بخشی از مقاله
ساختار ذهنی مغز
شبکه عصبی یک مدل نسبتاً ساده از شبکه محاسباتی ذهنی است که از نظر درجه بعد از ساختار ذهنی مغز قرار گرفته است . این شبکه از چند عامل با مسئولیت و دستورالعمل پیوند دهی فرایند ها تشکیل شده است که با یکدیگر برای ایجاد یک کارکرد به عنوان محصول شبکه با یکدیگر فعالیتها و همکاری می کنند . محصول شبکه عصبی به همکاری انفرادی هر یک از عصب ها ( زیر شاخه ها ) بستگی دارد . طبقه بندی و پردازش اطلاعات به وسیله شبکه بر خلاف تصور
اعلب به صورت کارکرد موازی در هر شبکه انجام می شود یعنی هر شاخه و زیر گروه عصبی به ( Neuron ها ) به صورت گروهی به پردازش اطلاعات در هر شاخه عصبی می پردازند اگر چه این عملکرد به مسئولیت و وظیفه تمامی زیر شاخه های عصبی برای انجام پردازش اطلاعات بستگی دارد اما مهمترین و منحصر به فردترین ویژگی شبکه عصبی این است که حتی بدون ایفای نقش یک یا چند زیر مجموعه در انجام وظایف خود شبکه باز هم مسئولیت اصلی خود را انجام خواهد داد .
به همین دلیل است که شبکه عصبی در مقابل هر گونه خطا و اشتباه بسیار حساس و در عین قوی می باشد .
شبکه عصبی اغلب به شاخه هایی از علوم محاسباتی که در داخل شبکه به عنوان یک الگو و مدل برای شبیه سازی ، آنالیز مجموعه ای از پدیده ها و یا مطالعه بر روی اصول و قواعد عملیات شبکه عصبی اشاره دارد . این شبکه با معرفی اشکالات موجود به هوش مصنوعی با استفاده از الگوریتم محاسباتی سنتی به حل مسئله ( مشکل ) موجود در شبکه عصبی می پردازد در صورتی که شبکه عصبی با استفاده از عوامل شبکه ( به صورت نرم افزارها یا سخت افزارها یی که به یکدیگر
متصل هستند ) به عنوان یک آرشیتکت ( معمار ) محاسباتی برای حل مسئله و مشکل موجود در شبکه اقدام می نماید . گونه ای از شبکه های عصبی که به صورت مصنوعی طراحی شده اند . سیستم هاسس قابل آموزش ( برنامه ریزی ) هستند که اغلب آموزش می بینند . برای حل پاره ای از مسائل به وسیله طرح مثال ها و همچنین عمومیت بخشیدن به مشکل به وسیله یک سری از علوم اکتسابی که این کار کمک شایانی به حل مسائل و مشکلات پیش بینی نشده می نماید .
2- شبکه های عصبی مصنوعی از چندین عصب پیوند دهنده مصنوعی ( زیر شاخه های یاد شده ) نشکیل شده ، که منحصراً برای خصوصیات غیر واقعی شبکه های عصبی زیستی طراحی شده اند . شبکه های عصبی مصنوعی قادر هستند که به شیوه عملیاتی شبکه های عصبی زیستی عادت کنند .در حالی که شبکه های عصبی حقیقی مدهای تئوریکالی هستند که به کپی برداری از دستورالعمل های واقعی مغز می پردازند در حالی که هوش مصنوعی یک الکوریتم تصنعی (
ساخته دست بشر ) می باشد که می تواند مسائل به خصوص هوش را تجزیه و تحلیل کند مانند بازی شطرنج به یاد آوردن الکوها و ...... بدون استفاده از شبکه عصبی به عنوان یک معمار محاسباتی . هوش مصنوعی و الگوی حقیقی آن سعی می کنند که خصوصیات و ویژگی های شبکه عصبی را شبیه سازی کنند . در حالی که در شیوه و روش هر 2 یکسان عمل می کنند .
، اما در مدل شبیه سازس شده هدف شبکه حل مسائل مشخص شده می باشد در حالی در مدل واقعی شبکه عصبی هدف ساختن الگو های ریاضی برای شبکه عصبی زیستی می باشد .
در زمینه هوش مصنوعی ، شبکه عصبی مصنوعی به این دلیل به کار گرفته شده است چون در مواردی مانند به یاد آوردن سخنان ، آنالیز تصاویر ، تغییر کنترل به منظور بازسازی عوامل نرم افزاری ( در کامپیوتر و ویدئو ) و کنترل رباتها از عملکرد مثبت و قابل قبولی برخوردار بوده است . بیشتر شبکه های مصنوعی عصبی به کار گرفته شده برای هوش مصنوعی ، بر مبنای ارزیابی ، خوش بینی ها و تئوری کنترل بوده است .
عرصه مدل های حقیقی شبکه عصبی ، مدل های فیزیکی و ریاضی عملکرد سیستم شبکه می باشد ، که به صورت زیر طبقه بندی می شوند :
درجه شاخه ها ( عصبها ) انفرادی ، درجه شاخه های عصبی گروهی و ساختار شبکه عصبی کامل .
اگر چه به صور تاریخی مغز انسان چشم اندازی از یک کامیپوتر بوده است اما بالعکس این نگرش تنها یک حس معمولی نسبت به این قضیه می باشد و نه حرفه ای. کامپیوترها با سخت افزارهای دقیق برای ما تعریف و توضیح دقیقی از مغز ارائه نمی دهد (اگر چه می توان مغز را به ئسیله پردازش های منطقی به عنوان یک کامپیوتر شناخت یا مغز را وسیله ای برای استفاده از کامپیوتر
دانست) چون کامپیوتر ها نمی توانند به معماری پردازش موازی اطلاعات دست یابند که به وسیله مغز انسان تعریف و اجرا می شود. به عنوان مثال هنگام صحبت کردن دست کامپیوتر ابر پردازنده، دستور العملهای صحبت کردن نمی تواند در شرایط حواس پرتی متأثر از عوامل خارجی قرار گیرد. در حالی که در مغز انسان بدلیل موازی بودن پردازش عوامل پرتی صورت می گیرد.
شبکه های عصبی که در هوش مصنوعی به کار می روند به طور معمول به عنوان مدل های ساده پردازش عصبی به شمار می روند اگر چه ارتباط این مدل و ساختار و معماری بیولوژیکی مغز نیمی بحث برانگیز می باشد. برای پاسخ به این سوال Marr درجه های مختلفی از آنالیز ها با جواب های به نظر صحیح و قابل باور برای نقش شبکه عصبی در دستورالعمل یادگیری انسان برای ما فراهم آمرده است.
شبکه عصبی مصنوعی (ANN) که شبکه عصبی شبیه سازی شده (SNN) نامیده می شود (در اصطلاح معمول شبکه عصبی (NN) ) گروهی از به هم پیوند دهنده پردازشی فوق العاده به هم پیوسته هستند که از مدل های ریاضی و محاسباتی برای پردازش اطلاعات استفاده می کنند. در بیشتر موارد یک شبکه عصبی مصنوعی یک سیستم توافقی است ( خود را تحت شرایط وفق می دهد) که ساختار خود را بر اساس اطلاعات داخلی و خارجی که در طول شبکه جریان دارد تغییر می دهد.
در ابزار و وسایل نرم افزاری شبکه عصبی مصنوعی متد و شیوه پردازش برگرفته شده از تغییرات بیولوژیکی، وجود ندارد و شیوه های به کار گرفته شده بر اساس آمار و سیگنالهای پردازش هستند که در طول شبکه جریان دارند. در بعضی از سیستم های شبکه عصبی یا بعضی از قسمت های شبکه مانند عناصر پردازش مصنوعی (Neuronها) که به عنوان قسمت هایی از یک سیستم بزرکتر به حساب می آیند، ترکیبی از هر 2 عناصر توافقی و عناصر غیر توافقی در شبکه وجود دارد.
وظایفی که شبکه عصبی مصنوعی به واسطه انجام آن ها مورد توجه خاص می باشد به صورت زیر دسته بندی می باشد.
1- دستورالعمل های نسبی یا تجزیه و تحلیل یادآوری شرایط گذشته (حالتهای ناراحتی) شیوه های رفتار کردن که شامل سری های زمانی برای پیش بینی و مدل سازی می باشد
2- طبقه بندی شامل الگوها و یادآوری صمندها و کنجکاوی در امور هیجان انگیز و تصمیم گیریهای گروهی
3- پردازش داده ها که شامل فیلتر کردن، سازمان دهی (مرتب کردن) سیگنال های جدا از هم و متراکم کردن آنها به منظور جریان در شبکه عصبی
محدوده های مورد درخواست شامل سیستم های شناسایی و کنترل (کنترل وسیله نقلیه، کنترل پردازش) انجام بازی و تصمیم گیری (مسابقه اتومبیل سواری، شطرنج و تخته و ...)، درک الگوها (سیستم رادار، شناسایی چهره ها، یادآوری اشیا و ...) یادآوری صحنخه ها (ایما و اشاره. سخنان، یادآوری دستخط یک متن) تشخیص های پزشکی، در خواست و تقاضای مالی، اکتشاف داده ها
(یا امتشاف و جستجوی اطلاعات در منابع اطلاعاتی مانند اینترنت، کامپیوتر و KDDو ...) قدرت تجسم و ...می باشد
.
الگوها و مدلهای خاص یادگیری:
3 الگو و مدل اسای برای فرایند یادگیری وجود دارد، که هر کدام از این روش ها مطابق با یک وظیفه و دستورالعمل یادگیری انتزاعی می باشد. این روش ها عبارتند از:
1- یادگیری تحت نظارت 2- یادگیری غیر انتزاعی
3- یادگیری ارتباطی (اجباری)
معمولاً هر گونه ای از ساختار محاسباتی شبکه می تواند در انجام وظایف ذکر شده دخیل باشد.
1) یادگیری تحت نظارت: در یادگیری تحت نظارت (نظارتی) به کا گروهی از زوج مرتب ها مثل داده می شود و هدف پیدا کردن دستورالعمل تابعی f بر اساس سطحی مجاز از دستورالعمل هاست که مثال را کامل می کند به عبارت دیگر بازسازی و تجسم یک نقشه کلی در ذهن ما به وسیله داده ها و اطلاعات صورت می پذیردو در حقیقت این دستورالعمل به عدم تطابق میان طرح تجسمی از سوی ما و داده ها مرتبط است.
2- یادگیری غیر نظارتی: در یادگیری غیر نظارتی به ما مقداری اطلاعات و داده (مثل x) داده می شود و برای این که تابع هدف در شبکه کوچکترین مقدار خود را داشته باشد می تواند هر دستورالعملی از جمله تابع داده اطلاعاتی X (خروجی شبکه) باشد. تابع هدف در شبکه به وسیله یک فرمول که بیان گر وظیفه و هدف داده می باشد تعریف می شود.
