آموزش مقدماتی بر شبکه عصبی مصنوعی (جلسه پانزدهم آموزش متلب)

خلاصه محتوا:

شبکه عصبی مصنوعی و یا Artificial Neural Network (ANN)، یک سیستم تطبیقی است که با استفاده از گره­ ها یا نورون­ های بهم پیوسته در یک ساختار لایه دار شبیه به مغز انسان، به یادگیری می­ پردازد. به عبارت دیگر، یک شبکه عصبی مصنوعی می ­تواند از داده ­ها بیاموزد. بنابراین، می­توان آن را از طریق شناخت الگوها، طبقه­ بندی داده ­ها و پیش­بینی وقایع آینده آموزش داد.

شبکه عصبی مصنوعی و اهمیت آن

از آنجا که در دوره آموزشی متلب، یادگیری شبکه عصبی مصنوعی از اهمیت بالایی برخوردار است، هدف اصلی این مقاله، آشنایی مقدماتی شما با مفاهیم و تعاریف اصلی شبکه عصبی برای برنامه ­نویسی در متلب می باشد.

چنانچه قصد دارید با انجام پروژه در متلب به حل مسائل خود از طریق شبکه عصبی مصنوعی بپردازید، لطفا تا انتهای مقاله با ما همراه باشید.

 شبکه عصبی مصنوعی و یا Artificial Neural Network ) ANN)، یک سیستم تطبیقی است که با استفاده از گره­ ها یا نورون های بهم پیوسته در یک ساختار لایه دار شبیه به مغز انسان، به یادگیری می­پردازد.

به عبارت دیگر، یک شبکه عصبی مصنوعی می­ تواند از داده ­ها بیاموزد. بنابراین، می­توان آن را از طریق شناخت الگوها، طبقه­ بندی داده ­ها و پیش بینی وقایع آینده آموزش داد.

یک شبکه عصبی را می­توان با استفاده از مثال­ های زیادی آموزش داده تا الگوهای موجود در گفتار یا تصاویر را دقیقا مانند مغز انسان بشناسد. رفتار این شبکه، با نحوه اتصال عناصر فردی و وزن­دهی اتصالات تعریف می­شود. این وزن­ ها بطور خودکار در طی آموزش طبق یک قانون یادگیری مشخص تنظیم می شوند تا اینکه شبکه عصبی مصنوعی وظیفه مطلوب را به درستی انجام دهد. اکنون این سوال مطرح می­ شود که چرا شبکه­ های عصبی مصنوعی اهمیت دارند؟

شبکه ­های عصبی مصنوعی به خصوص به منظور انجام تشخیص الگو استفاده می شوند تا به شناسایی و طبقه ­بندی اشیا یا سیگنال­ ها در سیستم گفتار، بینایی و کنترل بپردازند. همچنین، آنها می­ توانند برای انجام پیش بینی­ سری ­های زمانی و مدل سازی مورد استفاده قرار گیرند. در ادامه چند نمونه از نحوه استفاده از شبکه­ های عصبی مصنوعی آورده شده است:

نمونه هایی از شبکه عصبی مصنوعی:

• وجود دستورات گفتاری در صدا را می­توانید از طریق شناسایی یک مدل یادگیری عمیق، تشخیص دهید.
• با استفاده از انتقال سبک عصبی، از زیبایی ظاهری یک تصویر بر محتوای تصویر دوم استفاده می­شود.
• تبدیل کاراکترهای دست نویس ژاپنی به متن دیجیتال
• تشخیص سرطان با هدایت پاتولوژیست­ ها در طبقه ­بندی تومورها به عنوان خوش خیم یا بدخیم، بر اساس یکنواختی اندازه سلول، ضخامت توده، میتوز و سایر عوامل.

تشابه عملکرد شبکه عصبی مصنوعی با مغز انسان

شبکه­ های عصبی مصنوعی چگونه کار می­ کنند؟

یادگیری عمیق فرآیندی است که از شبکه­ عصبی مصنوعی به طور فراوان از آن استفاده می­کند. یکی از کاربردهای رایج یادگیری عمیق، شبکه ­های عصبی حلقوی هستند که برای طبقه­بندی تصاویر، فیلم، متن یا صدا استفاده میشود.

شبکه­ های عصبی که بر روی دو یا سه لایه از لایه­ های عصبی متصل کار می­کنند، به عنوان شبکه ­های عصبی کم عمق شناخته می­شوند. شبکه­های یادگیری عمیق می­توانند لایه ­های مختلف­، حتی صدها لایه داشته باشند. هر دو روش یادگیری، ماشینی هستند که مستقیما از داده های ورودی یاد می­گیرند.

یادگیری عمیق به ویژه برای برنامه ­های شناسایی پیچیده مانند تشخیص چهره، ترجمه متن و تشخیص صدا مناسب است. همچنین، یک فناوری کلیدی است که در سیستم­ های پیشرفته راهنمایی و رانندگی از جمله طبقه بندی خط و تشخیص علائم راهنمایی و رانندگی استفاده می­شود.

شبکه عصبی مصنوعی، چندین لایه پردازش را با استفاده از عناصر ساده که بصورت موازی کار می­کنند و از سیستم عصبی بیولوژیکی الهام می­گیرند، با هم ترکیب می­کند که شامل یک لایه ورودی، یک یا چند لایه پنهان و یک لایه خروجی است. در هر لایه چندین گره یا نورون وجود دارد که هر لایه از خروجی لایه قبلی به عنوان ورودی آن استفاده می­کند، بنابراین نورون­ ها لایه های مختلف را به هم متصل می­کنند. هر نورون به طور معمول دارای وزنی است که در طی فرآیند یادگیری تنظیم می­شود، و با کاهش یا افزایش وزن، قدرت سیگنال آن نورون را تغییر می­دهد.

تکنیک های رایج یادگیری ماشین برای طراحی برنامه­ های کاربردی شبکه عصبی مصنوعی شامل یادگیری نظارت شده و نظارت نشده، طبقه بندی، رگرسیون، تشخیص الگوی و خوشه بندی است.