آنچه شما باید بدانید برای درک تکنولوژی در حال تغییر در اطراف شما
شبکه های عصبی مدل های کامپیوتری از واحدهای متصل شده یا گره های طراحی شده برای انتقال، پردازش و یادگیری از اطلاعات (داده ها) به شیوه ای مشابه به نحوه کارکرد نورون ها (سلول های عصبی) در انسان است.
شبکه های عصبی مصنوعی
در تکنولوژی، شبکه های عصبی اغلب به عنوان شبکه های عصبی مصنوعی (ANNs) یا شبکه های عصبی شناخته می شوند تا از شبکه های عصبی بیولوژیکی که بعد از آنها مدل سازی می شود، متفاوت باشند. ایده اصلی ANN، این است که مغز انسان پیچیده ترین و هوشمندترین "کامپیوتر" است که وجود دارد. محققان امیدوارند با ایجاد مدل سازی شبکه های عصبی به عنوان دقیق تر به ساختار و سیستم پردازش اطلاعات که توسط مغز مورد استفاده قرار می گیرد، کامپیوترهایی را ایجاد کنند که اطلاعات هوشمندانهتری را برآورده یا از آن عبور کرده باشند. شبکه های عصبی جزء اصلی پیشرفت های جاری در هوش مصنوعی (AI)، یادگیری ماشین (ML) و یادگیری عمیق هستند .
چگونه شبکه های عصبی کار می کنند: مقایسهای
برای درک اینکه چگونه شبکه های عصبی کار می کنند و تفاوت بین دو نوع (بیولوژیکی و مصنوعی)، از نمونه ای از یک ساختمان اداری 15 طبقه و خطوط تلفن و تابلوهای برق استفاده می کنیم که در سراسر ساختمان، طبقه های فردی و دفاتر مختلف تماس می گیرند. هر دفتر فردی در ساختمان اداری 15 طبقه ما نشان دهنده یک نورون (گره در شبکه کامپیوتری یا سلول عصبی در زیست شناسی) است. این ساختمان یک ساختار است که مجموعه ای از دفاتر را در یک سیستم 15 طبقه (شبکه عصبی) تنظیم می کند.
با استفاده از مثال به شبکه های عصبی بیولوژیکی، سوئیچینگ که تماس دریافت می کند دارای خطوطی است که به هر دفتر در هر طبقه در کل ساختمان متصل می شوند. علاوه بر این، هر دفتر دارای خطوطی است که آن را به هر دفتر دیگری در کل ساختمان در هر طبقه متصل می کند. تصور کنید که یک تماس در (ورودی) و سوئیچ آن را به یک دفتر در طبقه 3 منتقل می کند و آن را به طور مستقیم به یک اداره در طبقه 11 منتقل می کند و سپس به طور مستقیم آن را به دفتر در طبقه 5 منتقل می کند. در مغز، هر سلول عصبی یا عصبی (دفتر) می تواند به طور مستقیم به هر عصب دیگری در سیستم یا شبکه عصبی (ساختمان) به طور مستقیم متصل شود. اطلاعات (تماس) را می توان به هر نورون دیگر (دفتر) منتقل کرد تا پردازش یا یادگیری آنچه که مورد نیاز است تا زمانی که پاسخ یا قطعنامه (خروجی) وجود دارد.
هنگامی که ما این مثال را به ANNs اعمال می کنیم، آن را بسیار پیچیده تر می شود. هر طبقه ساختمان نیاز به تابلوهای شخصی خود دارد که تنها می تواند به دفاتر در همان طبقه متصل شود، و همچنین در تابلوهای طبقه بالا و پایین آن. هر دفتر تنها می تواند به طور مستقیم به دیگر دفاتر در همان طبقه و سوئیچینگ برای آن طبقه به متصل شود. تمام تماس های جدید باید با استفاده از سوئیچ در طبقه 1 آغاز شود و قبل از پایان تماس باید به طبقه ی هر طبقه ی جداگانه تا طبقه ی 15 منتقل شود. بیایید آن را در حرکت قرار دهید تا ببینید که چگونه کار می کند.
تصور کنید که یک تماس در ورودی (ورودی) به صفحه کلید 1 طبقه قرار می گیرد و به دفتر 1 طبقه (گره) ارسال می شود. تماس سپس به طور مستقیم در میان دیگر دفاتر (گره ها) در طبقه اول به طور مستقیم منتقل می شود تا آماده شود تا به طبقه بعدی فرستاده شود. سپس تماس باید به سوئیچ طبقه 1 طبقه فرستاده شود، سپس آن را به سوئیچ طبقه دوم طبقه بندی می کند. این همان مراحل یک طبقه را در یک زمان تکرار می کند، با فراخوانی از طریق این فرآیند در هر طبقه به تمام سطوح تا طبقه 15 ارسال می شود.
در ANNs، گره ها (دفاتر) در لایه ها (طبقه های ساختمان) مرتب شده اند. اطلاعات (تماس) همیشه از طریق لایه ورودی (طبقه 1 و سوئیچ آن) از طریق هر لایه (کف) ارسال می شود و قبل از اینکه بتواند به یک بعدی حرکت کند، از طریق یک لایه ارسال می شود. هر لایه (کف) جزئیات خاصی را درباره این تماس پردازش می کند و نتیجه را با تماس به لایه بعدی ارسال می کند. هنگامی که فراخوانی به لایه خروجی (طبقه 15 و سوئیچ آن) می رسد، شامل اطلاعات پردازش از لایه های 1 تا 14 می شود. گره ها (دفاتر) در لایه 15 (کف) از ورودی و پردازش اطلاعات از تمام لایه های دیگر (کف) استفاده می کنند تا پاسخ یا قطعنامه (خروجی) ارائه شود.
شبکه عصبی و یادگیری ماشین
شبکه های عصبی نوعی تکنولوژی تحت دسته بندی آموزش ماشین هستند. در حقیقت، پیشرفت در تحقیق و توسعه شبکه های عصبی به شدت با جریانات پیشرفت در ML ارتباط دارد. شبکه های عصبی توانایی پردازش داده ها را افزایش داده و توان محاسباتی ML را افزایش می دهند و حجم داده ها را که می توان پردازش شده و همچنین توانایی انجام وظایف پیچیده تر را افزایش داد.
اولین مدل کامپیوتری مستند برای ANNs در سال 1943 توسط والتر پیتس و وارن مک کلوچ ساخته شد. علاقه اولیه و تحقیق در شبکه های عصبی و یادگیری ماشین در نهایت آهسته و کمتر یا کمتر از سال 1969، با تنها انفجار کوچک از علاقه جدید، قفل شد. کامپیوترهای آن زمان به سادگی به اندازه کافی سریع و یا پردازنده های بزرگ به اندازه کافی برای پیشبرد این مناطق بیشتر نبود، و مقدار زیادی از اطلاعات مورد نیاز برای ML و شبکه های عصبی در آن زمان در دسترس نیست.
افزایش عظیم قدرت محاسباتی در طول زمان همراه با رشد و گسترش اینترنت (و به این ترتیب دسترسی به مقدار زیادی اطلاعات از طریق اینترنت) این چالش های اولیه را حل کرده است. شبکه های عصبی و ML در حال حاضر در فن آوری هایی هستند که ما هر روز می بینیم و استفاده می کنیم، مانند تشخیص چهره ، پردازش تصویر و جستجو، و ترجمه زبان در زمان واقعی - به نام فقط چند.
نمونه های شبکه عصبی در زندگی روزمره
شبکه عصبی یک موضوع نسبتا پیچیده در تکنولوژی است، با این حال، ارزش هر زمان برای کشف آن به دلیل تعداد روزافزونی از شیوه های زندگی روزمره ما است. در اینجا چند مثال دیگر از روش های شبکه های عصبی در حال حاضر توسط صنایع مختلف استفاده می شود:
- مالی: شبکه های عصبی برای پیش بینی نرخ ارز ارز استفاده می شود. آنها همچنین در تکنولوژی پشت سیستم های خودکار معاملاتی مورد استفاده در بازار سهام استفاده می شوند.
- پزشکی: قابلیت پردازش تصویر شبکه های عصبی به فن آوری کمک می کند که به دقت بیشتر برای نمایش و تشخیص مرحله اولیه و شناسایی انواع سرطان ها دشوار است. یکی از این نوع سرطان، ملانوم تهاجمی، جدی ترین و کشنده ترین نوع سرطان پوست است. شناسایی ملانوما در مراحل اولیه، قبل از آن گسترش یافته است، به بیماران با این نوع سرطان بهترین شانس برای ضرب و شتم.
- آب و هوا: توانایی تشخیص تغییرات جوی که نشان می دهد رویداد بالقوه جدی و خطرناک هوا به سرعت و با دقت امکان پذیر است برای صرفه جویی در زندگی ضروری است. شبکه های عصبی در پردازش زمان واقعی تصاویر ماهواره ای و رادار که نه تنها تشخیص شکل گیری اولیه طوفان ها و سیکلون ها را تشخیص می دهند، بلکه همچنین تغییرات ناگهانی در سرعت و جهت باد را نشان می دهند که نشان دهنده گرداب گردنده است. تورنتوها یکی از قوی ترین و خطرناک ترین رویدادهای آب و هوایی هستند که اغلب ناگهان، مخرب و مرگبار از طوفان ها هستند.