نقش شبکه عصبی در یادگیری ماشینی چیست

شبکه‌های عصبی (ANNها) ابزاری قدرتمند برای یادگیری ماشین هستند که در طیف گسترده‌ای از برنامه‌ها کاربرد دارند. این شبکه‌ها به طور مداوم در حال تکامل و پیشرفت هستند و احتمالاً در سال‌های آینده نقش مهم‌تری در یادگیری ماشین و هوش مصنوعی ایفا خواهند کرد. نقش اصلی شبکه عصبی در یادگیری ماشینی، یادگیری از داده‌های پیچیده و چندبعدی (یادگیری عمیق)، تشخیص الگو، پیش‌بینی مقادیر آینده بر اساس داده‌های گذشته و حال، طبقه‌بندی داده‌ها و کاهش ابعاد داده‌ها است. در این مقاله از سامانه احراز هویت یوآیدی همراه ما باشید تا به جزئیات بیشتر در مورد شبکه عصبی و کاربرد آن و همچنین تفاوت شبکه عصبی و یادگیری ماشین بپردازیم.

شبکه عصبی چیست؟

به زبان ساده، شبکه عصبی (Neural Network) شبکه عصبی برنامه‌ای است که برای تقلید از عملکرد مغز انسان طراحی شده است. به بیان دیگر، شبکه عصبی روشی در هوش مصنوعی است که به کامپیوترها می آموزد تا داده‌ها را به روشی پردازش کنند که از مغز انسان الهام گرفته شده است. در واقع، شبکه عصبی یک نوع فرآیند یادگیری ماشینی است که یادگیری عمیق نامیده می‌شود و از گره‌ها یا نورون‌های به هم پیوسته در ساختار لایه‌ای شبیه مغز انسان استفاده می‌کند. این سیستم، یک سیستم تطبیقی ایجاد می‌کند که کامپیوترها برای یادگیری از اشتباهات خود و بهبود مستمر استفاده می کنند. بنابراین، شبکه‌های عصبی مصنوعی سعی می‌کنند مسائل پیچیده‌ای مانند خلاصه‌سازی اسناد یا تشخیص چهره را با دقت بیشتری حل کنند.

شبکه‌های عصبی برای یادگیری و بهبود دقت خود در طول زمان به داده‌های آموزشی متکی هستند. این شبکه‌ها با دفت بالای خود، ابزار قدرتمندی در علوم کامپیوتر و هوش مصنوعی ai محسوب می‌شوند که به ما این امکان را می‌دهند تا داده‌ها را با سرعت بالا طبقه‌بندی و خوشه‌بندی کنیم. یکی از شناخته شده‌ترین نمونه‌های شبکه عصبی، الگوریتم جستجوی گوگل است.

شبکه‌های عصبی، گاهی اوقات شبکه‌های عصبی مصنوعی (ANN) یا شبکه‌های عصبی شبیه‌سازی شده (SNN) نیز نامیده می شوند. آنها زیرمجموعه‌ای از یادگیری ماشینی هستند و در قلب مدل‌های یادگیری عمیق قرار دارند.

کاربرد شبکه عصبی

شبکه‌های عصبی کاربردهای گسترده‌ای در حوزه‌های مختلف دارند، از جمله:

تشخیص اشیا، چهره‌ها و درک زبان گفتاری در برنامه‌هایی مانند خودروهای خودران و دستیارهای صوتی.
تحلیل و پردازش زبان انسانی برای انجام کارهایی مانند تحلیل احساسات، چت‌بات‌ها، ترجمه زبان و تولید متن.
تشخیص بیماری‌ها از تصاویر پزشکی، پیش‌بینی نتایج درمان بیماران و کشف داروهای جدید.
پیش‌بینی قیمت سهام، ارزیابی ریسک اعتباری، شناسایی تقلب و معاملات الگوریتمی.
شخصی‌سازی محتوا و پیشنهادها در تجارت الکترونیک، پلتفرم‌های استریم و شبکه‌های اجتماعی.
تقویت رباتیک و وسایل نقلیه خودران با پردازش داده‌های حسگرها و تصمیم‌گیری آنی.
بهبود هوش مصنوعی در بازی‌ها، تولید گرافیک‌های واقعی و ایجاد محیط‌های مجازی جذاب.
نظارت و بهینه‌سازی فرایندهای تولید، نگهداری پیش‌بینانه و کنترل کیفیت.
تحلیل مجموعه داده‌های پیچیده، شبیه‌سازی پدیده‌های علمی و کمک به پژوهش در رشته‌های مختلف.
تولید موسیقی، هنر و محتوای خلاقانه دیگر.

چرا شبکه عصبی در یادگیری ماشینی اهمیت زیادی دارد؟

شبکه‌های عصبی ابزاری قوی هستند که کسب و کارها از آن برای حل مشکلات پیچیده تجاری استفاده می‌کنند. شرکت‌ها از این شکل شبکه برای شناسایی الگوها و پیش‌بینی رویدادهای نادر مانند کشف تقلب و کلاهبرداری اینترنتی استفاده می‌کنند.

این شبکه‌ها قادر به ایجاد رابطه بین ورودی‌ها و خروجی‌های غیر خطی و پیچیده هستند. همین امر آنها را برای پروژه‌هایی که برای دستیابی به موفقیت نیاز به تصمیم گیری مبتنی بر داده دارند، به گزینه‌ای عالی تبدیل می‌کند. شبکه‌های عصبی همچنین در زمینه‌های زیر کاربردی و مهم هستند:

کنترل کیفیت
تشخیص صدا یا پردازش زبان طبیعی
مراقبت‌های بهداشتی برای تشخیص بیماری
بازاریابی هدفمند

نقش شبکه عصبی در یادگیری ماشین

شبکه‌های عصبی و یادگیری ماشین دو تکنولوژی جدا از هم نیستند؛ بلکه شبکه‌های عصبی جزء جدایی‌ناپذیر از یادگیری ماشین به عنوان یک علم به شمار می‌روند.

اهمیت بالای شبکه‌های عصبی در هوش مصنوعی و یادگیری ماشین مدرن، به طور خاص به خاطر چشم‌انداز داده‌های امروزی است:

بسترهای داده بزرگ که شامل محیط‌های ابری ترکیبی با کارایی بالا و تحلیل داده‌های بزرگ می‌شود، حجم عظیمی از داده را که برای آموزش شبکه‌های عصبی پیچیده مورد نیاز است، فراهم می‌کنند. قبل از این فناوری‌ها، دستیابی به انواع و حجم مناسب داده دشوار بود. این چالش‌ها، امکانات هوش مصنوعی را با مشکل مواجه می‌کرد. با این حال، بسترهای داده مدرن، محیطی را به وجود آوردند که شبکه‌های عصبی می‌توانستند روی مجموعه داده‌های عظیم کار کنند و استراتژی‌ها و عملیات پیچیده را بیاموزند.
شتاب سخت‌افزاری از طریق فناوری‌هایی مانند واحدهای پردازش گرافیک (GPU) تخصصی و حافظه غیرفرار پرسرعت (NVMe) باعث شده است که رایانش ابری با کارایی بالا به واقعیت تبدیل شود. در پی آن، بسترهای یادگیری ماشین توزیع‌شده و مقیاس‌پذیر برای سازمان‌ها و پژوهشگران اختصاصی به راحتی قابل دسترس شده‌اند.

این دو واقعیت، فرصتی واقعی را برای شبکه‌های عصبی و دیپ لرنینگ (یادگیری عمیق) ایجاد کرده‌اند. در حقیقت، برخی از مهم‌ترین انتقادها به یادگیری عمیق، هزینه‌های گزاف ذخیره‌سازی و توان محاسباتی بود. این هزینه‌ها توسط بسترهای ابری رایانش با کارایی بالا برطرف شده است.

با وجود این، برخی انتقادات به یادگیری عمیق و شبکه‌های عصبی همچنان وجود دارد. این انتقادات شامل این موارد است که شبکه‌های عصبی ممکن است تنها پیشرفت‌های سطحی را در سیستم‌های پیچیده‌ای ارائه دهند که به نظر درک محدود انسان نیز به همان اندازه پیچیده است. علاوه بر این، نقد دیگری وجود دارد که نشان می‌دهد شبکه‌های عصبی می‌توانند روابط پیچیده ورودی‌ها و خروجی‌ها (همبستگی‌ها) را بدون درک واقعی علیت بیاموزند.

این انتقادات به معنای رد فوری این فناوری نیست، بلکه بیشتر به قاب‌بندی پتانسیل آن، به ویژه در رابطه با بحث‌های گسترده‌تر در مورد چگونگی رویکرد سیستم‌های یادگیری ماشین به هوشمندی اشاره دارد.

با این حال، سیستم‌های یادگیری ماشین با شبکه‌های عصبی پیشرفت‌های قابل توجهی در زمینه‌های خاصی از جمله مدل‌سازی آماری، مدل‌سازی مالی و بیمه‌ای، بهینه‌سازی و کنترل تولید و تعاملات محدود انسانی از طریق چت‌بات‌ها داشته‌اند.

۸ مورد از مهم‌ترین کاربردهای شبکه عصبی در صنایع مختلف

۱- تشخیص چهره

سیستم‌های تشخیص چهره به عنوان ابزارهای قدرتمندی برای نظارت مورد استفاده قرار می‌گیرند. این سیستم‌ها با مطابقت دادن چهره فرد با تصاویر دیجیتالی موجود در پایگاه داده خود، به شناسایی افراد می‌پردازند. از این سیستم‌ها در ادارات برای کنترل ورود و خروج افراد استفاده می‌شود. بدین صورت که با احراز هویت فرد از طریق چهره و تطابق آن با لیست شناسه‌های موجود در پایگاه داده، مجوز ورود صادر می‌شود.

مقاله پیشنهادی: فناوری تطبیق یا تشخیص چهره یوآیدی

شبکه‌های عصبی کانولوشنال (CNN) برای تشخیص چهره و پردازش تصویر به کار گرفته می‌شوند. برای آموزش یک شبکه عصبی، تعداد زیادی از تصاویر به پایگاه داده وارد می‌شوند. این تصاویر جمع‌آوری شده برای آموزش شبکه پردازش و آماده‌سازی می‌شوند.

لایه‌های نمونه‌گیری در CNN برای ارزیابی صحیح مدل به کار می‌روند. در نهایت، مدل‌ها برای دستیابی به نتایج دقیق در تشخیص چهره بهینه می‌شوند.

۲- پیش بینی بازار سهام

سرمایه‌گذاری همواره با ریسک‌های بازار همراه است. پیش‌بینی تغییرات آتی در بازار سهام که نوسانات زیادی دارد، تا چند وقت پیش تقریباً غیرممکن به نظر می‌رسید. پیش از ظهور شبکه‌های عصبی، تشخیص فازهای گاوی (صعودی) و خرسی (نزولی) که دائماً در حال تغییر هستند، غیرقابل پیش‌بینی بود. اما چه چیزی باعث این تغییر شد؟ مسلماً شبکه‌های عصبی!

برای پیش‌بینی موفق سهام در زمان واقعی، از یک مدل پرسپترون چندلایهٔ(MLP) که نوعی الگوریتم هوش مصنوعی پیش‌رو است، استفاده می‌شود.MLP از لایه‌های متعددی از گره تشکیل شده است که هر لایه به طور کامل به لایهٔ بعدی متصل است. برای ساخت مدل MLP، عملکرد گذشتهٔ سهام، بازده سالانه و نسبت‌های سود ناخالص در نظر گرفته می‌شوند.

۳- رسانه‌های اجتماعی

شاید این موضوع کمی کلیشه‌ای به نظر برسد، اما رسانه‌های اجتماعی مسیر عادی و کسالت‌بار زندگی را تغییر داده‌اند. شبکه عصبی برای مطالعه رفتار کاربران شبکه‌های اجتماعی به کار گرفته می‌شود. داده‌های به اشتراک گذاشته شده روزانه از طریق مکالمات و فعالیت‌های مجازی جمع‌آوری و برای تحلیل رقابتی مورد بررسی قرار می‌گیرند.

شبکه‌های عصبی رفتار کاربران شبکه‌های اجتماعی را شبیه‌سازی می‌کنند. پس از تحلیل رفتارهای افراد از طریق شبکه‌های اجتماعی، می‌توان داده‌ها را به عادات خرید افراد مرتبط کرد. برای استخراج داده‌ها از برنامه‌های رسانه‌های اجتماعی از چندلایهٔ پرسپترون شبکه عصبی مصنوعی (MLP ANN) استفاده می‌شود.

مدل MLP با استفاده از روش‌های آموزشی مختلفی مانند خطای مطلق میانگین (MAE)، جذر میانگین مربعات خطا (RMSE) و میانگین مربعات خطا (MSE) به پیش‌بینی روندهای رسانه‌های اجتماعی می‌پردازد. MLP عوامل مختلفی مانند صفحات مورد علاقه کاربر در اینستاگرام، موارد ذخیره‌شده و غیره را در نظر می‌گیرد. این عوامل به عنوان ورودی و دیتا برای آموزش مدل MLP در نظر گرفته می‌شوند.

با توجه به پویایی و دائماً در حال تغییر بودن برنامه‌های رسانه‌های اجتماعی، شبکه‌های عصبی قطعاً می‌توانند به عنوان بهترین مدل مناسب برای تحلیل داده‌های کاربر عمل کنند.

۴- هوافضا

مهندسی هوافضا اصطلاحی گسترده است که شامل توسعه فضاپیما و هواپیما می‌شود. تشخیص عیب، خلبان خودکار با کارایی بالا، ایمن‌سازی سامانه‌های کنترل هواپیما و مدل‌سازی شبیه‌سازی‌های دینامیکی کلیدی، برخی از زمینه‌های کلیدی هستند که شبکه‌های عصبی در آن‌ها نفوذ کرده‌اند. از شبکه‌های عصبی با تأخیر زمانی می‌توان برای مدل‌سازی سامانه‌های دینامیکی غیرخطی با زمان استفاده کرد.

شبکه‌های عصبی با تأخیر زمانی برای تشخیص ویژگی مستقل از موقعیت به کار می‌روند. بنابراین، الگوریتمی که بر اساس شبکه‌های عصبی با تأخیر زمانی ساخته می‌شود، قادر به تشخیص الگوها است (شبکه‌های عصبی با کپی کردن داده‌های اصلی از واحدهای ویژگی، به طور خودکار الگوها را شناسایی می‌کنند).

علاوه بر این، از شبکه‌های عصبی با تأخیر زمانی برای بخشیدن دینامیک قوی‌تر به مدل‌های شبکه عصبی استفاده می‌شود. از آنجایی که ایمنی مسافران در داخل هواپیما از اهمیت ویژه‌ای برخوردار است، الگوریتم‌های ساخته‌شده با استفاده از سیستم‌های شبکه عصبی، دقت سامانه خلبان خودکار (autopilot) را تضمین می‌کنند. با توجه به این که اکثر عملکردهای خلبان خودکار به صورت خودکار انجام می‌شوند، ضروری است راهی برای به حداکثر رساندن امنیت آن‌ها در نظر گرفته شود.

۵- صنایع دفاع

صنایع دفاعی، مهم‌ترین صنعت هر کشوری است. جایگاه هر کشوری در عرصه بین‌المللی با ارزیابی عملیات نظامی آن سنجیده می‌شود. شبکه‌های عصبی بر عملیات دفاعی کشورهای پیشرفته از نظر فناوری تأثیر می‌گذارند. ایالات متحده آمریکا، بریتانیا و ژاپن از جمله کشورهایی هستند که از شبکه‌های عصبی مصنوعی برای توسعه یک استراتژی دفاعی فعال استفاده می‌کنند.

شبکه‌های عصبی در لجستیک، تجزیه و تحلیل حملات مسلحانه و برای موقعیت‌یابی اشیاء به کار گرفته می‌شوند. همچنین از آن‌ها در گشت هوایی، گشت دریایی و کنترل پهپادهای خودکار استفاده می‌شود. بخش دفاعی برای ارتقای فناوری‌های خود، از هوش مصنوعی که به آن نیاز مبرمی دارد، بهره می‌برد.

شبکه‌های عصبی کانولوشنال (CNN) برای تعیین وجود مین‌های زیرآبی به کار می‌روند. مین‌های زیرآبی مسیری زیرزمینی هستند که به عنوان مسیر تردد غیرقانونی بین دو کشور عمل می‌کنند. وسایل نقلیه دریایی خودکار مانند پهپادهای هوایی (UAV) و زیردریایی‌های بدون سرنشین (UUV) از شبکه‌های عصبی کانولوشنال برای پردازش تصویر استفاده می‌کنند.

لایه‌های کانولوشنال، اساس شبکه‌های عصبی کانولوشنال را تشکیل می‌دهند. این لایه‌ها از فیلترهای مختلفی برای تمایز بین تصاویر استفاده می‌کنند. همچنین لایه‌ها دارای فیلترهای بزرگ‌تری هستند که کانال‌ها را برای استخراج تصویر فیلتر می‌کنند.

۶- بهداشت و سلامت

همانطور که ضرب‌المثل قدیمی می‌گوید «سلامتی، ثروت است». ما مردم امروزی به خوبی از مزایای فناوری در بخش مراقبت‌های بهداشتی استفاده می‌کنیم. شبکه‌های عصبی کانولوشنال (CNN) به طور فعال در صنعت مراقبت‌های بهداشتی برای تشخیص اشعه ایکس، سی‌تی اسکن و سونوگرافی به کار گرفته می‌شوند.

از آنجایی که CNN در پردازش تصویر استفاده می‌شود، داده‌های تصویربرداری پزشکی به‌دست‌آمده از آزمایش‌های مذکور بر اساس مدل‌های شبکه عصبی تجزیه و تحلیل و ارزیابی می‌شوند. شبکه‌های عصبی بازگشتی (RNN) نیز برای توسعه سیستم‌های تشخیص گفتار به کار گرفته می‌شوند.

امروزه از سیستم‌های تشخیص گفتار برای پیگیری اطلاعات بیمار استفاده می‌شود. همچنین محققان از شبکه‌های عصبی تولیدکننده برای کشف دارو استفاده می‌کنند. مطابقت دادن دسته‌های مختلف دارو کار سنگینی است، اما شبکه‌های عصبی تولیدکننده این کار دشوار را تسهیل کرده‌اند. از آن‌ها می‌توان برای ترکیب عناصر مختلف که اساس کشف دارو را تشکیل می‌دهد، استفاده کرد.

۷- تایید امضا و تحلیل خط

همان‌طور که از اصطلاح آن مشخص است، تایید امضا برای بررسی امضای فرد به کار می‌رود. بانک‌ها و سایر موسسات مالی از تایید امضا برای تطبیق هویت فرد استفاده می‌کنند.

معمولا از نرم‌افزار تایید امضا برای بررسی امضاها استفاده می‌شود. با توجه به اینکه موارد جعل امضا در موسسات مالی بسیار رایج است، تایید امضا یک عامل مهم برای بررسی دقیق صحت اسناد امضا شده به شمار می‌رود.

شبکه‌های عصبی برای تایید امضا به کار گرفته می‌شوند. این شبکه‌ها با استفاده از یادگیری ماشین برای تشخیص تفاوت بین امضای واقعی و جعلی آموزش داده می‌شوند. از شبکه‌های عصبی می‌توان برای تایید امضاهای الکترونیکی و آفلاین استفاده کرد.

مقاله پیشنهادی: امضای الکترونیکی چیست

برای آموزش مدل شبکه‌های عصبی، مجموعه داده‌های متنوعی وارد پایگاه داده می‌شوند. داده‌های ورودی به مدل شبکه عصبی کمک می‌کنند تا بتواند تمایز قائل شود. مدل شبکه عصبی از پردازش تصویر برای استخراج ویژگی‌ها استفاده می‌کند.

تحلیل خط در پزشکی قانونی نقش مهمی ایفا می‌کند. این تحلیل برای ارزیابی تغییرات در دو سند دست‌نویس استفاده می‌شود. فرآیند نوشتن کلمات روی یک برگه خالی نیز برای تحلیل رفتار به کار می‌رود. شبکه‌های عصبی کانولوشنال (CNN) برای تحلیل خط و تایید خط استفاده می‌شوند.

۸- پیش‌بینی آب و هوا

پیش‌بینی‌های انجام‌شده توسط سازمان هواشناسی پیش از ظهور هوش مصنوعی، هرگز از دقت کافی برخوردار نبودند. پیش‌بینی آب و هوا عمدتاً برای پیش‌بینی شرایط جوی پیش رو انجام می‌شود. در عصر حاضر، از پیش‌بینی‌های آب و هوا حتی برای تخمین احتمال وقوع بلایای طبیعی نیز استفاده می‌شود.

برای پیش‌بینی آب و هوا از چندلایه پرسپترون (MLP)، شبکه عصبی کانولوشنال (CNN) و شبکه‌های عصبی بازگشتی (RNN) استفاده می‌شود. مدل‌های سنتی چندلایه شبکه‌های عصبی نیز می‌توانند شرایط آب و هوایی را تا ۱۵ روز آینده پیش‌بینی کنند. ترکیبی از انواع مختلف معماری شبکه‌های عصبی برای پیش‌بینی دمای هوا به کار می‌رود.

برای آموزش مدل‌های مبتنی بر شبکه عصبی، ورودی‌های مختلفی مانند دمای هوا، رطوبت نسبی، سرعت باد و تشعشعات خورشیدی در نظر گرفته می‌شوند. مدل‌های ترکیبی (MLP+CNN) و (CNN+RNN) معمولاً در پیش‌بینی آب و هوا عملکرد بهتری دارند.

انواع شبکه‌های عصبی در یادگیری ماشین

در ادامه، به بررسی انواع مختلف شبکه‌های عصبی در یادگیری ماشین می‌پردازیم:

۱. شبکه عصبی مصنوعی (ANN)

شبکه عصبی مصنوعی که به اختصار ANN نیز نامیده می‌شود، به عنوان یک شبکه عصبی پیش‌خور عمل می‌کند، زیرا ورودی‌ها در جهت جلو حرکت می‌کنند. این شبکه‌ها می‌توانند لایه‌های مخفی داشته باشند که مدل را حتی متراکم‌تر می‌کند. آن‌ها طول ثابتی دارند که توسط برنامه‌نویس مشخص می‌شود. این نوع شبکه برای داده‌های متنی یا داده‌های جدولی استفاده می‌شود. یکی از کاربردهای رایج در دنیای واقعی، شناسایی چهره است. از نظر قدرت، این نوع شبکه نسبت به CNN و RNN ضعیف‌تر است.

۲. شبکه عصبی کانولوشنی (CNN)

شبکه‌های عصبی کانولوشنی عمدتاً برای داده‌های تصویری استفاده می‌شوند و در بینایی کامپیوتر کاربرد دارند. برخی از کاربردهای دنیای واقعی آن شامل تشخیص اشیا در خودروهای خودران است. این نوع شبکه ترکیبی از لایه‌های کانولوشنی و نورون‌ها را شامل می‌شود و از هر دو ANN و RNN قدرتمندتر است.

۳. شبکه عصبی بازگشتی (RNN)

این نوع شبکه که به اختصار RNN نیز شناخته می‌شود، برای پردازش و تفسیر داده‌های زمانی استفاده می‌شود. در این مدل، خروجی از یک گره پردازشی دوباره به گره‌های همان لایه یا لایه‌های قبلی بازگشت داده می‌شود. معروف‌ترین نوع RNN، شبکه‌های LSTM (حافظه بلندمدت و کوتاه‌مدت) هستند.

انواع یادگیری‌ها در شبکه‌های عصبی

یادگیری در شبکه های عصبی انواع مختلفی دارد که عبارتند از:

یادگیری تحت نظارت (Supervised Learning)
یادگیری بدون نظارت (Unsupervised Learning)
یادگیری تقویتی (Reinforcement Learning)

۱- یادگیری تحت نظارت

همانطور که از نامش پیداست، یادگیری تحت نظارت نوعی یادگیری است که تحت نظر یک ناظر انجام می‌شود. این نوع یادگیری شبیه به یادگیری با یک معلم است. شما تمام داده‌ها را از مجموعه داده آموزشی وارد می‌کنید و وزن‌های نهایی شبکه عصبی به همراه معماری آن، شبکه عصبی آموزش‌دیده را تعریف می‌کنند. این فرایند شامل آموزش شبکه‌های عصبی است. این شبکه‌های عصبی آموزش‌دیده مسائل خاصی را که در صورت‌مسئله تعریف شده‌اند، حل می‌کنند. در این نوع یادگیری، بازخوردی از محیط به مدل داده می‌شود.

۲- یادگیری بدون نظارت

برخلاف یادگیری تحت نظارت، در اینجا هیچ ناظر یا معلمی وجود ندارد. در این نوع یادگیری، بازخوردی از محیط وجود ندارد، خروجی مطلوبی نیز وجود ندارد و مدل به‌طور خودکار یاد می‌گیرد. در مرحله آموزش، شما ورودی‌ها را به کلاس‌هایی تقسیم می‌کنید که شباهت اعضای آن‌ها را تعریف می‌کند. هر کلاس شامل الگوهای ورودی مشابه است. هنگامی که یک الگوی جدید وارد می‌شود، مدل می‌تواند براساس شباهت با سایر الگوها پیش‌بینی کند که آن ورودی به کدام کلاس تعلق دارد. اگر چنین کلاسی وجود نداشته باشد، یک کلاس جدید تشکیل می‌شود.

۳- یادگیری تقویتی

یادگیری تقویتی بهترین ویژگی‌های هر دو نوع یادگیری تحت نظارت و بدون نظارت را ترکیب می‌کند. این شیوه شبیه به یادگیری با نقد و بررسی است. در این نوع یادگیری، بازخورد دقیقی از محیط وجود ندارد، بلکه بازخورد نقدی دریافت می‌شود. این نقد به مدل می‌گوید که چقدر راه‌حل ما به نتیجه نهایی نزدیک است. بنابراین، مدل بر اساس اطلاعات نقدی به‌طور خودکار یاد می‌گیرد. این نوع یادگیری مشابه یادگیری تحت نظارت است از این جهت که بازخوردی از محیط دریافت می‌کند، اما تفاوت آن در این است که مدل اطلاعات خروجی مطلوب را دریافت نمی‌کند، بلکه اطلاعات نقدی را دریافت می‌کند.

شبکه عصبی عمیق چیست؟

به طور ساده، یک شبکه عصبی با کمی پیچیدگی، که معمولاً حداقل از دو لایه تشکیل شده باشد، به عنوان یک شبکه عصبی عمیق (DNN) یا به اختصار شبکه عمیق شناخته می‌شود. شبکه‌های عمیق با استفاده از مدل‌سازی ریاضی پیچیده، داده‌ها را به روش‌های پیچیده‌ای پردازش می‌کنند.

با این حال، برای درک واقعی شبکه‌های عصبی عمیق، بهتر است آن را به عنوان یک فرآیند تکاملی در نظر بگیریم. پیش از پیدایش شبکه‌های عمیق، نیاز به ساخت چند عنصر کلیدی وجود داشت.

ابتدا، یادگیری ماشینی باید توسعه می‌یافت. یادگیری ماشینی چارچوبی برای خودکارسازی مدل‌های آماری (از طریق الگوریتم‌ها) مانند مدل رگرسیون خطی است تا بتواند در پیش‌بینی بهتر عمل کند. منظور از مدل، مدلی منفرد است که پیش‌بینی‌هایی در مورد موضوعی خاص انجام می‌دهد. این پیش‌بینی‌ها با مقداری دقت انجام می‌شوند. مدلی که یاد می‌گیرد و آموزش می‌بیند – یادگیری ماشینی – تمام پیش‌بینی‌های اشتباه خود را درنظر می‌گیرد و وزن‌های درون مدل را تنظیم می‌کند تا مدلی بسازد که اشتباهات کمتری داشته باشد.

بخش یادگیری در ایجاد مدل‌ها، منجر به توسعه شبکه‌های عصبی مصنوعی (ANN) شد. شبکه‌های عصبی مصنوعی از لایه پنهان به عنوان مکانی برای ذخیره و ارزیابی اهمیت هر یک از ورودی‌ها نسبت به خروجی استفاده می‌کنند. لایه پنهان، اطلاعات مربوط به اهمیت ورودی را ذخیره می‌کند و همچنین ارتباط‌هایی بین اهمیت ترکیبات ورودی برقرار می‌سازد.

شبکه‌های عصبی عمیق (DNN) بر اساس عنصر شبکه‌های عصبی مصنوعی (ANN) بنا شده‌اند. آن‌ها می‌گویند که اگر این روش (استفاده از لایه پنهان) باعث بهبود مدل می‌شود – زیرا هر گره در لایه پنهان، هم ارتباطات را برقرار می‌کند و هم اهمیت ورودی برای تعیین خروجی را درجه‌بندی می‌کند – چرا لایه‌های بیشتری روی هم قرار ندهیم تا از مزایای بیشتری از لایه پنهان بهره‌مند شویم؟

بنابراین، شبکه‌های عمیق دارای چندین لایه پنهان هستند. «عمیق» به این معناست که مدل دارای چندین لایه زیر هم است.