شبکه عصبی (Neural Network) چیست؟

چرا شبکه‌های عصبی مهم هستند؟

شبکه‌های عصبی می‌توانند به کامپیوترها کمک کنند تا با کمک انسانی محدود، تصمیمات هوشمندانه‌ای بگیرند. این به این دلیل است که آن‌ها می‌توانند روابط بین داده‌های ورودی و خروجی را که غیرخطی و پیچیده هستند، یاد بگیرند و مدل‌سازی کنند. به عنوان مثال، آن‌ها می‌توانند وظایف زیر را انجام دهند:

تعمیم و استنتاج

شبکه‌های عصبی می‌توانند داده‌های بدون ساختار را درک کرده و مشاهدات کلی را بدون آموزش صریح انجام دهند. به عنوان مثال، آن‌ها می‌توانند تشخیص دهند که دو جمله ورودی مختلف معنای مشابهی دارند:

• آیا می‌توانید به من بگویید چگونه پرداخت را انجام دهم؟
• چگونه پول را انتقال دهم؟

یک شبکه عصبی می‌داند که هر دو جمله معنای یکسانی دارند. یا می‌تواند به طور کلی تشخیص دهد که Baxter Road یک مکان است، اما Baxter Smith نام یک شخص است.

شبکه‌های عصبی برای چه استفاده می‌شوند؟

شبکه‌های عصبی موارد استفاده متعددی در صنایع مختلف دارند، از جمله موارد زیر:

• تشخیص پزشکی از طریق طبقه‌بندی تصاویر پزشکی
• بازاریابی هدفمند از طریق فیلتر کردن شبکه‌های اجتماعی و تحلیل داده‌های رفتاری
• پیش‌بینی‌های مالی با پردازش داده‌های تاریخی ابزارهای مالی
• پیش‌بینی بار الکتریکی و تقاضای انرژی
• کنترل فرآیند و کیفیت
• شناسایی ترکیبات شیمیایی

در ادامه چهار مورد از کاربردهای مهم شبکه‌های عصبی آورده شده است:

۱.بینایی کامپیوتری

بینایی کامپیوتری توانایی کامپیوترها برای استخراج اطلاعات و بینش از تصاویر و ویدئوهاست. با شبکه‌های عصبی، کامپیوترها می‌توانند تصاویر را مشابه انسان‌ها تشخیص دهند و شناسایی کنند. بینایی کامپیوتری کاربردهای متعددی دارد، از جمله:

• تشخیص بصری در خودروهای خودران برای شناسایی علائم جاده‌ای و سایر کاربران جاده
• تعدیل محتوا برای حذف خودکار محتوای ناامن یا نامناسب از آرشیوهای تصویر و ویدئو
• تشخیص چهره برای شناسایی چهره‌ها و تشخیص ویژگی‌هایی مانند چشم‌های باز، عینک و ریش صورت
• برچسب‌گذاری تصویر برای شناسایی لوگوهای برند، لباس، تجهیزات ایمنی و سایر جزئیات تصویر

۲. تشخیص گفتار

شبکه‌های عصبی می‌توانند گفتار انسانی را علی‌رغم الگوهای گفتاری متنوع، زیر و بم، لحن، زبان و لهجه تحلیل کنند. دستیارهای مجازی مانند آمازون الکسا و نرم‌افزارهای رونویسی خودکار از تشخیص گفتار برای انجام وظایفی مانند موارد زیر استفاده می‌کنند:

• کمک به نمایندگان مرکز تماس و طبقه‌بندی خودکار تماس‌ها
• تبدیل مکالمات بالینی به اسناد در زمان واقعی
• زیرنویس دقیق ویدئوها و ضبط‌های جلسات برای دسترسی گسترده‌تر به محتوا

۳. پردازش زبان طبیعی

پردازش زبان طبیعی (NLP) توانایی پردازش متن طبیعی تولیدشده توسط انسان است. شبکه‌های عصبی به کامپیوترها کمک می‌کنند تا بینش‌ها و معانی را از داده‌های متنی و اسناد جمع‌آوری کنند. NLP موارد استفاده متعددی دارد، از جمله در این عملکردها:

• عوامل مجازی خودکار و چت‌بات‌ها
• سازماندهی و طبقه‌بندی خودکار داده‌های نوشته‌شده
• تحلیل هوش تجاری اسناد طولانی مانند ایمیل‌ها و فرم‌ها
• نمایه‌سازی عبارات کلیدی که نشان‌دهنده احساسات هستند، مانند نظرات مثبت و منفی در رسانه‌های اجتماعی
• خلاصه‌سازی اسناد و تولید مقاله برای یک موضوع مشخص

۴. موتورهای توصیه

شبکه‌های عصبی می‌توانند فعالیت کاربر را ردیابی کنند تا توصیه‌های شخصی‌سازی‌شده ایجاد کنند. همچنین می‌توانند رفتار همه کاربران را تحلیل کنند و محصولات یا خدمات جدیدی را که برای یک کاربر خاص جذاب هستند کشف کنند. به عنوان مثال، Curalate، یک استارتاپ مستقر در فیلادلفیا، به برندها کمک می‌کند تا پست‌های رسانه‌های اجتماعی را به فروش تبدیل کنند. برندها از سرویس برچسب‌گذاری هوشمند محصولات (IPT) Curalate برای جمع‌آوری و تنظیم خودکار محتوای اجتماعی تولیدشده توسط کاربران استفاده می‌کنند. IPT از شبکه‌های عصبی برای یافتن و توصیه خودکار محصولاتی مرتبط با فعالیت رسانه‌های اجتماعی کاربر استفاده می‌کند. مصرف‌کنندگان نیازی به جستجو در کاتالوگ‌های آنلاین برای یافتن یک محصول خاص از یک تصویر رسانه اجتماعی ندارند. در عوض، می‌توانند از برچسب‌گذاری خودکار محصول Curalate برای خرید آسان محصول استفاده کنند.

شبکه‌های عصبی چگونه کار می‌کنند؟

مغز انسان الهام‌بخش معماری شبکه عصبی است. سلول‌های مغزی انسان، که نورون نامیده می‌شوند، شبکه‌ای پیچیده و به‌هم‌پیوسته تشکیل می‌دهند و سیگنال‌های الکتریکی را به یکدیگر ارسال می‌کنند تا به انسان‌ها در پردازش اطلاعات کمک کنند. به طور مشابه، یک شبکه عصبی مصنوعی از نورون‌های مصنوعی تشکیل شده است که با هم برای حل یک مشکل کار می‌کنند. نورون‌های مصنوعی ماژول‌های نرم‌افزاری هستند که گره نامیده می‌شوند، و شبکه‌های عصبی مصنوعی برنامه‌های نرم‌افزاری یا الگوریتم‌هایی هستند که در هسته خود از سیستم‌های محاسباتی برای حل محاسبات ریاضی استفاده می‌کنند.

معماری شبکه عصبی ساده

یک شبکه عصبی پایه دارای نورون‌های مصنوعی به‌هم‌پیوسته در سه لایه است:

لایه ورودی

اطلاعات از دنیای خارج از طریق لایه ورودی وارد شبکه عصبی مصنوعی می‌شود. گره‌های ورودی داده‌ها را پردازش می‌کنند، آن‌ها را تحلیل یا طبقه‌بندی می‌کنند و به لایه بعدی منتقل می‌کنند.

لایه مخفی

لایه‌های مخفی ورودی خود را از لایه ورودی یا سایر لایه‌های مخفی می‌گیرند. شبکه‌های عصبی مصنوعی می‌توانند تعداد زیادی لایه مخفی داشته باشند. هر لایه مخفی خروجی لایه قبلی را تحلیل می‌کند، آن را بیشتر پردازش می‌کند و به لایه بعدی منتقل می‌کند.

لایه خروجی

لایه خروجی نتیجه نهایی تمام پردازش داده‌ها توسط شبکه عصبی مصنوعی را ارائه می‌دهد. این لایه می‌تواند یک یا چند گره داشته باشد. به عنوان مثال، اگر یک مشکل طبقه‌بندی باینری (بله/خیر) داشته باشیم، لایه خروجی یک گره خروجی خواهد داشت که نتیجه را به صورت ۱ یا ۰ ارائه می‌دهد. اما اگر مشکل طبقه‌بندی چندکلاسی داشته باشیم، لایه خروجی ممکن است شامل بیش از یک گره خروجی باشد.

معماری شبکه عصبی عمیق

شبکه‌های عصبی عمیق، یا شبکه‌های یادگیری عمیق، چندین لایه مخفی با میلیون‌ها نورون مصنوعی به‌هم‌پیوسته دارند. یک عدد، به نام وزن، نشان‌دهنده ارتباطات بین یک گره و گره دیگر است. وزن یک عدد مثبت است اگر یک گره گره دیگر را تحریک کند، یا منفی است اگر یک گره گره دیگر را سرکوب کند. گره‌هایی با مقادیر وزن بالاتر تأثیر بیشتری بر گره‌های دیگر دارند. از نظر تئوری، شبکه‌های عصبی عمیق می‌توانند هر نوع ورودی را به هر نوع خروجی نگاشت کنند. با این حال، آن‌ها نسبت به سایر روش‌های یادگیری ماشینی به آموزش بسیار بیشتری نیاز دارند. آن‌ها به میلیون‌ها نمونه داده آموزشی نیاز دارند، در حالی که یک شبکه ساده‌تر ممکن است تنها به صدها یا هزاران نمونه نیاز داشته باشد.

انواع شبکه‌های عصبی چیست؟

شبکه‌های عصبی مصنوعی می‌توانند بر اساس نحوه جریان داده‌ها از گره ورودی به گره خروجی طبقه‌بندی شوند. در زیر چند نمونه آورده شده است:

شبکه‌های عصبی پیش‌خور (Feedforward neural networks)

شبکه‌های عصبی پیش‌خور داده‌ها را در یک جهت، از گره ورودی به گره خروجی پردازش می‌کنند. هر گره در یک لایه به هر گره در لایه بعدی متصل است. یک شبکه پیش‌خور از یک فرآیند بازخورد برای بهبود پیش‌بینی‌ها در طول زمان استفاده می‌کند.

الگوریتم پس‌انتشار (Backpropagation algorithm)

شبکه‌های عصبی مصنوعی به طور مداوم با استفاده از حلقه‌های بازخورد اصلاحی یاد می‌گیرند تا تحلیل‌های پیش‌بینانه خود را بهبود بخشند. به زبان ساده، می‌توانید تصور کنید که داده‌ها از گره ورودی به گره خروجی از طریق مسیرهای مختلف در شبکه عصبی جریان می‌یابند. تنها یک مسیر درست وجود دارد که گره ورودی را به گره خروجی درست نگاشت می‌کند. برای یافتن این مسیر، شبکه عصبی از یک حلقه بازخورد استفاده می‌کند که به این صورت عمل می‌کند:

1. هر گره درباره گره بعدی در مسیر حدس می‌زند.
2. بررسی می‌کند که آیا حدس درست بوده است. گره‌ها مقادیر وزن بالاتری به مسیرهایی که به حدس‌های درست‌تر منجر می‌شوند اختصاص می‌دهند و مقادیر وزن کمتری به مسیرهای گره‌ای که به حدس‌های نادرست منجر می‌شوند.
3. برای نقطه داده بعدی، گره‌ها با استفاده از مسیرهای با وزن بالاتر پیش‌بینی جدیدی انجام می‌دهند و سپس مرحله ۱ را تکرار می‌کنند.

شبکه‌های عصبی کانولوشنی (Convolutional neural networks)

لایه‌های مخفی در شبکه‌های عصبی کانولوشنی توابع ریاضی خاصی مانند خلاصه‌سازی یا فیلتر کردن را انجام می‌دهند که به آن‌ها کانولوشن می‌گویند. آن‌ها برای طبقه‌بندی تصاویر بسیار مفید هستند زیرا می‌توانند ویژگی‌های مرتبط را از تصاویر استخراج کنند که برای تشخیص و طبقه‌بندی تصاویر مفید هستند. شکل جدید آسان‌تر پردازش می‌شود بدون اینکه ویژگی‌هایی که برای پیش‌بینی خوب حیاتی هستند از دست بروند. هر لایه مخفی ویژگی‌های مختلف تصویر، مانند لبه‌ها، رنگ و عمق را استخراج و پردازش می‌کند.

چگونه شبکه‌های عصبی را آموزش دهیم؟

آموزش شبکه عصبی فرآیند آموزش دادن به یک شبکه عصبی برای انجام یک کار است. شبکه‌های عصبی با پردازش اولیه چندین مجموعه داده بزرگ برچسب‌دار یا بدون برچسب یاد می‌گیرند. با استفاده از این مثال‌ها، آن‌ها می‌توانند ورودی‌های ناشناخته را با دقت بیشتری پردازش کنند.

یادگیری نظارت‌شده

در یادگیری نظارت‌شده، دانشمندان داده مجموعه داده‌های برچسب‌دار را به شبکه‌های عصبی مصنوعی ارائه می‌دهند که پاسخ درست را از قبل فراهم می‌کنند. به عنوان مثال، یک شبکه یادگیری عمیق که در تشخیص چهره آموزش می‌بیند، ابتدا صدها هزار تصویر از چهره‌های انسانی را پردازش می‌کند، با اصطلاحات مختلفی مربوط به منشأ قومی، کشور یا احساسات که هر تصویر را توصیف می‌کنند. شبکه عصبی به آرامی از این مجموعه‌های داده دانش می‌سازد که پاسخ درست را از قبل فراهم می‌کنند. پس از آموزش شبکه، شروع به حدس زدن درباره منشأ قومی یا احساس یک تصویر جدید از چهره انسانی که قبلاً پردازش نکرده است، می‌کند.

یادگیری عمیق در زمینه شبکه‌های عصبی چیست؟

هوش مصنوعی رشته‌ای از علوم کامپیوتر است که روش‌هایی را برای دادن توانایی به ماشین‌ها برای انجام وظایفی که نیازمند هوش انسانی هستند، بررسی می‌کند. یادگیری ماشینی یک تکنیک هوش مصنوعی است که به کامپیوترها دسترسی به مجموعه داده‌های بسیار بزرگ می‌دهد و به آن‌ها آموزش می‌دهد تا از این داده‌ها یاد بگیرند. نرم‌افزار یادگیری ماشینی الگوهایی را در داده‌های موجود پیدا می‌کند و آن الگوها را به داده‌های جدید اعمال می‌کند تا تصمیمات هوشمندانه‌ای بگیرد. یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشینی است که از شبکه‌های یادگیری عمیق برای پردازش داده‌ها استفاده می‌کند.

یادگیری ماشینی در مقابل یادگیری عمیق

روش‌های یادگیری ماشینی سنتی به ورودی انسانی نیاز دارند تا نرم‌افزار یادگیری ماشینی به اندازه کافی خوب کار کند. یک دانشمند داده به صورت دستی مجموعه ویژگی‌های مرتبطی که نرم‌افزار باید تحلیل کند را تعیین می‌کند. این امر توانایی نرم‌افزار را محدود می‌کند و ایجاد و مدیریت آن را دشوار می‌سازد. از سوی دیگر، در یادگیری عمیق، دانشمند داده فقط داده‌های خام را به نرم‌افزار ارائه می‌دهد. شبکه یادگیری عمیق ویژگی‌ها را به تنهایی استخراج می‌کند و مستقل‌تر یاد می‌گیرد. این شبکه می‌تواند مجموعه داده‌های بدون ساختار مانند اسناد متنی را تحلیل کند، مشخص کند که کدام ویژگی‌های داده را باید اولویت‌بندی کند و مشکلات پیچیده‌تری را حل کند. به عنوان مثال، اگر بخواهید یک نرم‌افزار یادگیری ماشینی را برای شناسایی صحیح تصویر یک حیوان خانگی آموزش دهید، باید این مراحل را طی کنید:

• یافتن و برچسب‌گذاری دستی هزاران تصویر از حیوانات خانگی، مانند گربه‌ها، سگ‌ها، اسب‌ها، همسترها، طوطی‌ها و غیره.
• به نرم‌افزار یادگیری ماشینی بگویید که به دنبال چه ویژگی‌هایی باشد تا بتواند تصویر را با استفاده از حذف شناسایی کند. به عنوان مثال، ممکن است تعداد پاها را بشمارد، سپس شکل چشم، شکل گوش، دم، خز و غیره را بررسی کند.
• مجموعه داده‌های برچسب‌دار را به صورت دستی ارزیابی و تغییر دهید تا دقت نرم‌افزار بهبود یابد. برای مثال، اگر مجموعه آموزشی شما تصاویر بیش از حد از گربه‌های سیاه داشته باشد، نرم‌افزار یک گربه سیاه را به درستی شناسایی می‌کند اما یک گربه سفید را خیر.

اما در یادگیری عمیق، شبکه‌های عصبی تمام تصاویر را پردازش می‌کنند و به طور خودکار تشخیص می‌دهند که ابتدا باید تعداد پاها و شکل صورت را تحلیل کنند، سپس دم را در آخر بررسی کنند تا حیوان در تصویر را به درستی شناسایی کنند.