مدار عصبی: تفاوت میان نسخه‌ها

دستگاه عصبی مرکزی شامل مغز و نخاع است که مراکز نظارت بر اعمال بدن اند. این دستگاه اطلاعات دریافتی از محیط و درون بدن را تفسیر میکندمی‌کند و به آنها پاسخ میدهدمی‌دهد. دستگاه عصبی مرکزی از دو بخش ماده یمادهٔ خاکستری که بیشتر محتوی جسم سلولی نورون هاست و ماده یمادهٔ سفید که اجتماع بخش هایبخش‌های میلین دار نورون هاست،تشکیلهاست، تشکیل شده است.

دستگاه عصبی محیطی شامل تعداد زیادی عصب است که اطلاعات را جمعجمع‌آوری آوری میکندمی‌کند و به دستگاه عصبی مرکزی میبردمی‌برد.

مغز انسان از حدود ''۱۰۰میلیارد ( billion ) نورون'' تشکیل شده هست و حدود ۱.۵کیلوگرم۱٫۵کیلوگرم وزن دارد.

[[پرونده:Diagram showing some of the main areas of the brain CRUK 188.svg|right|thumb|296x296px|80% نورون هاینورون‌های مغز انسان ( یعنی در حدود 69 billion نورون ) در قسمت [[:en:Cerebellum|cerebellum]] یا همان مخچه قرار گرفته اند گرفته‌اند]]نام سیستم عصبی از اعصاب گرفته می‌شود. در حالت کلی، یک شبکه عصبی زیستی از مجموعه یا مجموعه‌ای از نورون‌های به صورت فیزیکی به هم متصل یا از لحاظ عملکردی به هم وابسته تشکیل شده‌است. هر نورون می‌تواند به تعداد بسیار زیادی از نورون‌ها وصل باشد و تعداد کل نورون‌ها و اتصالات بین آن‌ها می‌تواند بسیار زیاد باشد. اتصالات، که به آن‌ها [[سیناپس]] گفته می‌شود، معمولاً از [[آکسون|آکسون‌ها]] و [[دندریت|دندریت‌ها]] تشکلیل شده‌اند.

[[هوش مصنوعی]] و [[مدل سازی شناختی]] سعی بر این دارند که بعضی از خصوصیات شبکه‌های عصبی را [[شبیه سازیشبیه‌سازی]] کنند. این دو اگرچه در روش‌هاشان به هم شبیه هستند اما هدف هوش مصنوعی حل مسائل مشخصی است در حالی که هدف [[مدل سازی]] شناختی ساخت [[مدل‌های ریاضی]] سامانه‌های نورونی زیستی است.

این شبکه‌ها قادر به یادگیری اند. مثلاً با اعمال سوزش به [[سلول‌های عصبی]] لامسه، سلول‌ها یاد می‌گیرندیادمی‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سامانه می‌آموزد که خطای خود را اصلاح کند.

← مجموع اتصالات نورون هانورون‌ها در مغز انسان در حالت مینیمم به بیش از [http://discovermagazine.com/2011/mar/10-numbers-the-nervous-system 100 trillion] می رسدمی‌رسد و سرعت سیگنال هاسیگنال‌ها در حدود 256۲۵۶ مایل بر ساعت ( یا 411.992۴۱۱٫۹۹۲ کیلومتر بر ساعت ) است. نورون هانورون‌ها به طور متوسط با  7,000 Synapse در ارتباط هستند و کل مغز از 10¹⁵ سیناپس تشکیل شده است. نورون ها مینورون‌ها توانندمی‌توانند بیش از 1000۱۰۰۰ شاخک dendritic داشته باشند که می توانندمی‌توانند با ده هاده‌ها هزار سلول دیگر در ارتباط باشند. قطر نورون هانورون‌ها بین (0.004 mm) تا (0.1 mm) و طول نورون هانورون‌ها بین حدود چند میلیمتر " کوتاهکوتاه‌ترین ترین نورون هانورون‌ها " تا حدود 1۱ متر یا بیشتر متغیر هست.هست؛ و در هر ثانیه با توجه به اینکه حداکثر نرخ آتش هر نورون 200Hz ( هرتز به معنی تعداد چرخه هاچرخه‌ها در یک ثانیه cycle/s  ) هست 10¹⁶ سیگنال الکتریکی در شبکه یشبکهٔ عصبی جریان دارد. [https://www.quora.com/How-many-neurons-in-the-Cerebrum-fire-each-second] به طور کلی در هر ثانیه 20%۲۰٪ - 50%۵۰٪ نوروننورون‌ها هاآتش اتش می کنندمی‌کنند همچنین نورون هایینورون‌هایی هم که اتشآتش می کنندمی‌کنند این عمل را چندین بار انجام می دهندمی‌دهند.

← مغز یک انسان بالغ از نورون ها ,نورون‌ها، glial cells , رگ هایرگ‌های خونی تشکیل شده است و تعداد تخمینی و دقیق تر نورون هانورون‌ها در حدود 85۸۵±10 billion ( میلیارد ) هست که برابر با تعداد سلول هایسلول‌های غیر نورونی مغز هست ( 85۸۵±10 billion ) که از مجموع این نورون هانورون‌ها

* در حدود 16۱۶ میلیارد از نورون هانورون‌ها در [[:en:Cerebral_cortex|cerebral cortex]] مغز قرار گرفته اندگرفته‌اند ( به عبارت دیگر 19%۱۹٪ از تمام نورون هاینورون‌های مغز ) که شامل قشر [[:en:White_matter|white matter]] مغز هم می شودمی‌شود.

* در حدود 69۶۹ میلیارد نورون هم در قسمت [[:en:Cerebellum|cerebellum]] قرارگرفته اندقرارگرفته‌اند ( که 80%۸۰٪ از تمام نورون هاینورون‌های مغز محسوب می شه )

* کمتر از 1%۱٪ نورون هم در قسمت هایقسمت‌های دیگر مغز قرار گرفته.

نقشه ینقشهٔ سه بعدی مغز با توضیحات کار هر یک از بخش هابخش‌ها و عوارض ممکن در اسیبآسیب دیدگی هر بخش را می توانیدمی‌توانید در [http://www.finr.net/files/brain/index.htm لینک 3D brain] دنبال کنید که می تونید متوجه حجم محاسبات با توجه به تعداد نورون هاینورون‌های اون بخش شبکه عصبی شوید.

* '''cerebellum _ Hindbrain''' به تنظیم وضعیت و هماهنگی بدن کمک می کندمی‌کند و همه حرکات بدن و واکنش هاش را بررسی و ممکن می کندمی‌کند. ( اسیبآسیب دیده گی این بخش می تواندمی‌تواند سبب عدم تعادل و لرزش در حرکت و در صورت اسیبآسیب دیدگی شدید,شدید، عدم حرکت در شخص را به دنبال دارد. )

* [[:en:Cerebrum|'''cerebrum _ Forebrain''']] مرکز شخصیت فرد است و طیف بسیار گسترده تریگسترده‌تری از وظایف را نسبت به بقیه مناطق مغز برعهده دارد. از این وظایف می شودمی‌شود به تصمیم گیری،تصمیم‌گیری، انتخاب آهنگ مورد علاقه، تمرکز، برنامه ریزیبرنامه‌ریزی و سازماندهی، به داشتن حس و شناخت از جهان و رابطه یرابطهٔ خود فرد با جهان "همان خودآگاهی" کمک می کندمی‌کند. cerebrum بیشترین تعداد نورون هاینورون‌های حساس به دوپامین را داراست ,داراست، محل تصمیم گیریتصمیم‌گیری برای حرکت هدفمند و گفتار (صحبت کردن), نحوه رفتار,رفتار، همچنین اطلاعات دردسترس در این بخش مورد سازماندهی قرار می گیردمی‌گیرد و باعث می شودمی‌شود فرد قابلیت اولویت بندی و اصلاح کردن خود و اغازآغاز یا کنترل و یا تغییر رفتار را داشته باشد. ( اسیبآسیب دیدگی این بخش می تواندمی‌تواند شخصیت شخص را تغییر دهد. ان افراد دیگر نمی توانندنمی‌توانند شبیه خودشان عمل کنند. این افراد توانایی برنامه ریزیبرنامه‌ریزی خودشان را از دست می دهندمی‌دهند و توانایی کنترل رفتار خودشان را نیز ممکن از دست دهند و اسیبآسیب دیدگی شدید گاهاگاهی می تواندمی‌تواند شخصیت این افراد را از انهاآنها بگیرد و ... )

** Prefrontal Cortex مسئول استدلال کردن ,کردن، ترسیم تصویر از یک اتفاقاتفاق، , گفتن ,گفتن، راندن وسایلی مانند دوچرخه ,دوچرخه، مقایسه گذشته و ایندهآینده در جهت پیش بینی انچهآنچه که ممکن است اتفاق بیفتد ,بیفتد، بررسی ایده هاایده‌ها و ادراک در جهت کمک به فرایند تصمیم گیریتصمیم‌گیری و سئوچ کردن بین کارها ,کارها، منحرف کردن افکار فرد از یک عمل قبل از شروع عمل دیگر . همچنین این بخش از مغز نقشی در خود اگاهیآگاهی self-awareness , تشخیص احساسات ,احساسات، تجربه لذتها ,لذتها، در ذهن خوداگاه کمک به درک سریع بودن یا کند بودن زمان ,زمان، عمل کردن به عنوان قطب احساسی و فراخوانی احساس غریزی در مورد شناخت درست از غلط . همچنین پردازش احساساتی از قبیل اضطراب و نا امیدیناامیدی نیز در این بخش مغز صورت می گیرد می‌گیرد. ( با توجه به اینکه در جلوی قسمت cerebrum _ Forebrain مغز قرار گرفته به راحتی با ضربات تصادفی یا کمبود اکسیژن در حمله یحملهٔ قلبی قابل آسیب دیدن است که در صورت اسیبآسیب دیدن طیف وسیعی از مشکلات رفتاری از جمله خشونت یا عدم حساسیت ,حساسیت، مشکلاتی در شروع وظایفت و متمرکز ماندن در انجام انهاآنها، , عملگرد هایعملگردهای نامناسب غیر ارادیغیرارادی و بستری شدن در مراکز درمانی را به دنبال دارد . علاوه بر این افراد مبتلا به افسردگی دارای فعالیت غیر طبیعیغیرطبیعی در قشر جلوی مغز هستند و این منطقه ممکن است در [[اختلال وسواس فکری عملی]]<nowiki/>دنیزرگیر باشند.

** [[:en:Dorsolateral_prefrontal_cortex|dorsolateral prefrontal cortex]] یا به اختصار DLPFC در میانه بخش قبل در انسان هاانسان‌ها و پستانداران واقع شده است و نسبت به قسمت هایقسمت‌های دیگر یکی از بخش هایبخش‌های تازه تکامل یافته مغز انسان محسوب می شودمی‌شود که تکامل ان تا هنگام بزرگسالی ادامه می یابد می‌یابد. همچنین به orbitofrontal cortex و قسمت هایقسمت‌های مختلف مغز که شامل  بخش [[تالاموس|thalamus]] ,  [[عقده‌های قاعده‌ای|basal ganglia]]  , [[:en:Hypothalamus|hippocampus]] و مناطق اصلی و ثانویه [[نئوکورتکس|neocortex]] هم متصل است . این بخش در کارهای اجرایی دخالت دارد که عملکرد هاییعملکردهایی از قبیل مدیریت فرایندهای شناختی [[:en:Cognition|cognitive processes]] که شامل حافظه کاری [[:en:Working_memory|working memory]] , [[:en:Cognitive_flexibility|انعطاف پذیریانعطاف‌پذیری شناختی]] و برنامه ریزی برنامه‌ریزی. همچنین وظایف رفتاری نیز به شدت مرتبط به این بخش به نظر می رسندمی‌رسند و انجام وظایفی که نیاز به نگه داری اطلاعات در ذهن یا همان working memory را دارند . DLPFC برای به خاطر اوردن ایتمآوردن هاایتم‌ها به صورت تکی مورد نیاز نیست بنابراین اسیبآسیب دیدگی این بخش سبب اختلال در حافظه شناختی یا [[:en:Dorsolateral_prefrontal_cortex|recognition memory]] نمی شودنمی‌شود با این وجود در صورتی که فرد بخواهد دو آیتم را در حافضه با یکدیگر مقایسه کند دخالت بخش DLPFC نیز مورد نیاز خواهد بود . اشخاص با اسیبآسیب دیدگی DLPFC قادر نخواهند بود تصویری را که قبلاقبلاً به انهاآنها نشان داده شده است را بین دو تصویری که به انهاآنها بعد از مدتی نشان می دهندمی‌دهند را تشخیص دهند . بخش DLPFC در هنگام خواب فعال نیست و فقط پردازش زمان بیداری و واقعیت را بر عهده دارد . به همین ترتیب این بخش مکررامکرراً همچنین با اختلالات رانندگی ,رانندگی، توجه و انگیزه مرتبط دانسته شده . افرادی با اسیبآسیب دیدگی جزئی DLPFC عموماعموماً احساس بی تفاوتی به محیط اطراف خود دارند و از خودانگیختگی در زبان و رفتار محروم اند همچنین این افراد به فقدان انگیزه برای انجام کاری برای خود و یا دیگران نیز دچار هستند .

* '''brainstem_''' قسمت زرد در تصویر بالا. این بخش هماهنگی فعالیت هایفعالیت‌های خودکار یا رفلکس بدن را در فعالیت هاییفعالیت‌هایی که بدون تفکر انجام می گیرندمی‌گیرند مانند تنفس ,تنفس، تون عضلانی غیر ارادی ,غیرارادی، فعالیت قسمت هایقسمت‌های مختلف بدن و وضعیت آنها ,آنها، کمک به حفظ آگاهی از بدن ,بدن، ضربان قلب ,قلب، فشار خونخون، ,عطسه، عطسه , سرفه ,سرفه، بیدارشدن از خواب و . . . را سازماندهی می کندمی‌کند و سازه اون که در بالای نخاج و زیر [[:en:Cerebrum|cerebrum]] و در مرکز مغز قرار داره مانند یک ساختمان هست که از بخش هایبخش‌های ( Diencephalon mid-brain , pons , medulla oblongata ) تشکیل شده هست ( اسیبآسیب دیدگی این بخش می تواندمی‌تواند کشنده باشد ,باشد، زمانی که عملکرد brainstem از دست می رودمی‌رود وضعیت شخص ممکن هست مرگ مغزی تشخیص داده شود. چون این قسمت از حول مغز دور هست اسیب دیدگیآسیب هاییدیدگی‌هایی مثل اسیبآسیب به سر و گردن ,گردن، حمله قلبی و یا سکته مغزیمغزی، , آنسفالیت ,آنسفالیت، سموم مننژیت از جمله مونوکسید کربن (درحدود 60%۶۰٪ کربن منوکسید در خون می تواندمی‌تواند به مرگ منجر شود. چون جذبش از اکسیژن توسط گلبول هایگلبول‌های خون بیشتر هست,هست، عامل : تحت تاثیرتأثیر مستقیم دود خودروها بودن ) , سطح قند خون بالا و یا پایین طولانی مدت در افراد مبتلا به دیابت و سرطان در ساقه مغز که می تواندمی‌تواند در نهایت منجر به کما یا مرگ شخص شود )

* '''Temporal Lobe _''' قسمت صورتی پررنگ در تصویر بالا. در این قسمت یک تصویر ذهنی کامل از اون چیزی که می بینیممی‌بینیم و می شنویممی‌شنویم و احساس می کنیممی‌کنیم در ذهن درست می شود می‌شود. زبان و شنوایی و بویایی در این قسمت مغز مورد پردازش قرار می گیرندمی‌گیرند. این قسمت از مغز همچنین به تشخیص اشیا ,اشیا، جهت حرکتحرکت، ,چهره‌های چهره های اشناآشنا ( ویژه ) , بخاطر اوردنآوردن حقایق جهان و اطلاعات یا دانش عمومی ,عمومی، همراه کردن حافظه و احساسات و همچنین این قسمت نقش مهمی را در گرفتندرگرفتن تصمیمات اخلاقی/احساسی بر عهده داره. لوب Temporal بازیابی معنی کلمات را از حافظه انجام می دهدمی‌دهد و سپس کلمات رو با مفاهیم هماهنگ می کندمی‌کند تا شخص بتواند ایدهای خود را بیان کند . همینطورهمین‌طور زمانی که بچه ها یاد میبچه‌ها گیرندیادمی‌گیرند تا بخوانند این بخش مغز کلمات رو با ترجمه اشکال کلمه به صدا ذخیره می کند. می‌کند؛ بنابراین این بخش می تواندمی‌تواند کلمات را تشخیص بدهد. اتصال Temporal-parietal با دیدن ارواح و یا پیش درآمد و تجربه خروج از بدن در ارتباط است ( عوارض در صورت اسیب آسیب: عفونت یا بیماری مانند آلزایمر می توانیدمی‌توانید باعث اسیبآسیب لوب Temporal شود که سبب تقلا آنچه که یک فرد میمی‌شنود، شنود , می بیندمی‌بیند و درک می کند می شودمی‌کند می‌شود. ممکن است حافظه و اشکال کلمات و صداها در افراد اسیبآسیب دیده مختل شود ). همچنین فرایند خواب دیدن عموماعموماً در حین فعال بودن کل cerebral cortex مغز اتفاق می افتدمی‌افتد.

* '''Parietal_''' قسمت آبی در تصویر بالا. حواس لمسی ,لمسی، درجه حرارت , فشار ,حرارت، فشار، و درد. Parietal به شخص برای رسیدن به درک و دانستن موقعیت چیز هایچیزهای اطرافش کمک می کندمی‌کند. Parietal وقتی که شخصی را لمس می کنیدمی‌کنید واکنش نشان می دهد می‌دهد. لوب Parietal می توانیدمی‌توانید زمان و نقطه ینقطهٔ صدمه را دقیقادقیقاً شناسایی کند. این قسمت باعث بخاطر اوردنآوردن شخص از نحوه چگونگی استفاده از ابزارها و همچنین حافظه شخص از بدن و واکنش هایواکنش‌های آشنا در برابر کنشکنش‌های های اشنایآشنای محیط بدون فکر کردن دربارهدربارهٔ ی انهاآنها مانند بیسبال ,بیسبال، شنا کردن و . . . لوب Parietal بین پیشانی و occipital نهفته در مغز بالا وسط در نزدیکی [[:en:Cerebrum|cerebrum]] نیمکره غالب در خواندن و نوشتن گفتار و محاسبه ,محاسبه، اقدامات پیچیده. همچنین نقش مهمی در ادراک و تصویر ذهنی از بدن بر عهده دارد ( اسیب آسیب: یک فرد با یک سکته مغزی ضایعه مغزی آسیب هایآسیب‌های مغزی و یا آسیب هایآسیب‌های دژنراتیو در این منطقه ممکن است قادر به تشخیص چهره ,چهره، چپ از راستراست، , رسم ,رسم، کلمات یا اعداد ,اعداد، صحبت به طور معمول و یا اقامت متمرکز نباشد. آنها ممکن است فاصله و موقعیت شی را تشخیص ندهند ,ندهند، آنها ممکن است قضاوت خودشان را در برخی امور ساده از دست بدهند و مثلامثلاً از یک اتاق به دیگری در خانه خود اشتاه کنند و احساس خود از درد ,درد، لمس یا درجه حرارت را از دست بدهند ,بدهند، آنها ممکن است چیزها را اشتباه گرفته و قادر به لباس پوشیدن و یا انجام کارهای ساده نباشند )

* '''Occipital_''' قسمت سبز در تصویر بالا " یا همون پس سر " نورون هاینورون‌های این قسمت بر روی بینایی چشم کار می کنندمی‌کنند و با کار کردن همراه دیگر بخش هایبخش‌های مغز فعالیت هاییفعالیت‌هایی مثل پردازش تصاویر ارسال شده از چشم و تفسیر اشکال مختلف و رنگ ها ,رنگ‌ها، عمق تصاویر , زاویهتصاویر، هاییزاویه‌هایی که ما در حال دیدنشان هستیم را انجام می دهندمی‌دهند ( اسیبآسیب یا عفونت یا نرسیدن اکسیژن و موارد دیگر به این قسمت ممکن است دید و درک بصری شخص را تحت تاثیرتأثیر قرار دهد و شخص اسیبآسیب دیده به سختی قادر به خواندن متون و تشخیص رنگ هارنگ‌ها و محل اشیای نزدیک ,نزدیک، تفسیر ترسیماتی مانند ( نقاشی ) و تشخیص کلمات در متن است. گاهاگاهی هم ممکن هست شخص نتواند تغییر اشیا از یک مکان به مکان دیگر را در اطرافش ببیند. همچنین ممکن است شخص دچار انحراف دید و توهم بصری شود. همچنین آسیب دیدگی شدید به این بخش کوری را به همراه خواهد داشت / جراحات مغزی، آسیب و یا نوشتن متقابل " cross-writing " در محل اتصالی که در آن parietal و occipital اتصال جداری پیدا می کنندمی‌کنند ممکن است باعث حس متقارن "synesthesia"و مخلوطی حواس شود. برای مثال اون افراد هنگام شنیدن موسیقی یا خواندن اعداد رنگ هاییرنگ‌هایی را می بینندمی‌بینند. برای آنها نت هاینت‌های مختلف موسیقی ممکن است واقعاواقعاً تولید یک سمفونی رنگ نماید. زمانی که این گونه افراد می نویسندمی‌نویسند ممکن است عدد 5۵ به رنگ آبی و عدد 6۶ به رنگ سبز مشاهده شود ) [[پرونده:Neuron Cell Body.png|thumb|443x443px|جسم سلولی نورون ( [[:en:Soma_(biology)|Soma]] )]]

شباهت نورون هانورون‌ها با دیگر سلول هایسلول‌های بدن.[https://faculty.washington.edu/chudler/what.html]

# نورون هانورون‌ها توسط یک غشاء احاطه شده است.

# نورون هانورون‌ها دارای هسته یهستهٔ حاوی ژن هاژن‌ها هستند

# نورون هانورون‌ها حاوی سیتوپلاسم، ، میتوکندری و دیگر "ارگانل ها"هاً هستند.

تفاوت نورون هانورون‌ها با سلول هایسلول‌های دیگر بدن.

# نورون هانورون‌ها دارای projections هایprojectionsهای خاصی هستن که dendrites و axons نام دارند. [[:en:Dendrite|Dendrites]] ها‌ها نقشِ آورنده پیام‌های صادر شده از نورون هاینورون‌های مجاور یا نورون هاینورون‌های رده بالاتر به درون جسم سلولی نورون ( Soma ) را به عهده دارند و [[:en:Axon|axons]]‌ها ها سیگنال‌ هایسیگنال‌های الکتریکی را از  جسم سلولی نورون  به بیرون هدایت می‌کند.

# نورورن هانورورن‌ها با یکدیگر از طریق یک پروسه الکتروشیمایی ارتباط برقرار می کنندمی‌کنند

# نورون هانورون‌ها ایجاد ارتباط خاصی که سیناپس نام دارد می کنندمی‌کنند و تولید مواد شیمیایی خاصی به نام neurotransmitters " انتقال دهنده هایدهنده‌های عصبی " که در محل synapses هاsynapsesها منتشر می شوندمی‌شوند.

[[پرونده:1209 Glial Cells of the CNS-02.jpg|thumb|387x387px|سلول هایسلول‌های [[:en:Neuroglia|<u>Glial</u>]]]]

memory یا حافظه در مغز به صورت رمزگذاری شده و در ارتباطات سیناپس بین نورون ها,ها، در سرتاسر شبکه عصبی ذخیرهذخیره‌سازی سازی می شوندمی‌شوند و محل خاصی به تنهایی در مغز وظیفه ذخیره سازیذخیره‌سازی را بر عهده ندارد[http://www.human-memory.net/processes_storage.html] تحقیقات دانشمندان در امریکاآمریکا بر روی حافظه راه کار هاییکارهایی را برای پاک کردن و نوشتن مجدد memory خاصی در مغز را تا حدودی زیادی ممکن کرده [http://www.zoomit.ir/2016/2/28/127545/scientists-figured-out-how-to-to-erase-your-painful-memories/]

همچنین با این روش می شه برای افراد تازهتازه‌کار کار مهارت هایمهارت‌های افراد با تجربه بالا را در مغزشان با استفاده از ( جریان هایجریان‌های پایین الکتریکی ) آپلود کرد و این افراد در طول ازمایشآزمایش کنترل هواپیما در طول مدت خیلی کوتاهی عملکردشان به خوبی افرادی که سال هاسال‌ها در خلبانی تجربه داشتند شده است [http://www.sciencealert.com/sorry-guys-scientists-haven-t-invented-a-matrix-style-device-that-instantly-uploads-data-to-your-brain]

اکثر نورون هانورون‌ها در ماه هایماه‌های اول تولد تا حدود 18۱۸ ماهگی ایجاد می شوندمی‌شوند و بعد از جابجا شدن در مغز و پیدا کردن جای خود در مغز مسیر تکامل را می پیماینند.پیماینند؛ و عموماعموماً تا اخرآخر عمر همراه فرد خواهند بود ( البته در پیری برخی از ارتباطات ضعیف می شوندمی‌شوند یا از بین می رودمی‌رود یا برخی از نورون ها مینورون‌ها میرندمی‌میرند که سبب بیماری هاییبیماری‌هایی نظیر فراموشی و . . . می گردد می‌گردد)

== سلول هایسلول‌های Glial ==

'''نوروگلی‌ها'''  یا  '''پی‌چسب‌ها'''  یا  '''یاخته‌های گلیال'''، یاخته‌های پشتیبان  دستگاه عصبی  هستند که وظیفه حمایت از  یاخته‌های عصبی  را بر عهده دارند. یاخته‌های گلیال سیستم عصبی مرکزی را به هم پیوند داده و به طریق فیزیکی و شیمیایی از آن محافظت می‌کنند. علاوه بر این مواد شیمیایی و غذایی مورد نیاز  یاخته‌های عصبی  را فراهم می‌آورند. وظایف این سلولهای غیر نورون در مغز

# اطراف نورون هانورون‌ها را گرفته و انهاآنها را در محل نگه می دارندمی‌دارند

# برای تامینتأمین مواد مغزی و اکسیژن به سلول هایسلول‌های نورون

# عایق بندی و جدا نگه داشتن نورون هانورون‌ها از یکدیگر

# برای از بین بردن عوامل بیماری زا و حذف نورون هاینورون‌های مرده

برای مدت هامدت‌ها باور بر این بود که سلول هایسلول‌های '''Glial''' تاثیریتأثیری در سیستم neuroTransmission " انتقال عصبی " ندارند ولی یافته هاییافته‌های neuroscience در قرن 21۲۱ تشخیص دادند که این سلول هاسلول‌ها در بخش هاییبخش‌هایی از فرایندهای فیزیولوژیکی خاصی شبیه تنفس تاثیرتأثیر گذارند و همچنین به نورون هانورون‌ها در ایجاد ارتباطات سیناپس بین یکدیگر کمک می کنندمی‌کنند.

در این شبکه‌ها به کمک دانش [[برنامه نویسیبرنامه‌نویسی]]، [[ساختار داده‌ای]] طراحی می‌شود که می‌تواند همانند نورون عمل کند.کند؛ که به این ساختارداده نورون گفته می‌شود. بعد باایجاد شبکه‌ای بین این نورونها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می‌دهند.

[[پرونده:Colored neural network.svg|thumb|346x346px|یک شبکه عصبی مصنوعی گروهی به هم پیوسته از گره هاگره‌ها ( یا همون node ها nodeها) هستند شبیه به شبکه هایشبکه‌های گسترده نرون هاینرون‌های درون مغز . در اینجا هر دایره نشان دهنده یک سلول عصبی نورون هست و پیکان هاپیکان‌ها نشان دهنده ارتباط خروجی یک نورون به ورودی نورون دیگه هست]]

در این حافظه یا شبکهٔ عصبی نورونها دارای دو حالت فعال (روشن یا ۱) و غیرفعال (خاموش یا ۰) اند و هر یال (سیناپس یا ارتباط بین گره‌ها) دارای یک وزن می‌باشد. یال‌های با وزن مثبت، موجب تحریک یا فعال کردن گره غیر فعالغیرفعال بعدی می‌شوند و یال‌های با وزن منفی، گره متصل بعدی را غیر فعالغیرفعال یا مهار (در صورتی که فعال بوده باشد) می‌کنند.

'''در تاریخ Dec 17, 2009''' ابر کامپیوتر ( supercomputer ) شرکت [http://www.popularmechanics.com/technology/engineering/extreme-machines/4337190 IBM] در امریکاآمریکا توانست در حدود billion 1 ( میلیارد ) نورون را با حدود 10 trillion سیناپس مصنوعی شبیه سازیشبیه‌سازی کند که این نشان دهنده این واقعیت هست که نورون هاینورون‌های مصنوعی به سیستم هایسیستم‌های قدرتمندی برای اجرا نیاز دارند و برای شبیه سازیشبیه‌سازی مغز انسان احتمالااحتمالاً به [[رایانه کوانتومی|کامپیوتر کوانتومی]] نیاز خواهد بود. همچنین با دانستن این موضوع که مورچه 250,000۲۵۰٬۰۰۰ نورون و زنبور در حدود 960,000۹۶۰٬۰۰۰ و گربه 760,000,000۷۶۰٬۰۰۰٬۰۰۰ نورون و در حدود 10¹³ سیناپس دارد می شودمی‌شود نتیجه گرفت که با supercomputer هایsupercomputerهای کنونی تا حدودی بشه این موجودات را شبیه سازیشبیه‌سازی کرد. ( [[:en:List_of_animals_by_number_of_neurons|لیست موجودات مختلف بر اساس تعداد نورون هانورون‌ها و سیناپس هاسیناپس‌ها]] ) البته باید مد نظر داشت که برخی از موجودات از swarm Intelligence یا [[هوش ازدحامی|هوش جمعی]] استفاده می کنندمی‌کنند و شبیه سازیشبیه‌سازی تکی ان هاان‌ها کافی نخواهد بود )

'''در تاریخ Dec 9, 2014''' شرکت IBM از تراشه SyNAPSE خود رونمایی کرد. این چیپ که با سرمایه گذاریسرمایه‌گذاری DARPA ( سازمان پروژه‌های تحقیقاتی پیشرفتهٔ دفاعی ایالت متحده ) به بهره برداری رسیدهبهره‌برداری ,رسیده، به گونه‌ای طراحی شده که فعالیت‌های مغز انسان را شبیه‌سازی کند و به طور کلی از چارچوب منطق بولین و باینری خارج شود. این تراشه متشکل از 1۱ میلیون نورون مجازی است که با استفاده از 256۲۵۶ میلیون سیناپس مجازی به یکدیگر متصل شده‌اند. سیناپس بزرگ‌ترین تراشه‌ای است که شرکت IBM تاکنون تولید کرده است، چراکه در آن 5.4۵٫۴ میلیارد ترانزیستور استفاده شده است. همچنین مجموعه‌یمجموعهٔ ترانزیستورهای مورد استفاده متشکل از 4٫096۴٫۰۹۶ هسته‌یهستهٔ neuroSynaptic است که روی تراشه قرار گرفته‌اند. مصرف این تراشه تنها 70۷۰ میلی‌وات mW است که در مقایسه با تراشه‌ هایتراشه‌های کنونی بسیار کمتر است. [[https://en.wikipedia.org/wiki/List_of_CPU_power_dissipation_figures:List of CPU power dissipation figures]] از نظر مقیاس، تراشه‌یتراشهٔ سیناپس برابر با مغز یک زنبور عسل است و تعداد نئورون‌ها و سیناپس هایسیناپس‌های مورد استفاده با آن برابری می‌کند، با این وجود این تراشه بسیار ضعیف‌تر از مغز انسان‌ها است. مغز هر انسان از حدود 86۸۶ میلیارد نورون و 100۱۰۰ تریلیوین سیناپس تشکیل شده است. البته تیم توسعه‌یتوسعهٔ SyNAPSE نشان داده که می‌توان با اتصال تراشه‌های سیناپس به یکدیگر، تراشه‌یتراشهٔ بزرگ‌تر و قوی‌تری ساخت.

در حال حاضر IBM موفق شده یک بورد قابل برنامه‌ریزی و کارآمد با استفاده از 16۱۶ عدد چیپ SyNAPSE ایجاد نماید که همگی در هماهنگی کامل با یکدیگر فعالیت می‌کنند. این بورد نمایانگر قدرت 16۱۶ میلیون نورون است که بنا بر گفته‌یگفتهٔ محققان این پروژه، در پردازش سنتی با استفاده از تعداد زیادی رک‌رک (مکان قرارگیری چندین کامپیوتر پر قدرت بزرگ ) و مجموعه‌های عظیم کامپیوتری قابل دستیابی بود. بود؛ و با وجود مجتمع نمودن 16۱۶ چیپ در یک سیستم، باز هم با مصرف نیروی به شدت پایینی روبرو هستیم که در نتیجه‌ینتیجهٔ آن حرارت بسیار پایین‌تری نیز تولید می‌شود. در حقیقت چیپ SyNAPSE جدید آنچنان انقلابی بوده و دنیای پردازش را از نگرش دیگری نمایان می‌سازد که IBM مجبور شده برای همراهی با توسعه‌یتوسعهٔ آن به ایجاد یک زبان برنامه‌نویسی جدید بپردازد و یک برنامه‌یبرنامهٔ آموزشی گسترده‌ی اطلاعگستردهٔ رسانیاطلاع‌رسانی تحت نام دانشگاه SyNAPSE راه‌اندازی کند.[http://www.zoomit.ir/2014/8/10/13168/ibm-synapse-supercomputing-chip/][https://www.theguardian.com/technology/2014/dec/09/synapse-ibm-neural-computing-chip]

'''در تاریخ March 16, 2016''' شرکت Google بخش [[:en:Google_DeepMind|DeepMind]] توانستند توسط هوش مصنوعی خود قهرمان جهان را در بازی GO ( شطرنج چینی که قدمتی بیش از ۲۵۰۰  سال دارد ) با نتیجه 4۴ به 1۱ شکست دهند که این دستاورد بزرگی برای هوش مصنوعی بود. گوگل در این هوش مصنوعی از تکنولوژی [[یادگیری عمیق|Deep Learning]] و [[حافظه کوتاه‌مدت|short-term memory]] بهره برده است و این سیستم به نوعی مشابه [[:en:Turing_Machine|Turing Machine]] هست اما به صورت end-to-end دارای تفاوت هایتفاوت‌های قابل تشخیص می باشدمی‌باشد و این تکنولوژی هاتکنولوژی‌ها به اون اجازه داده است که با [[:en:Gradient_descent|gradient descent]] به صورت موثریمؤثری قابل تعلیم باشد. در DeepMind محققان گوگل مجموعه‌ای از حرکت‌های بهترین بازکنان گو را که شامل بیش از 30۳۰ میلیون حرکت است، جمع آوریجمع‌آوری کرده و سیستم هوش مصنوعی مبتنی بر یادگیری عمیق خود را با استفاده از این حرکات آموزش داده‌اند تا از این طریق آلفاگو قادر باشد به تنهایی و براساس تصمیمات خود به بازی بپردازد. همچنین دانشمندان برای بهبود هر چه بیشتر این سیستم راه‌حل تقابل هوش مصنوعی توسعه یافته با خودش را در پیش گرفتند؛ با استفاده از این روش، دانشمندان موفق شدند تا حرکات جدیدی را نیز ثبت کنند و با استفاده از این حرکات آموزش هوش مصنوعی را وارد مرحله‌یمرحلهٔ جدید‌تریجدیدتری نمایند. چنین سیستمی قادر شده تا بهترین بازیکن اروپا و جهان را شکست دهد. بزرگ‌ترین نتیجه‌ینتیجهٔ توسعه‌یتوسعهٔ آلفاگو، عدم توسعه‌یتوسعهٔ این سیستم با قوانین از پیش تعیین شده است. در عوض این سیستم از روش‌های مبتنی بر یادگیری ماشین و شبکه عصبی توسعه یافته و تکنیک‌های برد در بازی گو را به خوبی یاد گرفتهیادگرفته و حتی میمی‌تواند تواند تکنیک هایتکنیک‌های جدیدی را ایجاد و در بازی اعمال کند. کریس نیکولسون، موسسمؤسس استارت آپ Skymind که در زمینه‌ی تکنولوژیزمینهٔ هایتکنولوژی‌های یادگیری عمیق فعالیت می‌کند، در این خصوص این چنین اظهار نظر کرده است: " از سیستم‌های مبتنی بر شبکه‌یشبکهٔ عصبی نظیر آلفاگو می‌توان در هر مشکل و مساله‌ای که تعیین استراتژی برای رسیدن به موفقیت اهمیت دارد، استفاده کرد. کاربردهای این فناوری می‌تواند از اقتصاد، علم یا جنگ گسترده باشد. "

اهمیت برد آلفاگو ːدر:در ابتدای سال 2014۲۰۱۴ میلادی، برنامه‌یبرنامهٔ هوش مصنوعی Coulom که Crazystone نام داشت موفق شد در برابر نوریموتو یودا، بازیکن قهار این رشته‌یرشتهٔ ورزشی پیروز شود؛ اما موضوعی که باید در این پیروزی اشاره کرد، انجام 4۴ حرکت پی در پی ابتدایی در این رقابت توسط برنامه‌یبرنامهٔ هوش مصنوعی توسعه یافته بود که برتری بزرگی در بازی گو به شمار می‌رود. در آن زمان Coulom پیش‌بینی کرده بود که برای غلبه بر انسان، نیاز به ''یک بازه‌یبازهٔ زمانی یک دهه‌ای'' است تا ماشین‌ها بتوانند پیروز رقابت با انسان‌ها در بازی GO باشند. چالش اصلی در رقابت با بهترین بازیکن‌های گو، در طبیعت این بازی نهفته است. حتی بهترین ابررایانه‌های توسعه یافته نیز برای آنالیز و پیش‌بینی نتیجه‌ینتیجهٔ حرکت‌های قابل انجام از نظر قدرت پردازشی دچار تزلرل شده و نمی‌توانند قدرت پردازشی مورد نیاز را تامینتأمین کنند. در واقع نیروی پردازشی این رایانه‌ها مناسب نبوده و در نتیجه زمان درازی را برای ارائه‌یارائهٔ نتیجه‌ینتیجهٔ قابل قبول مورد نیاز است. زمانی که ابررایانه‌یابررایانهٔ موسوم به Deep Blue که توسط IBM توسعه یافته بود، موفق شد تا در سال 1997،۱۹۹۷، گری کاسپاروف، قهرمان شطرنج جهان را شکست دهد، بسیاری به قدرت این ابررایانه پی بردند؛ چراکه این ابررایانه با قدرت زیادی کاسپاروف را شکست داد. علت پیروزی قاطع این Deep Blue، قدرت بالای این ابررایانه در کنار قدرت تحلیل و نتیجه‌گیری از هر حرکت احتمالی ممکن در بازی بود که تقریباتقریباً هیچ انسانی توانایی انجام آن را ندارد. اما چنین پیش‌بینی‌هایی در بازی GO ممکن نیست. براساس اطلاعات ارائه شده در بازی شطرنج که در صفحهصفحه‌ای ای 8۸ در 8۸ انجام می شود،می‌شود، در هر دور، بصورت میانگین می‌توان 35۳۵ حرکت را انجام داد، اما در بازی گو که بین دو نفر در تخته‌ای به بزرگی 19۱۹ در 19۱۹ خانه انجام می‌شود، در هر دور بصورت میانگین می‌توان بیش از 250۲۵۰ حرکت انجام داد. هر یک از این 250۲۵۰ حرکت احتمالی نیز در ادامه 250۲۵۰ احتمال دیگر را در پی دارند.دارند؛ که می شه نتیجه گرفت که در بازی گو، به اندازه‌ای احتمال حرکات گسترده است که تعداد آن از اتم‌ هایاتم‌های موجود در جهان هستی نیز بیشتر است.

تلاشتلاش‌های های پیشینːپیشین: در سال 2014۲۰۱۴ محققان در DeepMind، دانشگاه ادینبورگ و facebook امیدوار بودند تا با استفاده از شبکه‌های عصبی، سیستم‌هایی مبتنی بر شبکه‌های عصبی توسعه دهند که قادر باشد تا با نگاه کردن به تخته‌یتختهٔ بازی، همچون انسان‌ها به بازی بپردازند. محققان در فیس‌بوک موفق شده‌اند تا با کنار هم قراردادن تکنیک درخت مونت کارلو و یادگیری عمیق، شماری از بازیکنان را در بازی گو شکست دهد. البته سیستم فیس‌بوک قادر به برد در برابر CrazyStone و سایر بازیکنان شناخته شده‌یشدهٔ این رشته‌یرشتهٔ ورزشی نشد.

سخت افزارسخت‌افزار مورد نیاز سیستم یادگیری عمیق دیپ مایندːمایند: براساس اطلاعات ارائه شده,شده، سیستم DeepMind قادر است روی رایانه‌ای با چند پردازنده‌یپردازندهٔ گرافیکی نیز به خوبی کار کند؛ اما در مسابقه‌ای که آلفاگو در برابر فان هوی برگزار کرد، این سیستم مبتنی بر شبکه‌یشبکهٔ عصبی از وجود شبکه‌های از رایانه‌ها بهره می‌برد که شامل بیش از 170۱۷۰ پردازنده‌یپردازندهٔ گرافیکی [[انویدیا|Nvidia]] و 1,200۱٬۲۰۰ پردازنده‌‌پردازنده بود. [http://www.zoomit.ir/2016/2/11/126687/huge-breakthrough-googles-ai-beats-a-top-player/]

از [[قرن نوزدهم]] به طور همزمان اما جداگانه از سویی نروفیزیولوزیست‌ها سعی کردند سامانه یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا [[مدل ریاضی]] بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوشش‌ها در شبیه سازیشبیه‌سازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که امروزه بلوک اصلی سازنده اکثر شبکه‌های عصبی مصنوعی است. این مدل فرضیه‌هایی در مورد عملکرد نورون‌ها ارائه می‌کند. عملکرد این مدل مبتنی بر جمع ورودی‌ها و ایجاد خروجی است. چنانچه حاصل جمع ورودی‌ها از مقدار آستانه بیشتر باشد اصطلاحاً نورون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده مثل AND و OR بود.

نه تنها نروفیزیولوژیست‌ها بلکه روان شناسان و مهندسان نیز در پیشرفت شبیه سازیشبیه‌سازی شبکه‌های عصبی تاثیرتأثیر داشتند. در سال ۱۹۵۸ شبکه پرسپترون توسط روزنبلات معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان [[لایه پیوند]] شناخته شده می‌باشد، است. این سامانه می‌تواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند.

در سال ۱۹۶۹ میسکی و پاپرت کتابی نوشتند که محدودیت‌های سامانه‌های تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع [[سرمایه گذاریسرمایه‌گذاری]] برای تحقیقات در زمینه شبیه سازیشبیه‌سازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مسالهمسئله جالبی نمی‌باشد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.{{multiple image|width=280|image1=Aurelia-aurita-3 (cropped).jpg|alt1=تصویری از عروس دریایی در رویایرؤیای عمیق گوگل|image2=Aurelia-aurita-3-0009.jpg|footer=تصویری از عروس دریایی در شبکه عصبی convolutional رویایرؤیای عمیق گوگل ( Deep Dream )}}با وجود اینکه اشتیاق عمومی و سرمایه گذاری‌هایسرمایه‌گذاری‌های موجود به حداقل خود رسیده بود، برخی محققان تحقیقات خود را برای ساخت ماشین‌هایی که توانایی حل مسائلی از قبیل [[تشخیص الگو]] را داشته باشند، ادامه دادند. از جمله گراسبگ که شبکه‌ای تحت عنوان Avalanch را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او با همکاری کارپنتر شبکه‌های ART را بنانهادند که با مدل‌های طبیعی تفاوت داشت. اندرسون و کوهونن نیز از اشخاصی بودند که تکنیک‌هایی برای یادگیری ایجاد کردند. ورباس در سال ۱۹۷۴ شیوه آموزش پس انتشار (Back Propagation) خطا را ایجاد کرد که یک شبکه پرسپترون چندلایه البته با قوانین نیرومندتر آموزشی بود.

پیشرفت‌هایی که در سال ۱۹۷۰ تا ۱۹۸۰ بدست آمد برای جلب توجه به شبکه‌های عصبی بسیار مهم بود. برخی فاکتورها نیز در تشدید این مسالهمسئله دخالت داشتند، از جمله کتاب‌ها و کنفرانس‌های وسیعی که برای مردم در رشته‌های متنوع ارائه شد. امروز نیز تحولات زیادی در تکنولوژی ANN ایجاد شده‌است.

# دسته بندیدسته‌بندی: شبکه‌های عصبی قادر به دسته بندیدسته‌بندی ورودی‌ها بر ای دریافت خروجی مناسب می‌باشند.

# تعمیم دهی: این خاصیت شبکه را قادر می‌سازد تا تنها با برخورد با تعداد محدودی نمونه، یک قانون کلی از آن را به دست آورده، نتایج این آموخته‌ها را به موارد مشاهده از قبل نیز تعمیم دهد. توانایی که در صورت نبود آن سامانه باید [[بی نهایتبی‌نهایت]] واقعیت‌ها و روابط را به خاطر بسپارد.

# پایداری-انعطاف پذیریانعطاف‌پذیری: یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فراگرفته خود را حفظ کند و هم قابلیت انعطاف و تطبیق را دارد و بدون از دست دادن اطلاعات قبلی می‌تواند موارد جدید را بپذیرد.

[[پرونده:C.elegans-brain-network.jpg|thumb|329x329px|شبکه مغز کرم الگانس [[:en:Caenorhabditis_elegans|Caenorhabditis elegans]] _ شبکه نورونی این کرم از [[:de:Datei:C.elegans-brain-network.jpg|302]] نورون و حدود 7000۷۰۰۰ اتصال سیناپس تشکیل شده است.]]

کارهایی وجود دارند که بهتر است از روش الگوریتمی حل شوند و همین طورهمین‌طور کارهایی وجود دارند که جز از طریق شبکه عصبی مصنوعی قابل حل نمی‌باشند و البته تعداد زیادی نیز برای بدست آوردن بازده حداکثر،

یک نورون مصنوعی سامانه‌ای است با تعداد زیادی ورودی و تنها یک خروجی. نورون دارای دو حالت می‌باشد، حالت آموزش و حالت عملکرد. در حالت آموزش نورون یاد می‌گیردیادمی‌گیرد که در مقابل الگوهای ورودی خاص برانگیخته شود و یا در اصطلاح آتش کند. در حالت عملکرد وقتی یک الگوی ورودی شناسایی شده وارد شود، خروجی متناظر با آن ارائه می‌شود. اگر ورودی جزء ورودی‌های از پیش شناسایی شده نباشد، قوانین آتش برای بر انگیختگی یا عدم آن [[تصمیم گیریتصمیم‌گیری]] می‌کند.

[[پرونده:Action potential.svg|بندانگشتی|349x349پیکسل|[[پتانسیل عمل|اکشن پتانسیل نورون زیستی]] ː: پتانسیل الکتریکی نورون در حالت استراحت در -70 mV قرار دارد. با اعمال محرک بر غشای نورون,نورون، پتانسیل غشا به -55۵۵ میلی ولت می رسدمی‌رسد پس از انکهآنکه محرک اعمال می شودمی‌شود پتانسیل غشا به سرعت در نقطه +40 mV  به اوج خود میرسدمی‌رسد و با همان سرعت,سرعت، پتانسیل غشا به -90 mV کاهش و overshoots پیدا می کندمی‌کند و در نهایت دوباره به resting potential ( پتانسیل حالت استراحت ) در -70 mV باز می گرددبازمی‌گردد]]

با کنار گذاشتن برخی از خواص حیاتی نورون‌ها و ارتباطات درونی آنها می‌توان یک مدل ابتدایی از نورون را به وسیله کامپیوتر شبیه سازیشبیه‌سازی کرد.

پیشرو: بیشترین پیوندها از این نوع است که در آن سیگنال‌ها تنها در یک جهت حرکت می‌کنند. از ورودی به خروجی هیچ بازخوردی (حلقه) وجود ندارد. خروجی هر لایه بر همان لایه تاثیریتأثیری ندارد.

== تقسیم بندیتقسیم‌بندی شبکه‌های عصبی ==

# وزن ثابت: آموزشی در کار نیست و مقادیر وزن‌ها به هنگام نمی‌شود. کاربرد: [[بهینه سازیبهینه‌سازی]] اطلاعات (کاهش حجم، [[تفکیک پذیریتفکیک‌پذیری]] و فشرده سازی) و حافظه‌های تناظری

# آموزش بدون سرپرست: وزن‌ها فقط بر اساس ورودی‌ها اصلاح می‌شوند و خروجی مطلوب وجود ندارد تا با مقایسه خروجی شبکه با آن و تعیین مقدار خطا وزن‌ها اصلاح شود. وزن‌ها فقط بر اساس اطلاعات الگوهای ورودی به هنگام می‌شوند. هدف استخراج مشخصه‌های الگوهای ورودی بر اساس راهبرد خوشه یابی و یا دسته‌بندی و تشخیص شباهت‌ها (تشکیل گروه‌هایی با الگوی مشابه) می‌باشد، بدون اینکه خروجی یا کلاس‌های متناظر با الگوهای ورودی از قبل مشخص باشد. این یاد گیرییادگیری معمولاً بر پایه شیوه برترین هم خوانی انجام می‌گیرد. شبکه بدون سرپرست وزن‌های خود را بر پایه خروجی حاصل شده از ورودی تغییر می‌دهد تا در برخورد بعدی پاسخ مناسبی را برای این ورودی داشته باشد. در نتیجه شبکه یاد می‌گیردیادمی‌گیرد چگونه به ورودی پاسخ بدهد. اصولاً هدف این است که با تکنیک نورون غالب نورونی که بیشترین تحریک آغازین را دارد برگزیده شود. بنابر این در شبکه‌های بدون سرپرست یافتن نورون غالب یکی از مهمترین کارها است.

در کل می‌توان کاربردهای شبکه‌های عصبی را به صورت زیر دسته بندیدسته‌بندی کرد:

تناظر (شبکه الگوهای مغشوش وبه هم ریختهرا بازشناسی می‌کند)، خوشه یابی، دسته بندی،دسته‌بندی، شناسایی، بازسازی الگو، تعمیم دهی (به دست آوردن یک پاسخ صحیح برای محرک ورودی که قبلاً به [[شبکه آموزش]] داده نشده)، بهینه سازیبهینه‌سازی.

امروزه شبکه‌های عصبی در کاربردهای مختلفی نظیر مسائل تشخیص الگو که خود شامل مسائلی مانند تشخیص خط، شناسایی گفتار، [[پردازش تصویر]] و مسائلی از این دست می‌شود و نیز مسائل دسته بندیدسته‌بندی مانند دسته بندیدسته‌بندی متون یا تصاویر، به کار می‌روند. در کنترل یا مدل سازی سامانه‌هایی که ساختار داخلی ناشناخته یا بسیار پیچیده‌ای دارند نیز به صورت روز افزونروزافزون از شبکه‌های عصبی مصنوعی استفاده می‌شود. به عنوان مثال می‌توان در کنترل ورودی یک موتور([[کنترل‌کننده موتور]]) از یک شبکه عصبی استفاده نمود که در این صورت شبکه عصبی خود تابع کنترل را یاد خواهد گرفت.

کاربرد مناسب تر شبکه عصبی ( در مقایسه با روش هاییروش‌هایی از قبیل PID )برای کنترل یک سیستم دور موتور در برابر تغییرات ناگهانی بار و زمان پاسخ دهی نیز مطرح شده است,<ref>http://www.c-science.orq.ir</ref>,<ref>http://www.nsl.hcmuns.edu.vn/greenstone/collect/hnkhbk/archives/HASH0188.dir/doc.pdf</ref>,<ref>http://ethesis.nitrkl.ac.in/245/1/10502014.pdf</ref>

* در مورد مسائل مدل سازی، صرفاً نمی‌توان با استفاده از شبکه عصبی به فیزیک مسالهمسئله پی برد. به عبارت دیگر مرتبط ساختن پارامترها یا ساختار شبکه به پارامترهای فرایند معمولاً غیر ممکنغیرممکن است.

* آموزش شبکه ممکن است مشکل ویا حتی غیر ممکنغیرممکن باشد.

* پیش بینی عملکرد آینده شبکه (عمومیت یافتن) آن به سادگی امکان پذیرامکان‌پذیر نیست.

== انواع شبکه هایشبکه‌های عصبی مصنوعی ==

** [[:en:Neocognitron|Neocognitron]]

** [[:en:Radial_basis_function_network|Radial basis function network RBF]]

*** [[:en:ADALINE|Adaline model]]

**** [[:en:DeepDream|Deep Dream google]]

* <span lang="en" dir="ltr">Memory Network</span>

** [[:en:Google_DeepMind|Google / Deep Mind]]

** <span lang="en" dir="ltr">[https://github.com/facebook/MemNN facebook / MemNN]</span>

** [[:en:Instantaneously_trained_neural_networks|Instantaneously trained networks ITNN]]

*** Pulse Coded Neural Networks  PCNN

[[پرونده:Neurons uni bi multi pseudouni.svg|thumb|351x351px|تمایز Morphologische سلول هایسلول‌های عصبی 1_[[:en:Unipolar_neuron|Unipolar neuron]] ( نورون تک قطبی ) 2_ [[:en:Bipolar_neuron|Bipolar neuron]] ( نورون دو قطبی ) ۳_ 3_ نورون هاینورون‌های چند قطبی ( سیستم مغز ) 4_ [[:en:Pseudounipolar_neuron|Pseudounipolar neuron]] ( [[دستگاه عصبی پیرامونی|سیستم عصبی محیطی]] ) ]]لیست کامل انواع شبکه هایشبکه‌های عصبی در [[:en:Types_of_artificial_neural_networks|<u>''Types of artificial neural networks''</u>]]

شبکه هایشبکه‌های عصبی عموماعموماً با تئوری گراف هاگراف‌ها ( [[:en:Graph|Graph theory]] ) مرتبط هستند و بررسی می شنوندمی‌شنوند

* [[یاخته عصبی|نورون]] ( [[:en:Neuron|Neuron]] )

* [[علوم شناختی]] ( [[:en:Cognitive_science|Cognitive science]] )

* [[بینایی رایانه‌ای|بینایی کامپیوتر]] ( computer vision )

* [[یادگیری ماشینی|یادگیری ماشین]] ( machine learning )

* [[هوش ازدحامی|هوش جمعی]] ( swarm intelligence )

* سیستم هایسیستم‌های خودآگاه ( [[:en:Artificial_consciousness|Artificial consciousness]] )

* [[واسط مغز و رایانه|رابط نورونی مستقیم]] ( DNI [[:en:Brain–computer_interface|Direct neural interface]] )

* [[:en:List_of_animals_by_number_of_neurons|تعداد نورون هانورون‌ها در موجودات مختلف]]

* [[:en:DNA_computing|DNA محاسباتی]]

* [[علوم اعصاب محاسباتی]]

* آ[[بارگذاری ذهن|پلود مغز]] ( [[:en:Mind_uploading|Mind uploading]] )

== Galleryنگارخانه ==

[[پرونده:Gjl-t(x).svg|thumb|384x384px|[[:en:Sigmoid_function|تابع Sigmoid]] که عموماعموماً به عنوان activation function داخل نورون مصنوعی برخی از شبکه هایشبکه‌های عصبی ازش استفاده می شه ]]

[[پرونده:Visible Human head slice.jpg|thumb|192x192px|در این تصویر [[:en:Cerebral_cortex|cerebral cortex]] و  [[:en:White_matter|white matter]] رو می تونید مشاهده کنید ( 19%۱۹٪ از نورون هاینورون‌های شبکه عصبی در غشای مغزی یا همون cerebral cortex قرار گرفته]]

[[پرونده:Neuronal-Networks-Feedback.png|thumb|انواع مختلف feedback در شبکه RNN که در اون W_D ابی بازخورد مستقیم و w_i سبز بازخورد غیر مستقیم و w_l رنگ قرمز بازخورد جانبی هست. [https[://de.wikipedia.org/wiki/Rekurrentes_neuronales_Netz:Rekurrentes neuronales Netz]]]]

* [https://www.facebook.com/FBAIResearch/posts/362517620591864 Facebook AI Research] ( [[شبکه ی حافظه]] یا Memory Networks منبع ← ) [http://www.theinquirer.net/inquirer/feature/2434242/facebook-s-ai-tech-mimics-how-humans-learn]

* [[:en:Google_DeepMind|Google/Deep Mind]] ( [[گوگل دیپ مایند]] ←شبکه های←شبکه‌های عصبی [[یادگیری عمیق|deep learning]] با [[حافظه کوتاه‌مدت|memory کوتاه مدت]] )[https://deepmind.com/index.html]

* [[مغز انسان]] پراکندگی درصدی نورون هانورون‌ها در مغز

* برخی از کتاب هاکتاب‌ها در این ضمینه ːزمینه: