ویرگول
ورودثبت نام
Saba Ghadimi
Saba Ghadimi
Saba Ghadimi
Saba Ghadimi
خواندن ۳ دقیقه·۵ سال پیش

شبکه های عصبی عمیق

بسم الله

سبا قدیمی

استاد مریم حاجی اسماعیلی

شبکه عصبی چیست؟

شبکه عصبی توسط ورودی ها آموزش داده می شود و شامل سه لایه ورودی و پنهان و خروجی است و هر کدام از عصب ها دارای مقدار آستانه و تابع فعال سازی میباشند که به ما خروجی می دهند نتیجه ای که به دست می اوریم با خروجی که انتظار داریم مقایسه می شود که این دو مقدار باید نزدیک به هم باشند مدل یاد میگیرد که وزن ها و مقدار آستانه را طوری تنظیم کند که خروجی درست دریافت کند.

شبکه عصبی مصنوعی در واقع دسته ای الگوریتم است که برای شناسایی و تشخیص الگوها به کار می رود.
این شبکه های عصبی مصنوعی (ANN ها)میتوانند در طرح های سرمایه گذاری برای افزایش بازده ، برای پیش بینی قیمت خانه ها براساس ویژگی های اصلی تعریف کننده قیمت خانه ها (موقعیت مکانی،متراژو…)و دسته بندی تصاویر و… استفاده شود.

شبکه های عمیق(deep learning)

دیپ لرنینگ نوعی شبکه ی عصبی مصنوعی است که با استفاده از تیکنیک های ریاضی ساختاری مشابه با ساختار مغز انسان به ما می دهد و از طرفی پیشرفت تکنولوژی باعث شده تا الگوریتم هایی برای بهینه سازی شبکه های عصبی معمولی داشته باشیم تا بتوانیم تعداد لایه های نورونی شبکه های عصبی را از چند لایه به هزاران لایه و هزاران نورون در هر لایه برسانیم که تا چند سال پیش امکان ایجاد چنین ساختاری وجود نداشت.به این نوع شبکه ی عصبی ،شبکه ی عصبی عمیق(deep learning) گویند.

معمولا شبکه های عمیق طوری طراحی می شوند که در ساختار خود از نوع یادگیری بدون نظارت (unsupervised learning) استفاده کنند زیرا داده های امروزی که برای پردازش آن ها از هوش مصنوعی استفاده می کنند بسیار زیاد و شامل میلیون ها داده است و تهیه ی این داده ها به صورت دستی عملا غیر ممکن است .از این رو شبکه های عمیق خود داده های ورودی را پردازش کرده و شروع به تعلیم خود میکنند و هر چه داده های بیشتری در اختیار آن قرار بگیرد قدرتمند تر می شود و به راحتی بسیار هوشمند تر از انسان عمل می کند.

اما پس از آماده شدن شبکه ی عمیق (deep learning) شبکه ای در دست داریم داریم بسیار قدرتمند که هوش مصنوعی آن به مراتب قدرتمند تر از انسان عمل کرده و سرعت پاسخگویی بسیار بالایی دارد ،به این صورت که ابتدا ساختار های ابتدایی داده های ورودی را دریافت کرده سپس با ترکیب توابع خطی و غیر خطی بسیار ساختار هایی پیچیده و سطح بالا از داده های ورودی تولید کرده و پردازش می کند.مثلا برای یک عکس ورودی ابتدا پیکسل های عکس ورودی را پردازش کرده و در شبکه های کانولوشنال(Convolutional neural network) خود داده های سطح بالاتر همچون لبه ها،تاریکی ها،و مفهومی کلی از عکس ایجاد کرده و یاد میگیرد که عکس مرتبط با چه دسته ای می باشد.

انواع شبکه های عصبی جزئی از دیپ لرنینگ هستند که در مورد آنها توضیح داده شد.شبکه های عصبی در یادگیری عمیق شامل شبکه های عصبی کانولوشن و شبکه های عصبی بازگشتی می شوند که برای تشخیص گفتار و پردازش زبان طبیعی و شناسایی چهره ها و … کاربرد دارند که یادگیری عمیق به کمک الگوریتم های شبکه ی عصبی مصنوعی مسائل را حل می کند.


۲
۰
Saba Ghadimi
Saba Ghadimi
شاید از این پست‌ها خوشتان بیاید