مدار عصبی: تفاوت میان نسخهها
محتوای حذفشده محتوای افزودهشده
اضافه کردن ترجمه دو بخش زیر مجموعه جلوی مغز به همراه تصویری از شبکه عصبی بینایی کامپیوتر رویای عمیق گوگل |
ابرابزار، برچسب منبع، برچسب ویکیسازی، برچسب تمیزکاری |
||
خط ۱:
{{تمیزکاری}}
[[پرونده:Chemical synapse schema cropped.jpg|thumb|445x445px|عملکرد نورون در شبکه عصبی▼
{{ویکیسازی}}
{{بدون منبع}}
جانوران پرسلولی برای ایجاد هماهنگی بین اعمال سلول ها و اندام های مختلف بدن خود نیاز به عوامل و دستگاه های ارتباطی دارند.دستگاه عصبی ( Nervous system ) با ساختار و کار ویژه ای که دارد، در جهت ایجاد این هماهنگی به وجود آمده است.▼
نورون ها پیام عصبی را به بافت ها و اندام های بدن ،مانند ماهیچه ها غده هاو نیز نورون های دیگر میفرستد و از این طریق با آنها ارتباط برقرار میکند.▼
▲[[پرونده:Chemical synapse schema cropped.jpg|thumb|445x445px|عملکرد نورون در شبکه عصبی]]
رشته هایی که از جسم سلولی نورون ها بیرون زده اند دو نوع اند:دندریت و آکسون دندریت ها پیام هارا دریافت میکنند و به جسم سلولی میبرند،آکسون ها پیام عصبی را از جسم سلولی به تا پایانه های آکسون هدایت میکند.▼
▲جانوران پرسلولی برای ایجاد هماهنگی بین اعمال
وظایف دستگاه عصبی به ارتباط متقابل بین میلیون ها نورون وابسته است.▼
▲
▲
در دستگاه عصبی دو بخش اصلی وجود دارد.
* دستگاه عصبی مرکزی
* دستگاه عصبی محیطی
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
دستگاه عصبی محیطی شامل تعداد زیادی عصب است که اطلاعات را
مغز انسان از حدود ''۱۰۰میلیارد (
مغز شامل :
نخاع درون ستون
دستگاه عصبی محیطی شامل۳۱جفت عصب نخاعی و ۱۲جفت عصب مغزی است. دستگاه عصبی محیطی شامل دو بخش پیکری که ارادی است و خودمختار که اعمال
▲مغز شامل :مخ،مخچه و ساقه مغز است. مخ بزرگترین بخش مغز است وتوانایی یادگیری ،حافظه،و عملکرد هوشمندانه را دارد. مخچه مهمترین مرکز یادگیری حرکات لازم برای تنظیم حالت بدن و تعادل است.
▲ساقه ی مغز در قسمت پایینی مغز قرار دارد و شامل مغز میانی،پل مغز و بصل النخاع است .
▲نخاع درون ستون مهره ها از بصل النخاع تا کمر امتداد دارد.نخاع مغز را به دستگاه عصبی محیطی وصل میکند.
▲دستگاه عصبی محیطی شامل۳۱جفت عصب نخاعی و ۱۲جفت عصب مغزی است.دستگاه عصبی محیطی شامل دو بخش پیکری که ارادی است و خودمختار که اعمال غیر ارادی مارا بر عهده دارد.دستگاه عصبی خود مختار شامل اعصاب پارا سمپاتیک و سمپاتیک میباشد که اعصاب پارا سمپاتیک باعث برقراری ارامش و اعصاب سمپاتیک در مواقع هیجانی روانی یا جسمی فعال میشوند.
== توصیف سیستم عصبی ==
[[پرونده:Diagram showing some of the main areas of the brain CRUK 188.svg|right|thumb|296x296px|80%
[[هوش مصنوعی]] و [[مدل سازی شناختی]] سعی بر این دارند که بعضی از خصوصیات شبکههای عصبی را [[
== شبکههای عصبی زیستی ==
شبکههای عصبی زیستی مجموعهای بسیار عظیم از پردازشگرهای موازی به نام نورون اند که به صورت هماهنگ برای [[حل مسئله]] عمل میکنند و توسط [[سیناپس|سیناپسها]] (ارتباطهای الکتروشیمیایی) اطلاعات را منتقل میکنند. در این شبکهها اگر یک سلول آسیب ببیند بقیه سلولها میتوانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند.
این شبکهها قادر به یادگیری اند. مثلاً با اعمال سوزش به [[سلولهای عصبی]] لامسه، سلولها
یادگیری در این سامانهها به صورت تطبیقی صورت میگیرد، یعنی با استفاده ازمثالها وزن سیناپسها به گونهای تغییر میکند که در صورت دادن ورودیهای تازه سامانه پاسخ درستی تولید کند.
← مجموع اتصالات
← مغز یک انسان بالغ از
* در حدود
* در حدود
* کمتر از
* '''cerebellum _ Hindbrain''' به تنظیم وضعیت و هماهنگی بدن کمک
* [[:en:Cerebrum|'''cerebrum _ Forebrain''']] مرکز شخصیت فرد است و طیف بسیار
** Prefrontal Cortex مسئول استدلال
** [[:en:Dorsolateral_prefrontal_cortex|dorsolateral prefrontal cortex]] یا به اختصار DLPFC در میانه بخش قبل در
* '''brainstem_''' قسمت زرد در تصویر بالا.
* '''Temporal Lobe _''' قسمت صورتی پررنگ در تصویر بالا. در این قسمت یک تصویر ذهنی کامل از اون چیزی که
* '''Parietal_''' قسمت آبی در تصویر بالا. حواس
* '''Occipital_''' قسمت سبز در تصویر بالا " یا همون پس سر "
شباهت
#
#
#
تفاوت
#
#
#
[[پرونده:1209 Glial Cells of the CNS-02.jpg|thumb|387x387px|
memory یا حافظه در مغز به صورت رمزگذاری شده و در ارتباطات سیناپس بین نورون
همچنین با این روش می شه برای افراد
اکثر
==
'''نوروگلیها'''
# اطراف
# برای
# عایق بندی و جدا نگه داشتن
# برای از بین بردن عوامل بیماری زا و حذف
برای
== معرفی شبکه عصبی مصنوعی ==
شبکه عصبی مصنوعی یک سامانه پردازشی دادهها است که از مغز انسان ایده گرفته و [[پردازش دادهها]] را به عهدهٔ پردازندههای کوچک و بسیار زیادی سپرده که به صورت شبکهای به هم پیوسته و موازی با یکدیگر رفتار میکنند تا یک مسئله را حل نمایند.
در این شبکهها به کمک دانش [[
[[پرونده:Colored neural network.svg|thumb|346x346px|یک شبکه عصبی مصنوعی گروهی به هم پیوسته از
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
==== تحقیقات اخیر ====
'''در تاریخ Dec 17, 2009'''
'''در تاریخ Dec 9, 2014'''
در حال حاضر IBM موفق شده یک بورد قابل برنامهریزی و کارآمد با استفاده از
'''در تاریخ March 16, 2016'''
اهمیت برد آلفاگو
== تاریخچه شبکههای عصبی مصنوعی ==
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
نه تنها نروفیزیولوژیستها بلکه روان شناسان و مهندسان نیز در پیشرفت
سامانه دیگر '''مدل خطی تطبیقی نورون''' میباشد که در سال ۱۹۶۰ توسط ویدرو و هاف (دانشگاه استنفورد) به وجود آمد که اولین شبکههای عصبی به کار گرفته شده در مسائل واقعی بودند. Adalaline یک دستگاه الکترونیکی بود که از اجزای سادهای تشکیل شده بود، روشی که برای آموزش استفاده میشد با پرسپترون فرق داشت.
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 [[
پیشرفتهایی که در سال ۱۹۷۰ تا ۱۹۸۰ بدست آمد برای جلب توجه به شبکههای عصبی بسیار مهم بود. برخی فاکتورها نیز در تشدید این
== چرا از شبکههای عصبی استفاده میکنیم ==
سطر ۱۰۴ ⟵ ۱۰۸:
# عملگرهای بیدرنگ: محاسبات در شبکه عصبی مصنوعی میتواند به صورت موازی و به وسیله سختافزارهای مخصوصی که طراحی و ساخت آن برای دریافت نتایج بهینه قابلیتهای شبکه عصبی مصنوعی است انجام شود.
# تحمل خطا: با ایجاد خرابی در شبکه مقداری از کارایی کاهش مییابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ میشود.
#
# 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 [[
# پایداری-
== شبکههای عصبی در مقایسه با کامپیوترهای سنتی ==
[[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
یک شبکه عصبی به طور کلی با یک کامپیوتر سنتی در موارد زیر تفاوت دارد:
# شبکههای عصبی دستورات را به صورت سری اجرا نکرده، شامل حافظهای برای نگهداری داده و دستورالعمل نیستند.
سطر ۱۲۳ ⟵ ۱۲۶:
سامانه توانایی حل مسئله را ندارد. کامپیوترها میتوانند خیلی سودمندتر باشند اگر بتوانند کارهایی را که ما هیچ پیش زمینهای از آنها نداریم انجام دهند.
شبکههای عصبی و کامپیوترها نه تنها رقیب هم نیستند بلکه میتوانند مکمل هم باشند.
کارهایی وجود دارند که بهتر است از روش الگوریتمی حل شوند و
از ترکیبی از روشهای فوق استفاده میکنند. به طور معمول یک کامپیوتر سنتی برای نظارت بر شبکه عصبی استفاده میشود.
شبکههای عصبی معجزه نمیکنند، اگر به طور محسوس استفاده شوند کارهای عجیبی انجام میدهند.
== نورون مصنوعی ==
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
== از نورونهای انسان تا نورون مصنوعی ==
[[پرونده:Action potential.svg|بندانگشتی|349x349پیکسل|[[پتانسیل عمل|اکشن پتانسیل نورون زیستی]]
با کنار گذاشتن برخی از خواص حیاتی نورونها و ارتباطات درونی آنها میتوان یک مدل ابتدایی از نورون را به وسیله کامپیوتر
== ساختار شبکههای عصبی ==
سطر ۱۴۲ ⟵ ۱۴۶:
هر دو لایه از یک شبکه به وسیله وزنها و در واقع اتصالات با هم ارتباط مییابند. در شبکههای عصبی چند نوع اتصال و یا پیوند وزنی وجود دارد:
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
* پسرو: دادهها از گرههای لایه بالا به گرههای لایه پایین بازخورانده میشوند.
* جانبی: خروجی گرههای هر لایه به عنوان ورودی گرههای همان لایه استفاده میشوند.
==
بر مبنای روش آموزش به چهار دسته تقسیم میشوند:
# وزن ثابت: آموزشی در کار نیست و مقادیر وزنها به هنگام نمیشود. کاربرد: [[
# 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
# آموزش با سرپرست: به ازای هر دسته از الگوهای ورودی خروجیهای متناظر نیز به شبکه نشان داده میشود و تغییر وزنها تا موقعی صورت میگیرد که اختلاف خروجی شبکه به ازای الگوهای آموزشی از خروجیهای مطلوب در حد خطای قابل قبولی باشد. در این روشها یا از خروجیها به وزنها ارتباط وجود دارد یا خطا به صورت پس انتشار از لایه خروجی به ورودی توزیع شدهاست و وزنها اصلاح میشوند. هدف طرح شبکهای است که ابتدا با استفاده از دادههای آموزشی موجود، آموزش ببیند و سپس با ارائه بردار ورودی به شبکه که ممکن است شبکه آن را قبلاً فراگرفته یا نگرفته باشد کلاس آن را تشخیص دهد. چنین شبکهای به طور گسترده برای کارهای تشخیص الگو به کار گرفته میشود.
# آموزش تقویتی: کیفیت عملکرد سامانه به صورت گام به گام نسبت به زمان بهبود مییابد. الگوهای آموزشی وجود ندارد اما با استفاده از سیگنالی به نام نقاد بیانی از خوب و یا بد بودن رفتار سامانه بدست میآید (حالتی بین یادگیری با سرپرست و بدون سرپرست).
سطر ۱۵۵ ⟵ ۱۵۹:
== کاربرد شبکههای عصبی ==
شبکههای عصبی مصنوعی دارای دامنه کاربرد وسیعی میباشند از جمله سامانههای آنالیز ریسک، کنترل هواپیما بدون خلبان، آنالیز کیفیت جوشکاری، آنالیز کیفیت کامپیوتر، آزمایش اتاق اورژانس، [[اکتشاف نفت]] و گاز، سامانههای تشخیص ترمز کامیون، تخمین ریسک وام، شناسایی طیفی، تشخیص دارو، فرایندهای کنترل صنعتی، مدیریت خطا، [[تشخیص صدا]]، تشخیص هپاتیت، [[بازیابی اطلاعات]] راه دور، شناسایی مینهای زیردریایی، تشخیص اشیاء سه بعدی و دست نوشتهها و چهره و...
در کل میتوان کاربردهای شبکههای عصبی را به صورت زیر
تناظر (شبکه الگوهای مغشوش وبه هم ریختهرا بازشناسی میکند)، خوشه یابی،
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
کاربرد مناسب تر شبکه عصبی (
== معایب شبکههای عصبی ==
با وجود برتریهایی که شبکههای عصبی نسبت به سامانههای مرسوم دارند، معایبی نیز دارند که پژوهشگران این رشته تلاش دارند که آنها را به حداقل برسانند، از جمله:
* قواعد یا دستورات مشخصی برای طراحی شبکه جهت یک کاربرد اختیاری وجود ندارد.
* در مورد مسائل مدل سازی، صرفاً نمیتوان با استفاده از شبکه عصبی به فیزیک
* دقت نتایج بستگی زیادی به اندازه مجموعه آموزش دارد.
* آموزش شبکه ممکن است مشکل ویا حتی
* پیش بینی عملکرد آینده شبکه (عمومیت یافتن) آن به سادگی
[[پرونده:Elman srnn.png|thumb|345x345px|تصویری از شبکه عصبی RNN]]
== انواع
* Dynamic Neural Network
** [[:en:Feedforward_neural_network|Feedforward neural network FNN]]
سطر ۱۸۸ ⟵ ۱۹۲:
** [[:en:Time_delay_neural_network|Time delay neural network TDNN]]
* Static Neural Network
** [[:en:Neocognitron|Neocognitron]]
** [[:en:Radial_basis_function_network|Radial basis function network RBF]]
** [[:en:Learning_vector_quantization|Learning vector quantization]]
** [[:en:Perceptron|Perceptron]]
*** [[:en:ADALINE|Adaline model]]
*** [[:en:Convolutional_neural_network|Convolutional neural network CNN]]
**** [[:en:DeepDream|Deep Dream google]]
** [[:en:Modular_neural_network|Modular neural networks]]
*** [[:en:Committee_machine|Committee of machines COM]]
*** [[:en:Autoassociative_memory|Associative neural network ASNN]]
* <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:Holographic_associative_memory|Holographic associative memory]]
** One-shot associative memory
سطر ۲۰۷ ⟵ ۲۱۱:
** [[:en:Hierarchical_temporal_memory|Hierarchical temporal memory]]
* Other types of networks
** [[:en:Instantaneously_trained_neural_networks|Instantaneously trained networks
** [[:en:Spiking_neural_network|Spiking neural networks SNN]]
*** Pulse Coded Neural Networks
** Cascading neural networks
** Neuro-fuzzy networks
سطر ۲۱۹ ⟵ ۲۲۳:
** [[:en:Physical_neural_network|Physical neural network]]
*** [[:en:Optical_neural_network|Optical neural network]]
[[پرونده:Neurons uni bi multi pseudouni.svg|thumb|351x351px|تمایز Morphologische
== جستارهای وابسته ==
* [[نرمافزارهای شبکه عصبی]]
* [[یاخته عصبی|نورون]]
* [[علوم شناختی]] (
* [[بینایی رایانهای|بینایی کامپیوتر]] (
* [[یادگیری ماشینی|یادگیری ماشین]] (
* [[هوش ازدحامی|هوش جمعی]] (
*
* [[واسط مغز و رایانه|رابط نورونی مستقیم]] (
* [[:en:List_of_animals_by_number_of_neurons|تعداد
* [[:en:DNA_computing|DNA محاسباتی]]
* [[علوم اعصاب محاسباتی]]
* آ[[بارگذاری ذهن|پلود مغز]]
* [[خودآگاهی|خود آگاهی]]
== منابع ==
{{پانویس}}
==
[[پرونده:Gjl-t(x).svg|thumb|384x384px|[[:en:Sigmoid_function|تابع Sigmoid]] که
[[پرونده:Visible Human head slice.jpg|thumb|192x192px|در این تصویر [[:en:Cerebral_cortex|cerebral cortex]] و
[[پرونده:Complete neuron cell diagram en.svg|thumb|638x638px|ساختار نورون در شبکه عصبی مغز|هیچ]]
[[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. [
[[پرونده:Action potential propagation animation.gif|بندانگشتی|228x228پیکسل|اکشن پتانسیل نورون زیستی]]
سطر ۲۵۳ ⟵ ۲۵۷:
* [http://mathworks.ir/matlab-learning/48-neuralnetworks آموزش شبکه عصبی با متلب]
* [[:en:List_of_machine_learning_concepts|List of machine learning concepts]]
* [https://www.facebook.com/FBAIResearch/posts/362517620591864 Facebook AI Research] (
* [[:en:Google_DeepMind|Google/Deep Mind]] (
* [[مغز انسان]] پراکندگی درصدی
* برخی از
* Artificial Intelligence - A Modern Approach pdf
* Rolf Pfeifer & Christian Scheier Understanding Intelligence pdf
|