یادگیری عمیق به زبان ساده : شبکه عصبی چیست – قسمت دوم

با وجود ابزار های مختلف یادگیری ماشین، چرا باید شبکه های عصبی مصنوعی را به روش های دیگر ترجیه دهیم؟ این ویدیو و ویدیو های بعد ذهن شما را در مورد قابلیت های شگفت انگیر شبکه های عصبی مصنوعی روشن می کند! شما بدون درگیر شدن با ریاضیات و کد نویسی، نگاه دقیق تری به شبکه های عصبی می اندازید. بزودی متوجه می شوید که چرا شبکه های عصبی مصنوعی ابزاری بسیار قدرتمند است.

یادگیری عمیق در درجه اول در مورد شبکه های عصبی می باشد، که در آن منظور از شبکه ، بافت های به هم پیوسته ای از گره ها و لبه هاست. شبکه های عصبی، برای انجام دادن وظایف پیچیده طراحی شده اند، مانند دسته بندی اشیاء در گروه های مختلف با استفاده از بعضی ویژگی های آن ها. این فرآیند، که به عنوان کلاسه بندی ( Classification ) شناخته می شود، نقطه تمرکز اصلی این مجموعه می باشد.

کلاسه بندی ( Classification ) عبارت است از گرفتن بعضی اشیاء و بعضی اطلاعات از ویژگی های آن ها، و قرار دادن آن ها در دسته بندی های مختلف. این کار توسط یک کلاسه بند ( Classifier ) انجام می شود که اطلاعات ویژگی ها را به عنوان ورودی گرفته و مقداری ( معمولا بین صفر و یک ) به هر شیء می دهد؛ به این کار شلیک کردن ( Firing ) یا فعال سازی ( Activation ) گفته می شود؛ مقدار بالا نشان دهنده یک کلاس و مقدار پایین نشان دهنده یک کلاس دیگر است. انواع مختلفی از کلاسه بند ( Classifier ) وجود دارد، مانند رگرسیون منطقی ( Logistic Regression )، ماشین بردار پشتیبان (Support Vector Machine ) یا SVM و بایس ساده ( Naive Bayes ). اگر شما در گذشته از این موارد استفاده کردید با ما در میان بگذارید.

شبکه های عصبی ساختار های شبکه ای بسیار سازمان یافته ای هستند، و از سه نوع لایه برخوردارند؛ یک لایه ورودی، یک لایه خروجی و لایه های میانی ورودی و خروجی که به نام لایه های پنهان شناخته می شوند. هر کدام از گره ها (که به نام نرون شناخته می شود) در لایه های پنهان و لایه های خروجی دارای یک کلاسه بند ( Classifier ) است. نرون های ورودی، ابتدا اطلاعات ویژگی های شیء را دریافت می کند. پس از تحلیل اطلاعات، آن ها اطلاعات خروجی خود را به اولین لایه خروجی ارسال می کنند. لایه پنهان این اطلاعات را پردازش کرده و نتایج را به لایه پنهات بعدی می فرستد. این پروسه ادامه می یابد تا اطلاعات به لایه خروجی آخر برسد. در آنجا مقدار ( Value ) بدست آمده، تعیین کننده دسته قرارگیری شیء می باشد. مجموعه این پروسه به عنوان پیش انتشار ( Forward Propagation ) شناخته می شود. نمره بدست آمده در خروجی نشانگر دسته ای است که مجموعه ورودی ها به آن تعلق دارند.

آیا شما تا به حال با شبکه های عصبی کار کرده اید؟ اگر نه، آیا مطالب گفته شده به اندازه کافی روشن و قابل فهم بوده است؟ اطفا نظر بدهید.

لینک های مفید :

گاهی به شبکه های عصبی،  پرسپترون چند لایه ( Multilayer Perceptron ) یا MLP گفته می شود. ممکن است این موضوع کمی گیج کننده باشد چون پرسپترون ( Perceptron ) نام یکی از گونه های قدیمی شبکه های عصبی می باشد، که از توانایی محدودی برای فعال سازی ( Activation ) برخوردار است. به هر حال این اسم به صورت مرسوم استفاده می شود؛ شبکه های عصبی به صورت خام MLP نامیده می شوند.

در شبکه، قبل از این که یک نرون خروجی خود را به نرون بعدی ارسال کند، باید ابتدا ورودی را پردازش کند. برای این کار، یک محاسبه ساده با استفاده از ورودی و دو عدد دیگر انجام می دهد، که به عنوان وزن ( Weight ) و بایاس ( Bias ) شناخته می شوند. این دو عدد با آموزش شبکه توسط مجموعه ای از نمونه های آزمایشی، تغییر می کنند. اگر دقت پایین بایدش، عدد وزن و بایاس کمی اصلاح شده تا دقت به آرامی افزایش پیدا کند. وقتی شبکه عصبی به خوبی آموزش داده شود، دقت آن می تواند تا ۹۵% بالا برود.

بیشتر بخوانید :

منبع Youtube

همچنین ببینید

فناوری تشخیص چهره و کاربردهای آن، تاریخچه تکنولوژی تشخیص چهره

فناوری تشخیص چهره و کاربردهای آن + تاریخچه

فناوری تشخیص چهره یک فناوری بیومتریک است که با استفاده از تجزیه و تحلیل الگوهایی …

یک نظر

  1. یوسف علیزاده

    خیلی ممنون از آموزش خوبتون. نکات رو به صورت کامل و همه‌فهم گفتید و ویدئو هم خیلی شیوه جذابی برای آموزش انتخاب کرده. واقعا خسته نباشید.
    فقط یه نکته کوچیک که می‌خواستم بگم این بود که (Logistic Regression) رو (رگرسیون منطقی) ترجمه کردید که اشتباهه. منظور از Logistic Regression رگرسیون لجستیک هست که لجستیک اسم یک تابع ریاضی هست. ربط مستقیمی به کلمه logic نداره.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *