده از داده‌های گرفته شده به شبکه یاد دهیم چه نتایجی گرفته شود

محاسبه به صورت بی درنگ : با پیاده‌سازی شبکه به صورت موازی میتوان سرعت پردازش با به حد بالایی رساند .

حمل خطا : با ایجاد مشکل در شبکه ، شبکه از عمل باز نمیایستد و میتواند مقداری از عمل کرد اولیه ی خود را داشته باشد .

دسته بندی : شبکه ی عصبی قادر به دسته بندی اطلاعات وردی است .

انعطاف پذیری : شبکه ی عصبی به صورت همزمان قادر به یادگیری و انعطاف پذیری در برابر داده‌های مختلف و رفتار مناسب با آن هاست .

 

از معایب شبکه ی عصبی میتوان موارد زیر را نام برد :

- قاعده ی مشخصی در پیاده‌سازی شبکه ی عصبی وجود ندارد .

- دقت نتایج بستگی مستقیم به آموزش‌های داده شده به سیستم دارد .

- تهیه ی مثال‌های مناسب برای شبکه میتوان سخت یا حتی غیر ممکن باشد .

- پیش‌بینی عمل‌کرد شبکه میتواند سخت باشد .

 

هوش مصنوعی 

برگرفته از پایان نامه ی آقای زرآهنی 

 

دانشمندان کامپیوتر در سال‌های اخیر وقت و انرژی زیادی صرف گسترش مباحث شبکه ی عصبی کرده‌اند . الگوریتم های شبکه ی عصبی که از شبکه ی عصبی طبیعی بدن ایده برداری شده‌اند سعی بر این دارند تا با پردازش داده‌های تجربی قانون یا دانش نهفته ی آن را بیابند . ایده‌آل برای ما این است تا بتوانیم عمل‌کرد واقعی مغز انسان را با استفاده از رایانه شبیه سازی کنیم و مساءلی که با آن رو به رو هستیم را با روش مغز انسان حل کنیم ولی پژوهش های بیشتر ما را به عظمت مغز انسان آشنا تر میکند .

 

شبکه ی عصبی زیستی : تشکیل شده از سلول‌های نورون میباشد که این سلول‌ها به صورت موازی مانند پردازشگر هایی عمل میکنند که با استفاده از سیناپس ها اطلاعات را منتقل میکنند .
این شبکه ی طبیعی با استفاده از اطلاعاتی که در طول زمان بدست می‌آورد قادر به یادگیری است اطلاعاتی مانند سوزش یا درد یا احساس گرما .

 

شبکه‌های عصبی مصنوعی : مدل رایانه ای از شبکه ی عصبی طبیعی است که سعی ما بر این است تا بتوانیم با استفاده از الگوریتم های مختلف روش‌های یادگیری را به این شبکه اضافه کنیم تا با نمونه‌های مختلف تعدادی از مساءل قابل حل باشند .

یادگیری در شکبه ی عصبی طبیعی با استفاده از تنظیماتی در سیناپس ها صورت میگیرد ُ که در روش مصنوعی Node های مختلف با on و off بودن خود همچین مساله ای را شبیه سازی میکنند
شبکه‌های عصبی مصنوعی (ANN) ها از سه قسمت تشکیل شده‌اند : سیستم تجزیه و تحلیل داده‌ها - نورون یا سلول عصبی – قانون کار گروهی شبکه
شبکه‌های عصبی سه مرحل را پشت سر میگذارند : آموزش - اعتبار سنجی - آزمایش
منظور از آموزش تنظیم روابط و مقادیر توابع مختلف با روش‌ ها و مثال‌های مختلف میباشند .
هر سلول این شبکه دو وظیفه دارد ، ترکیب ورودی ها و ایجاد یک عدد با استفاده از تابع ترکیب و تابع تجریک که در حقیقت با رسیدن به حد خاصی سیگنالی را ارسال میکند .

 

منبع : پایان نامه ای درباره ی شبکه های عصبی 

مزیت های شبکه های عصبی:

  • شبکه عصبی، به دلیل پردازش های موازی، از سرعت پردازش بالایی برخوردار است.
  • شبکه های عصبی توان بالقوه ای برای حل مسائلی دارند که شبیه سازی آن ها از طریق منطقی و یا سایر روش ها، مشکل و یا غیر ممکن است.
  • شبکه های عصبی همانند مغز انسان به طور پیوسته در حال یادگیری و انطباق با محیط هستند. به این معنی که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی آن رخ داد، می تواند با آموزش مختصر، برای شرایط جدید نیز کارآمد باشد.
  • در شبکه عصبی، عدم عملکرد صحیح قسمتی از نرون ها، موجب از کار افتادگی کامل مغز نمی شود و امکان اتخاذ تصمیم صحیح نیز وجود دارد.
  • این روش قادر است برای داده ها و شرایط عدم اطمینان (اعم از آن که فازی باشند و یا به طور ناقص و توام با دریافت نویز دریافت شده باشند)، جواب منطقی ارائه دهد.

محدودیت های شبکه های عصبی:

  • شبکه های عصبی مصنوعی قادر به توضیح منطق و قاعده کار نیستند و اثبات درستی نتایج آن ها بسیار دشوار است.
  • محاسبات شبکه های عصبی معمولاً محتاج مقادیر زیادی برای آموزش مدل است.
  • در حالت کلی، شبکه های عصبی  برای برخی از مسائل کارایی ندارند. برای مثال برای حل مسائل و پردازش داده ها با روش مستدل مناسب نیستند.

در جهان امروز به علت پیشرفت تکنولوژی و پیچیده تر شدن مسائل، استفاده از روش های نوین، جایگزین بسیاری از روش های سنتی شده که دیگر قادر به تخمین درستی از وضعیت موجود نمی باشند. همچنین پیچیده شدن فرایندها منجر به مشکلاتی مانند غیرخطی شدن رابطه ی پارامترهای فرایند شده که روش های پیشین قادر به انجام و یا تصمیم گیری در مورد آن ها نیستند، از این رو روش های جدیدی از قبیل شبکه های عصبی جهت تحلیل این فرآیند ها پدید آمده است.

شبکه عصبی چیست؟

اصطلاح شبکه عصبی به خانواده ای از مدل ها اشاره می کند که با یک فضای بزرگ پارامتری و ساختار منعطف مشخص شده و از روی  مطالعات مغزی الهام گرفته شده است. با بزرگ شدن این خانواده، اکثر مدل های جدید برای کاربردهای غیر بیولوژیکی طراحی شده اند، اگر چه اکثر اصطلاحات فنی مرتبط، ریشه بیولوژی این کلمات را نشان می دهند. تعاریف تخصصی شبکه های عصبی، از آنجایی که این شبکه ها در گستره بزرگی از کاربردها مفید و کاربردی می باشند، متنوع است و به این دلیل که هیچ تعریف جامعی که بتواند تمام مدل های موجود در این خانواده را پوشش دهد وجود ندارد، در حال حاضر از تعریف زیر استفاده می شود:

شبکه عصبی یک "پردازنده توزیع شده موازی" (Parallel distributed processor) است که میل طبیعی برای ذخیره دانش تجربی و قابل استفاده کردن آن دارد. که از دو جهت به مغز شباهت دارد:

1- دانش از طریق یک فرآیند یادگیری توسط شبکه کسب می شود.

2- قدرت ارتباط بین نرونی که به عنوان وزن سیناپسی (Synaptic Weights) شناخته می شود، برای ذخیره دانش مورد استفاده قرار می گیرد.

برای تمیز شبکه عصبی از روش های آماری مرسوم، چیزی که گفته نشده است به اندازه متن واقعی تعریف مهم می باشد. برای مثال، مدل مرسوم رگرسیون خطی می تواند با روش حداقل مربعات اطلاعات را جمع آوری کرده و آن ها را به صورت ضریب رگرسیون ذخیره کند. از این منظر این روش یک شبکه عصبی است. در واقع، می توان این طور استدلال کرد که رگرسیون خطی یک حالت خاص از شبکه های عصبی مشخص است. با این تفاوت که رگرسیون خطی دارای یک ساختار مدل نا منعطف و مجموعه فرضیاتی است که قبل از یادگیری اطلاعات اعمال می شوند. تعریف بالا نیاز به ساختار مدل و فرضیات را حداقل می کند. بنابراین یک شبکه عصبی می تواند بازه وسیعی از مدل های آماری را بدون نیاز به فرض رابطه بین متغیرهای وابسته (Dependent variable) و مستقل (Independent variable) تخمین بزند. در عوض، نوع ارتباط حین فرآیند یادگیری مشخص می شود. در صورتی که رابطه خطی بین متغیرهای مستقل و وابسته مناسب باشد، نتایج شبکه های عصبی باید به تخمین مدل رگرسیون خطی نزدیک باشند. اگر رابطه غیر خطی مناسب تر باشند، شبکه عصبی به صورت خودکار ساختار صحیح مدل را تخمین خواهد زد.

بهای این انعطاف پذیری، غیرقابل تفسیر بودن وزن های سیناپسی یک شبکه عصبی است. بنابراین چنانچه سعی در تشریح فرآیندی دارید که به ایجاد روابط میان متغیرهای مستقل و وابسته می پردازد، بهتر است که مدل های آماری سنتی استفاده کنید. با این وجود چنانچه قابلیت تفسیر مدل برایمان  حائز اهمیت نباشد می توان با استفاده از شبکه های عصبی سریعتر به نتایج دست یافت.

منبع: کتاب شبکه های عصبی در SPSS – مترجم: امیر رضا فتی پورجلیلیان – مازیار نجبا

1- شبکه های عصبی  توان بالقوه ای برای حل مسائلی دارند که شبیه سازی آن ها از طریق منطقی، تکنیک های تحلیلی، سیستم های خبره و تکنولوژی های استاندارد نرم افزاری مشکل است.

2- این تکنیک قادر است در مواقعی که داده ها در شرایط عدم اطمینان اعم از آن که داده ها فازی باشند و یا به طور ناقص و توام با نویز دریافت شده باشند جواب منطقی ارائه دهد.

3- شبکه های عصبی به دلیل پیشرفت های تکنیکی از سرعت پردازش بالایی برخوردار شده است.

4- سیستم های شبکه های عصبی قادر به توضیح منطق و قاعده کار نیستند و اثبات درستی نتایج بسیار دشوار است چرا که در بسیاری از مسائل وزن های تعدیل شده قابل تغییر نیستند. بنابراین منطقی که پست تصمیم نهفته است را نمی توان روشن نموده و اثبات کرد.

5- محاسبه گرهای عصبی در مواقعی که شرایط تغییر می کند بسیار منعطف هستند. همچنین نگهداری آن ها بسیار ساده است.

6- محاسبات شبکه های عصبی معمولا محتاج مقادیر زیادی داده برای آموزش تست مدل است.

7- در حالت کلی شبکه های عصبیب برای برخی مسائل کارایی ندارند، به طور مثال ANN برای حل مسائل و پردازش داده ها با روش مستدل مناسب نیست.