نورون‌ها و شبکه‌های عصبی مصنوعی و ربط آن به نورون های بیولوژیکی
هوش مصنوعی و یادگیری ماشین صنایع مختلف را متحول ساخته است، اما آیا تا به حال تعجب کرده‌اید که این تکنولوژی‌ها چگونه از مغز انسان الهام می‌گیرند؟ در این مقاله، به دنیای نورون‌ها و شبکه‌های عصبی مصنوعی پی خواهیم برد و ارتباط آنها با نورون‌های بیولوژیکی را شرح خواهیم داد. در اخیر نقش آنها را در هوش مصنوعی و یادگیری ماشین مورد بررسی قرار خواهیم داد.
نورون ها: بلاک های سازنده هوش
در مغز انسان، نورون ها واحدهای اساسی هستند که مسئول پردازش و انتقال اطلاعات هستند. هر نورون از یک جسم سلولی، دندریت و یک آکسون تشکیل شده است. جسم سلولی سیگنال های دریافتی از نورون های دیگر را پردازش می کند، در حالی که دندریت ها سیگنال ها را دریافت کرده و به جسم سلولی منتقل می کنند. آکسون سیگنال خروجی نورون را به نورون های دیگر متصل می کند و شبکه گسترده ای از تبادل اطلاعات را تشکیل می دهد.
نورون های مصنوعی: تقلید از طراحی طبیعت
نورون های مصنوعی که به عنوان پرسپترون یا گره نیز شناخته می شوند، رفتار نورون های بیولوژیکی را در شبکه های عصبی تقلید می کنند. آنها به عنوان واحدهای محاسباتی عمل می‌کنند، سیگنال‌های ورودی را دریافت کرده، محاسبات را انجام می‌دهند و سیگنال خروجی تولید می‌کنند. نورون های مصنوعی از الگوهای فعال سازی که در نورون های بیولوژیکی مشاهده شده الهام گرفته اند. نورون ها ورودی‌های خود را با استفاده از یک تابع فعال‌سازی که خروجی نورون را بر اساس مجموع وزنی ورودی ها تعیین می کند پردازش می‌کنند. شکل ذیل نورون مصنوعی و ربط آن با نورون بیولوژیکی را نشان می دهد.
شبکه‌های عصبی مصنوعی:
شبکه‌های عصبی مصنوعی سیستم‌های پیچیده‌ای هستند که از چندین نورون مصنوعی تشکیل شده‌اند. این شبکه‌ها برای حل مشکلات خاصی با یادگیری از داده‌ها طراحی شده‌اند. شبکه های عصبی از لایه‌ها تشکیل می شوند، از جمله لایه ورودی، لایه‌های مخفی و لایه خروجی. هر لایه شامل یک یا چند نورون می باشد. نورون های هر لایه ورودی‌ها را دریافت می‌کنند، تابع فعال‌سازی را اعمال کرده و خروجی را به نورون های لایه بعدی منتقل می‌کنند. اتصالات وزنی بین نورون‌ها امکان مدل‌سازی روابط پیچیده و پیش‌بینی‌ها را فراهم می‌کند.
پیشخور یا نشر به جلو و پس انتشار: یادگیری از داده ها
در یادگیری نظارت شده، شبکه های عصبی با استفاده از داده های برچسب گذاری شده برای پیش بینی دقیق آموزش داده می شوند. برای درک بهتر این موضوع از مجموعه داده مسکن بوستون استفاده میکنیم. مجموعه داده بوستون شامل ویژگی های مختلفی برای هر محله در بوستون است، مانند تعداد اتاق ها، اوسط درآمد ساکنان، نسبت دانش آموز به معلم و غیره. هدف ما پیش‌بینی قیمت مسکن با استفاده از این ویژگی‌ها است. برای این منظور می توان از شبکه های عصبی استفاده کرد. با پیشکش نمودن معلومات در مورد ویژگی های مسکن، شبکه عصبی مصنوعی با استفاده از فرآیند پیشخور یا نشر به جلو، خروجی مربوط به قیمت مسکن را تولید می کند. در طول آموزش، شبکه خروجی پیش بینی شده را با قیمت واقعی مسکن مقایسه کرده و یک خطا (فرق بین قیمت پیش بینی شده و قیمت واقعی) را محاسبه می کند.
سپس از طریق فرآیند پس انتشار، این خطا در شبکه به عقب منتشر می شود و وزن اتصالات تنظیم می شود تا خطا به حداقل برسد. یعنی تا اینکه فرق بین قیمت پیش بینی شده و قیمت واقعی مساکن کم گردد. در نتیجه، شبکه قادر به یادگیری الگوها و روابط بین ویژگی ها و قیمت مسکن می شود که منجر به پیش بینی های دقیق تر می شود.
از طریق این فرآیند تکراری و یادگیری از مجموعه داده مسکن بوستون، شبکه عصبی بهبود می‌یابد و قادر به پیش‌بینی دقیق‌تر قیمت مسکن برای نمونه‌های جدید می‌شود.
شبکه های عصبی عمیق:
شبکه‌های عصبی عمیق، شبکه‌های عصبی با چندین لایه پنهان بین لایه‌های ورودی و خروجی هستند. شبکه های عصبی عمیق به دلیل ساختار سلسله مراتبی خود در ثبت الگوهای پیچیده در داده ها برتری دارند. هر لایه پنهان می آموزد که سطوح مختلف انتزاع را استخراج و نمایش دهد و شبکه را قادر می سازد تا روابط پیچیده را درک کند. یادگیری عمیق با استفاده از شبکه های عصبی عمیق، در حوزه‌های مختلف از جمله تشخیص تصویر، پردازش زبان طبیعی و سنتز گفتار به موفقیت چشمگیری دست یافته است. برای مثال، با گرفتن تصاویری از گربه ها و سگ ها به عنوان داده ورودی، یک شبکه عصبی عمیق می تواند یاد بگیرد که بین آنها تمایز قائل شود و آنها را طبقه بندی کند.
نتیجه‌گیری
درک اصول نورون‌ها و شبکه‌های عصبی پلی بین الهام بیولوژیکی و هوش مصنوعی را تأمین می‌کند. با درک اینکه نورون های مصنوعی چگونه رفتار نورون های بیولوژیکی را شبیه سازی یا تقلید می کنند و چگونه شبکه های عصبی داده ها را پردازش و یاد می گیرند، بینش هایی در مورد پایه های هوش مصنوعی و یادگیری ماشین به دست می آوریم. در مقاله بعدی به بررسی روند آموزش شبکه های عصبی از طریق یادگیری نظارت شده خواهیم پرداخت و گامی در جهت ساختن سیستم های هوشمند خواهیم برداشت.
انستیتوت باختر را در شبکه های اجتماعی ذیل دنبال کنید تا نوشته ها را از دست ندهید و این نوشته را لطفا به اشتراک بگذارید.
نویسنده: دکتر بشیر کاظمی