آشنایی با شبکه عصبی

در جلسه اول آموزش رایگان شبکه عصبی قصد داریم درباره شبکه‌ عصبی یا neural network صحبت کنیم، اینکه اصلاً ایدهٔ شبکه‌ عصبی از کجا نشأت گرفته است و هدفمان در جلسه اول، آشنایی با شبکه عصبی است. سپس در جلسات آتی، جزئیات بیشتری را در مورد شبکه عصبی توضیح خواهیم داد.

ایده شبکه عصبی از کجاست؟

در این جلسه می خواهیم ببینیم ایده شبکه عصبی مصنوعی یا به اختصار شبکه عصبی، از کجا شکل گرفته است. در جلسات بعد با جزئیات بیشتر به بررسی این مفهوم خواهیم پرداخت.

به طور کلی می توان یادگیری عمیق (deep learning) را زیرمجموعه خاصی از یادگیری ماشین (machine learning) و یادگیری ماشین را زیرمجموعه هوش مصنوعی (artificial intelligence) در نظر گرفت.

 ایده حل مسأله در یادگیری ماشین و یادگیری عمیق (شبکه عصبی)، کاملا با پارادایم کلاسیک برنامه نویسی که پیش تر حکمرانی می کرد، متفاوت است. در واقع در حوزه یادگیری ماشین و یادگیری عمیق، ایده این است که مدل با دیدن تعداد زیادی داده، الگویی را یاد بگیرد و سپس بتواند روی داده های جدیدی که هرگز ندیده پیش بینی انجام دهد. در شکل زیر این تفاوت نشان داده شده است.

واحدهای پردازشی در شبکه عصبی

پیچیده ترین سیستم یادگیرنده که قابلیت پردازش داده دارد، مغز انسان است. شبکه عصبی با ایده گرفتن از نورون های تشکیل دهنده سیستم عصبی انسان متولد شد.

در سیستم عصبی انسان، هر نورون یک واحد ریزپردازنده است. تصاویری که می بینیم و صداهایی که می شنویم، همگی مثال هایی از ورودی سیستم عصبی ما هستند.

به عبارت دیگر این ورودی ها به نورون های سیستم عصبی ما وارد می شوند و نورون ها با سیگنال های الکتریکی نسبت به این ورودی ها پاسخ می دهند.

 با ورود هر داده، سیستم مرکزی نورون روی آن پردازش انجام داده و  یک سیگنال الکتریکی به عنوان خروجی می سازد. خروجی هر سیگنال، به عنوان سیگنال ورودی به نورون های بعدی وارد می شود. همان طور که در شکل زیر نشان داده شده است، خروجی هر نورون می تواند به عنوان ورودی به چند نورون دیگر برود.

سیگنال های ورودی به همین ترتیب کل سیستم عصبی پیش روی خود را از نورونی به نورون دیگر طی می کنند تا در نهایت یک سیگنال خروجی نهایی قابل تفسیر برای انسان می سازند.

پس کاری که هر نورون انجام می دهد، عبارت از گرفتن سیگنال ورودی، پردازش آن و ایجاد سیگنال خروجی است. مثلا در فرایند دیدن اجسام، انعکاس نور از اجسام به چشم ما وارد شده و مسیر پیش روی خود را در سیستم عصبی می پیماید تا تصویر را به عنوان خروجی برای ما بسازد.

این شیوه پردازش سیستم عصبی انسان، زمینه ساز تولد ایده شبکه عصبی در هوش مصنوعی شد که در آن مشابه نورون های انسان، هر نورون یک واحد ریزپردازنده مرکزی برای حل یک معادله ساده است و با دریافت تعدادی ورودی، می تواند سیگنال خروجی را که حاصل معادله مزبور است، ارسال نماید.

بنابراین با نگاه به نورون های شبکه عصبی انسان، هر ریزپردازنده شبکه عصبی مصنوعی را واحدی مانند زیر در نظر گرفتند. فرض کنید سه مقدار مختلف به عنوان ورودی به این نورون وارد شود. در این صورت سیستم پردازش داخل نورون، معادله خطی ساده ای مانند زیر حل کرده و حاصل این معادله را به عنوان مقدار خروجی ارسال می کند. این خروجی سپس به عنوان ورودی به نورون بعد وارد می شود و به همین ترتیب سیگنال ورودی، کل مسیر شبکه عصبی را می پیماید.

این ایده اولیه بعدها توسعه داده شد و به بلوغ رسید تا به شبکه عصبی مصنوعی که امروزه به طور گسترده در حوزه های مختلف مورد استفاده قرار می گیرد، تبدیل گشت.

مقایسه شبکه عصبی با روش های کلاسیک یادگیری ماشین

مدل های یادگیری ماشین کلاسیک مانند SVM مدل هایی بودند که درون خود یک معادله پیچیده حل می کردند. اما در شبکه عصبی، به جای اینکه یک معادله بزرگ پیچیده داشته باشیم، تعداد زیادی ریزمعادله (نورون) داریم که هر کدام یک معادله ساده را حل می کنند.

فرایند یادگیری

مانند یادگیری ماشین، در شبکه عصبی هم یادگیری صورت می گیرد. فرایند کلی طی شده در حل مسأله شبکه عصبی به صورت ساده شده در شکل زیر نشان داده شده است.

همان طور که در شکل می بینیم، مدل شبکه عصبی مد نظر ما در ابتدا با دیدن تعداد زیادی داده، الگوهایی را یاد می گیرد. این مدل سپس می تواند به عنوان یک مدل هوشمند عمل کرده و با دیدن هر نمونه جدید، که پیش تر هرگز ندیده است، پیش بینی هایی مشابه آنچه قبلا دیده، انجام دهد.