توضیح نحوه کار شبکه های عصبی برای مبتدیان

منتشر شده در خبرنامه
پیوند به مقاله اصلی: توضیح آسان مبتدی درباره نحوه کار شبکه های عصبی

چند هفته پیش ، وقتی شروع به یادگیری شبکه های عصبی کردم ، فهمیدم که اطلاعات پس زمینه خوبی برای چنین موضوع پیچیده ای وجود ندارد. من اغلب می خوانم که شبکه های عصبی الگوریتمی هستند که مغز را تقلید می کنند یا ساختاری مغز مانند دارند ، چیزی که به هیچ وجه به من کمک نمی کند. بنابراین ، هدف این مقاله آموزش اصول شبکه عصبی به روشی است که برای همه قابل درک باشد ، به ویژه کسانی که تازه کار خود را با یادگیری ماشین آغاز می کنند.

قبل از اینکه بفهمیم شبکه های عصبی چیست ، باید چند قدم به عقب برگردیم و ابتدا بفهمیم هوش مصنوعی و یادگیری ماشین چیست.

باز هم ، ناامیدکننده است زیرا وقتی در Google واژه هوش مصنوعی را جستجو می کنید ، تعاریفی مانند “شبیه سازی هوش انسانی توسط ماشین ها” ارائه می کنید ، اگرچه درست است ، اما برای زبان آموزان جدید کاملاً گمراه کننده است.

در ابتدایی ترین حالت ، هوش مصنوعی (AI) به ایده دادن توانایی ماشین یا برنامه برای تصمیم گیری براساس قوانین از پیش تعریف شده یا مدل های تشخیص الگو اشاره دارد. ایده مدل های تشخیص الگو منجر به مدل های یادگیری ماشین می شود ، که الگوریتم هایی هستند که مدل ها را بر اساس داده های مدل ایجاد می کنند تا پیش بینی خود را بر روی داده های جدید انجام دهند. توجه داشته باشید که یادگیری ماشینی زیرمجموعه هوش مصنوعی است.

تعدادی مدل یادگیری ماشین وجود دارد مانند رگرسیون خطی ، ماشین بردار پشتیبان ، جنگل های تصادفی و البته شبکه های عصبی. این ما را به س mainال اصلی ما برمی گرداند ، شبکه های عصبی چیست؟

شبکه عصبی در واقع شبکه ای از معادلات ریاضی است. به یک یا چند متغیر ورودی احتیاج دارد و با عبور از شبکه معادلات منجر به یک یا چند متغیر خروجی می شود. همچنین می توان گفت که یک شبکه عصبی بردار ورودی را می گیرد و بردار خروجی را برمی گرداند ، اما من در این مقاله آرایه ها را معرفی نمی کنم.

باز هم ، من نمی خواهم به بسیاری از مکانیک ها بپردازم ، اما بهتر است به شما نشان دهم که یک معماری اولیه شبکه عصبی چگونه است.

در یک شبکه عصبی ، یک لایه ورودی ، یک یا چند لایه مخفی و یک لایه خروجی وجود دارد. لایه ورودی شامل یک یا چند متغیر ویژگی (یا متغیرهای ورودی یا متغیرهای مستقل) است که به صورت x1 ، x2 ، … ، xn نشان داده می شوند. لایه مخفی شامل یک یا چند گره از واحدهای پنهان است. گره به سادگی یکی از دایره های شکل بالا است. به همین ترتیب ، متغیر خروجی شامل یک یا چند واحد تولید است.

همانند تصویر بالا ، یک لایه خاص می تواند شامل بسیاری از گره ها باشد.

همچنین ، یک شبکه عصبی خاص می تواند لایه های زیادی داشته باشد. به طور کلی ، گره های بیشتر و لایه های بیشتر به یک شبکه عصبی امکان انجام محاسبات پیچیده تر را می دهد.

در اینجا مثالی از شبکه عصبی بالقوه آورده شده است. این مدل دارای سه متغیر ورودی است: اندازه کف ، تعداد اتاق خواب ها و متوسط ​​درآمد خانوار. اگر ما این سه اطلاعات را به این شبکه عصبی تزریق کنیم ، پس خروجی آنها قیمت خانه است. خوب دقیقاً چگونه این کار را انجام می دهید؟

همانطور که در ابتدای مقاله گفتم ، شبکه عصبی چیزی بیش از یک شبکه معادلات نیست. هر گره در یک شبکه عصبی از دو عملکرد تشکیل شده است ، یک تابع خطی و یک تابع فعال سازی. این جایی است که همه چیز می تواند کمی طاقت فرسا باشد ، اما در حال حاضر به خاطر داشته باشید که تابع خطی بهترین فونت است. همچنین ، عملکرد فعال سازی را به عنوان یک سوئیچ نور در نظر بگیرید ، که منجر به یک عدد مانند 1 یا 0 می شود.

آنچه اتفاق می افتد این است که خصوصیات ورودی (x) به عملکرد خطی هر گره خورانده می شوند و در نتیجه یک مقدار ، z ایجاد می شود. سپس مقدار z وارد تابع فعال سازی می شود که تعیین می کند روشن بودن یا نبودن سوئیچ نور (بین 0 تا 1).

بنابراین ، هر گره در انتها مشخص می کند که کدام گره ها در لایه بعدی فعال می شوند تا زمانی که به خروجی برسند. از نظر ادراک ، این هسته اصلی شبکه عصبی است.

اگر می خواهید در مورد انواع مختلف توابع فعال سازی ، نحوه تعریف شبکه عصبی از پارامترهای توابع خطی و نحوه رفتار آن مانند مدل “یادگیری ماشین” که یاد می گیرید ، بیاموزید ، دوره های کامل وجود دارد ، به ویژه در شبکه های عصبی ، می توانید آنها را بصورت آنلاین پیدا کنید!

شبکه های عصبی به قدری پیشرفته هستند که انواع مختلفی از شبکه های عصبی وجود دارد ، اما در اینجا سه ​​نوع اصلی از شبکه های عصبی وجود دارد که احتمالاً بیشتر اوقات می شنوید.

شبکه های عصبی مصنوعی یا شبکه های عصبی مصنوعی ، مشابه شبکه های عصبی موجود در تصاویر بالا هستند ، متشکل از مجموعه ای از گره های متصل که ورودی یا گروهی از ورودی ها را می گیرند و خروجی را برمی گردانند. این ابتدایی ترین نوع شبکه عصبی است که احتمالاً برای اولین بار شناسایی خواهید کرد. شبکه های ANN از هر آنچه در مورد آن صحبت می کنیم ، به علاوه مشاغل انتشار ، نرخ یادگیری ، توابع هزینه و مشاغل پس از انتشار تشکیل شده اند.

شبکه عصبی کانولوشن نوعی شبکه عصبی است که از یک فرایند ریاضی به نام کانولوشن استفاده می کند. ویکی پدیا جمع بندی را عملیاتی ریاضی از دو تابع تعریف می کند که یک تابع سوم ایجاد می کند که نحوه اصلاح یک شکل توسط دیگری را توصیف می کند. بنابراین ، CNN ها از حداقل از تکرار ماتریس عمومی در حداقل یکی از لایه های خود از پیچیدگی استفاده می کنند.

شبکه های عصبی تکراری نوعی شبکه عصبی است که در آن اتصالات بین گره ها نمودار را در امتداد یک توالی زمانی تشکیل می دهند و به آنها اجازه می دهد تا از حافظه داخلی خود برای پردازش توالی هایی با طول ورودی متغیر استفاده کنند. به دلیل این ویژگی ، RNN ها در کنترل داده های توالی مانند تشخیص متن یا تشخیص صدا استثنایی هستند.

شبکه های عصبی الگوریتم های قدرتمندی هستند که منجر به برخی کاربردهای انقلابی شده اند که قبلاً امکان پذیر نبوده اند. در اینجا برخی از این برنامه ها ذکر شده است ، اما باید بدانید که برنامه های آنها به این موارد محدود نمی شوند:

• تشخیص تصویر و فیلم: با توجه به قابلیت های تشخیص تصویر ، اکنون مواردی مانند شناسایی چهره برای امنیت و Bixby Vision داریم.
• سیستم های پیشنهادی: آیا تا به حال فکر کرده اید که چگونه نتفلیکس می تواند همیشه نمایش ها و فیلم هایی را که واقعاً دوست دارید ، پیشنهاد دهد؟ آنها احتمالاً از شبکه های عصبی برای ارائه این تجربه استفاده خواهند کرد.
• تشخیص صدا: درصورتی که متوجه نشده باشید ، “OK Google” و “Siri” به طور باورنکردنی در درک سوالات ما و آنچه ما می گوییم بهتر هستند. این موفقیت را می توان به شبکه های عصبی نسبت داد.
• رانندگی خودمختار: در نهایت ، پیشرفت ما در جهت تکمیل رانندگی رباتیک عمدتا به دلیل پیشرفت در هوش مصنوعی و شبکه های عصبی است.

به طور خلاصه ، در اینجا نکات اساسی ذکر شده است:

• شبکه های عصبی نوعی پارادایم یادگیری ماشین یا زیرمجموعه یادگیری ماشین هستند و یادگیری ماشین زیرمجموعه هوش مصنوعی است.
• شبکه عصبی شبکه ای از معادلات است که ورودی (یا گروهی از ورودی) را می گیرد و خروجی (یا گروهی از خروجی) را برمی گرداند.
• شبکه های عصبی از اجزای مختلفی مانند لایه ورودی ، لایه مخفی ، لایه خروجی و گره ها تشکیل شده است.
• هر گره از یک تابع خطی و یک تابع فعال سازی تشکیل شده است که در نهایت تعیین می کند کدام گره ها در لایه بعدی فعال شوند.
• انواع مختلفی از شبکه های عصبی وجود دارد ، از جمله ANN ، CNN و RNN

در این متن از روبات ها استفاده شده است ترجمه مقاله علمی ترجمه شده و مورد بازبینی محدود انسانی قرار گرفته است ، و در نتیجه ممکن است در ترجمه با برخی از مشکلات روبرو شوید.