کاربرد های شبکه عصبی مصنوعی – ۴ کاربرد ANN ها در دنیای واقعی

۱- مقدمه

در این مقاله قصد داریم در مورد ۴ کاربرد شبکه عصبی مصنوعی ( ANN ) صحبت کنیم. شبکه عصبی مصنوعی ، طی چند سال گذشته پیشرفت چشمگیری داشته و با موفقیت به طیف گسترده ای از مسائل از قبیل تشخیص دستخط ، فشرده سازی تصویر ، مسئله فروشنده دوره گرد ، پیش بینی بازار بورس و غیره اعمال می شود.

بیایید معرفی کاربرد های شبکه عصبی مصنوعی را شروع کنیم.

کاربرد های شبکه های عصبی مصنوعی

کاربرد های شبکه عصبی مصنوعی

مهم ترین کاربرد های شبکه عصبی مصنوعی عبارتند از :

  • تشخیص دستخط : ایده تشخیص دستخط به دلیل محبوبیت دستگاه هایی مثل Palm Pilot ، بسیار مهم شده است. از این رو، می توانیم از شبکه های عصبی برای تشخیص حروف دست نویس استفاده کنیم.
  • مسئله فروشنده دوره گرد : شبکه های عصبی می‌توانند مسئله فروشنده دوره گرد را با درجه ی خاصی از تقریب حل کنند.
  • فشرده سازی تصویر : اطلاعات بسیار زیادی به یکباره توسط شبکه های عصبی دریافت و پردازش می شوند. این خصوصیت دلیل کارایی آن ها در فشرده سازی تصویر می باشند. با فراگیری اینترنت و سایت هایی که حاوی تصاویر زیادی هستند، استفاده از شبکه های عصبی برای فشرده سازی تصویر بسیار ارزشمند است.
  • پیش بینی بازار بورس : تجارت روزانه بازار سهام بسیار پیچیده است. عوامل زیادی در اینکه آیا یک سهام مشخص ، در یک روز معین بالا یا پایین می رود ، اهمیت دارند. بنابراین ، شبکه های عصبی می توانند بسیاری از اطلاعات را به روشی سریع بررسی کرده و همه آن ها را مرتب کنند. لذا می توانیم از آن ها برای پیش بینی قیمت سهام استفاده کنیم.

برای درک بیشتر ، در زیر توضیحات مربوط به هر کاربرد ANN آورده شده است.

۱- تشخیص دستخط

ایده استفاده از شبکه های پیشخور ( FeedForwaed ) برای تشخیص حروف دست نویس ساده است. الگوی Bitmap کاراکتر دست نویس وارد شده و حرف یا رقم صحیح به عنوان خروجی موردنظر ، خارج می شود. چنین برنامه هایی نیاز دارند تا کاربر با ارائه مثال های دست نویس خود ، شبکه را آموزش دهند.

دو کاربرد متداول از تشخیص دستخط عبارتند از:

  • نویسه خوان نوری برای ورود اطلاعات ( OCR )
  • اعتبارسنجی امضا ها در چک بانکی

شبکه های پیشخور دارای ویژگی های زیر هستند :

  1. ابتدا آن ها پرسپترون ها را  طوری مرتب می کنند که لایه اول ورودی ها را دریافت کند و آخرین لایه خروجی تولید کند. لایه های میانی هیچ ارتباطی با دنیای خارجی ندارند و از این رو آن ها را لایه های مخفی می نامیم.
  2. هر پرسپترون در یک لایه به پرسپترون های موجود در لایه بعدی وصل می شود. از این رو، اطلاعات به طور پیوسته از یک لایه به لایه بعدی منتقل می شوند. به همین خاطر این شبکه ها را شبکه های پیشخور ( feed forward ) می نامیم.
  3. هیچ ارتباطی بین پرسپترون های یک لایه وجود ندارد.

بیایید شبکه های عصبی بازگشتی را بازبینی کنیم.

 ۲- مسئله فروشنده دوره گرد

مسئله فروشنده دوره گرد به پیدا کردن کوتاه ترین مسیر ممکن برای سفر به همه شهر ها در یک منطقه مشخص اشاره دارد. ما می توانیم از شبکه های عصبی برای حل این مسئله استفاده کنیم.

یک الگوریتم شبکه عصبی مانند الگوریتم ژنتیک ، با جهت گیری تصادفی شبکه شروع می شود تا مسئله را حل کند. این الگوریتم هر بار یک شهر را به صورت تصادفی انتخاب می کند و نزدیک ترین شهر را پیدا می کند. سپس ، این فرآیند چندین بار ادامه میابد. بعد از هر تکرار ، شکل شبکه تغییر می کند و شبکه در تمام شهر ها به یک حلقه همگرا می شود. الگوریتم مورد استفاده ، طول حلقه ها را به حداقل می رساند. از این طریق می توان این مسئله را تخمین زد.

۳- فشرده سازی تصویر

شبکه عصبی که برای فشرده سازی تصویر بکار می رود دارای تعداد لایه ورودی و خروجی برابر است. لایه میانی اندازه کوچک تری دارد. نسبت لایه ورودی به لایه میانی نرخ فشرده سازی شبکه است.

ما می توانیم نرخ مقایسه برای فشرده سازی تصویر را با استفاده از فرمول زیر بدست آوریم :

لایه میانی/لایه ورودی = نرخ فشرده سازی

هدف از شبکه های عصبی فشرده سازی اطلاعات ، ذخیره سازی ، رمزگذاری و بازسازی تصویر است. بنابراین در چنین شبکه ای می‌توانیم از ورودی برای اهداف آموزشی استفاده کنیم.

نگاهی به برترین الگوریتم های یادگیری ماشین داشته باشید.

۴- پیش بینی بازار بورس

دقت پیش بینی شبکه های عصبی باعث شده است تا آن ها در پیش بینی بازار سهام سودمند باشند. در شرکت های تجاری بزرگ ، پیش بینی برای مبادله سهام بسیار رایج است. این کار با استفاده از پارامترهایی از قبیل روند فعلی ، اوضاع سیاسی ، دیدگاه جامعه و توصیه های اقتصاددانان میسر است. ما همچنین می توانیم از شبکه های عصبی در پیش بینی ارز ، پیش بینی شکست کسب و کار ، ارزیابی ریسک وام و تأیید اعتبار استفاده کنیم.

شرکت هایی مانند MJ Futures ادعا می کنند که با استفاده از روش های پیش بینی شبکه عصبی خود ، طی یک دوره ۲ ساله ، بازدهی شگفت انگیز ۱۹۹.۲% را داشته اند. Dean Barr و Walter Loick در مدیریت سرمایه LBS با استفاده از یک شبکه عصبی ساده به نتایج خوبی دست یافتند. که فقط ۶ شاخص مالی به عنوان ورودی نیاز داشت. این ها شامل ADX ( شاخص حرکت جهت دار میانگین ) ، مقدار فعلی S&P 500 و تغییر خالص در مقدار S&P 500 از پنج روز قبل است. ADX میانگین حرکت جهت دار در ۱۸ روز گذشته را نشان می دهد.

این ها مواردی از کاربرد های شبکه های عصبی مصنوعی بود. امیدواریم این مطلب برای شما مفید بوده باشد.

نتیجه گیری

شبکه عصبی الگوی بسیار مفیدی است که می تواند در حل مسائل یادگیری ماشین به کار گرفته شود. دنیای محاسبات از شبکه عصبی بهره زیادی برده است. بدین ترتیب ، توانایی آن ها برای یادگیری از طریق مثال، آن‌ها را بسیار انعطاف پذیر و قدرتمند می سازد. از این رو برای استفاده بهینه از شبکه های عصبی مصنوعی برای مسائل مختلف، درک پتانسیل ها و محدودیت های شبکه عصبی ضروری است.

اگر هر گونه سؤالی در مورد کاربردهای شبکه عصبی مصنوعی دارید با ما در میان بگذارید، خوشحال خواهیم شد که پاسخگوی شما باشیم.

بیشتر بخوانید :

منبع Data Flair
0/5 (0 نظر)

درباره‌ی امیر اقتدائی

همچنین ببینید

ترند هوش مصنوعی2

۴ ترند برتر هوش مصنوعی برای سال ۲۰۲۱

پیش از اینکه بیماری همه گیر کرونا در سال ۲۰۲۰ شیوع پیدا کند و جهان …

دیدگاهتان را بنویسید

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