AI-For-Beginners/translations/fa/lessons/3-NeuralNetworks

مقدمه‌ای بر شبکه‌های عصبی

همان‌طور که در مقدمه بحث کردیم، یکی از راه‌های دستیابی به هوش، آموزش یک مدل کامپیوتری یا یک مغز مصنوعی است. از اواسط قرن بیستم، پژوهشگران مدل‌های ریاضی مختلفی را امتحان کردند، تا اینکه در سال‌های اخیر این مسیر به موفقیت چشمگیری دست یافت. این مدل‌های ریاضی از مغز، شبکه‌های عصبی نامیده می‌شوند.

گاهی اوقات شبکه‌های عصبی را شبکه‌های عصبی مصنوعی یا ANNs می‌نامند تا مشخص شود که درباره مدل‌ها صحبت می‌کنیم، نه شبکه‌های واقعی نورون‌ها.

یادگیری ماشین

شبکه‌های عصبی بخشی از یک حوزه بزرگ‌تر به نام یادگیری ماشین هستند که هدف آن استفاده از داده‌ها برای آموزش مدل‌های کامپیوتری است که قادر به حل مسائل باشند. یادگیری ماشین بخش بزرگی از هوش مصنوعی را تشکیل می‌دهد، اما ما در این دوره به یادگیری ماشین کلاسیک نمی‌پردازیم.

برای یادگیری بیشتر درباره یادگیری ماشین کلاسیک، به دوره جداگانه یادگیری ماشین برای مبتدیان مراجعه کنید.

در یادگیری ماشین، فرض می‌کنیم که یک مجموعه داده از نمونه‌ها X و مقادیر خروجی متناظر Y داریم. نمونه‌ها اغلب بردارهای N-بعدی هستند که از ویژگی‌ها تشکیل شده‌اند و خروجی‌ها برچسب‌ها نامیده می‌شوند.

ما به دو مسئله رایج یادگیری ماشین می‌پردازیم:

• طبقه‌بندی، که در آن باید یک شی ورودی را به دو یا چند کلاس دسته‌بندی کنیم.
• رگرسیون، که در آن باید یک عدد عددی را برای هر یک از نمونه‌های ورودی پیش‌بینی کنیم.

هنگامی که ورودی‌ها و خروجی‌ها را به صورت تنسورها نمایش می‌دهیم، مجموعه داده ورودی یک ماتریس با ابعاد M×N است، که در آن M تعداد نمونه‌ها و N تعداد ویژگی‌ها است. برچسب‌های خروجی Y یک بردار با ابعاد M است.

در این دوره، ما فقط بر مدل‌های شبکه عصبی تمرکز خواهیم کرد.

مدلی از یک نورون

از زیست‌شناسی می‌دانیم که مغز ما از سلول‌های عصبی تشکیل شده است، که هر یک از آن‌ها دارای چندین "ورودی" (آکسون‌ها) و یک خروجی (دندریت) هستند. آکسون‌ها و دندریت‌ها می‌توانند سیگنال‌های الکتریکی را منتقل کنند و اتصالات بین آکسون‌ها و دندریت‌ها می‌توانند درجات مختلفی از رسانایی را نشان دهند (که توسط نوروترانسمیترها کنترل می‌شود).

نورون واقعی (تصویر از ویکی‌پدیا)	نورون مصنوعی (تصویر از نویسنده)

بنابراین، ساده‌ترین مدل ریاضی یک نورون شامل چندین ورودی X₁, ..., X_N و یک خروجی Y و یک سری وزن W₁, ..., W_N است. خروجی به صورت زیر محاسبه می‌شود:

که در آن f یک تابع فعال‌سازی غیرخطی است.

مدل‌های اولیه نورون در مقاله کلاسیک یک حساب منطقی از ایده‌های ذاتی در فعالیت عصبی توسط وارن مک‌کالوک و والتر پیتس در سال 1943 توصیف شدند. دونالد هب در کتاب خود "سازمان رفتار: یک نظریه عصب‌روان‌شناختی" روش آموزش این شبکه‌ها را پیشنهاد کرد.

در این بخش

در این بخش درباره موارد زیر یاد خواهیم گرفت:

• پرسیپترون، یکی از اولین مدل‌های شبکه عصبی برای طبقه‌بندی دوکلاسه
• شبکه‌های چندلایه همراه با یک نوت‌بوک چگونه چارچوب خودمان را بسازیم
• چارچوب‌های شبکه عصبی، همراه با این نوت‌بوک‌ها: PyTorch و Keras/Tensorflow
• بیش‌برازش

سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما تلاش می‌کنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است حاوی خطاها یا نادرستی‌هایی باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما هیچ مسئولیتی در قبال سوءتفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.