ساختارهای محاسباتی الهام گرفته از ساختار مغز انسان هستند و برای حل مسائل متنوعی در حوزه هوش مصنوعی و یادگیری عمیق (Deep Learning) استفاده میشوند. این شبکهها از یک تعداد زیادی واحد محاسباتی مصنوعی به نام نورونها یا سلولهای عصبی تشکیل شدهاند که اطلاعات را از ورودیها به صورت موازی پردازش میکنند.

ویژگیها و عناصر مهم شبکههای عصبی عبارتند از:
لایههای مختلف: شبکههای عصبی معمولاً از چندین لایه متعدد تشکیل شدهاند، شامل لایه ورودی، لایههای میانی (معمولاً یک یا چند لایه مخفی) و لایه خروجی. هر لایه دارای نورونهایی است که عملیات محاسباتی را انجام میدهند.
اتصالات بین نورونها: نورونها در لایههای مختلف از یکدیگر با اتصالات وزندار متصل هستند. این وزنها تأثیر ترکیبی از ورودیهای نورونهای ورودی را بر رفتار نورونها تعیین میکنند.
توابع فعالسازی: هر نورون دارای تابعی به نام تابع فعالسازی است که ورودیهای خود را تجمیع میکند و خروجی را ایجاد میکند. توابع فعالسازی معمولاً توابع غیرخطی هستند و اندازهگیری تحریک نورونها را تنظیم میکنند.
یادگیری: یکی از ویژگیهای مهم شبکههای عصبی این است که میتوانند از دادهها یاد بگیرند. این عملیات یادگیری به تغییر وزنها در اتصالات بین نورونها مرتبط است تا خروجی شبکه به خوبی با ورودیها هماهنگ شود.
پیشفرض بدون نظارت: شبکههای عصبی عموماً بدون نیاز به تعیین الگوها یا مدلهای خاص از پیش تعیین شده میتوانند از دادهها برای یافتن الگوها و ویژگیهای مهم خود به صورت خودآموز استفاده کنند.
شبکههای عصبی به علت تواناییشان در تقریب مدلها از دادهها، اعمال موفق به حوزههای مختلفی مانند تشخیص تصاویر، ترجمه متون، تشخیص گفتار، پردازش زبان طبیعی و غیره کردهاند. این تکنولوژیها از اهمیت بسیاری در پژوهشها و کاربردهای عملی در دنیای امروز برخوردار هستند.
منبع این مقاله