همه آنچه باید درباره شبکه‌ عصبی مصنوعی بدانید!

هنگامی‌که این مقاله را میخوانید، کدام عضو بدن شما به آن فکر میکند؟ البته که مغز! اما آیا میدانید مغز چگونه کار میکند؟ بسیار خب، مغز از سلولهای عصبی یا نرون‌ها (neuron) تشکیل شده است که واحد‌های تشکیل دهنده مغز و دستگاه عصبی هستند. نرون‌ها ورودی حسی را از جهان بیرون دریافت کرده، مورد پردازش قرار می‌دهند، سپس خروجی ارائه می‌دهند که ممکن است به عنوان ورودی نرون بعدی عمل کند.

هریک از نرون‌ها با آرایش‌های پیچیده در سیناپس‌ها (synapse) به نرون‌های دیگر متصل می‌شوند. اکنون احتمالا از خود می‌پرسید، این چه ارتباطی به شبکه ای عصبی مصنوعی دارد؟ در حقیقت، شبکه‌های عصبی مصنوعی بر اساس نرون‌های مغز انسان مدل سازی شده اند. حال بیایید آنها را دقیق تر مورد بررسی قرار دهیم و ببینیم فرآید یاگیری چگونه رخ می‌دهد.

در جستجوی ماشین هوشمند

طی هزاران سال گذشته ما انسان‌ها همواره تلاش کرده ایم بفهمیم ذهنمان چطور کار میکند، تا بتوانیم ماشین‌هایی شبیه خودمان، هوشمند و متفکر بسازیم. ماشین‌های مکانیکی یا الکترونیکی که در کارهای ساده به کمکمان می‌آیند، سنگ چخماق‌هایی که با جرقه آنها آتش درست میکردیم، قرقره‌هایی که به کمک آن‌ها سنگ‌های سنگین را جابجا می‌کردیم و ماشین حساب‌هایی که به کمک آنها حساب و کتاب می‌کنیم، هیچگاه ما  را راضی نکرده اند.

در عوض، ما به دنبال اتوماسیون کارهای پیچیده تر و چالش برانگیز تری مثل تشخیص چهره افراد،  تشخیص سلول‌های سالم از سلول‌های سرطانی و یا درک زبان انسان توسط ماشین بوده ایم. به نظر می‌آید انجام چنین کارهایی نیازمند هوش انسانی و یا حداقل دارای قابلیتی ژرف و رازآلود همانند ذهن انسان است (که در ماشین‌های ساده ای مانند ماشین حساب‌ها وجود ندارد.)

ایده ماشین‌های باهوش آنقدر جذاب و قدرتمند است که فرهنگ ما پر از فانتزی‌ها و ترس‌هایی درباره آن است. به عنوان مثال سیستم هوش مصنوعی بسیار توانمند و اما در نهایت خطرناک hal9000 در فیلم 2001 یک ادیسه فضایی اثر استنلی کوبریک و یا ربات‌های دیوانه سری فیلم‌های ترمیناتور.

وقتی “دیپ بلو (Deep Blue)” کامپیوتر شطرنج باز  ساخت شرکت  IBM ، “گری کاسپاروف”، استاد بزرگ و قهرمان شطرنج جهان را در سال 1977 شکست داد، ما به همان اندازه که از این رویداد تاریخی خوشحال شدیم، از پتانسیل هوش ماشینی به وحشت افتادیم. علاقه ما به ساخت ماشین‌های هوشمند آنقدر زیاد است که برخی برای ساخت آن به تقلب روی آورده اند. ماشین شطرنج باز مکانیکی معروف که در سال 1770  ساخته شده است، چیزی نبود، جز یک شطرنج باز حرفه ای که در یک جعبه پنهان شده بود.

راحت برای من، سخت برای شما

کامپیوترها اساسا ماشین حساب هستند. آنها می‌توانند با سرعت بسیار بالایی اعمال حسابی انجام دهند. جمع سریع اعداد (هزارها یا میلیون‌ها عدد در ثانیه)  ممکن است جذاب باشد، اما هوش مصنوعی نیست. جمع تعداد زیادی عدد در زمان کوتاه، ممکن است برای انسان‌ها سخت باشد، اما انجام آنها به هوش زیاد نیاز ندارد، فقط باید بتوان مجموعه دستورات بسیار ساده ای را دنبال کرد. کاری که مدارهای الکترونیکی داخل کامپیوتر انجام میدهند.

در طرف مقابل به تصویر صورت یک انسان، گربه، یا یک درخت نگاه کنیم و به سادگی آنها را تشخیص دهیم.  ما این کار را با سرعت و دقت بالایی انجام می‌دهیم، عموما در تشخیص هم دچار اشتباه نمی‌شویم. ما می‌توانیم اطلاعات نسبتا زیادی که در تصاویر وجود دارند را پردازش کرده و با موفقیت بفهمیم چه چیزی در تصویر است.

اما انجام این کار برای کامپیوتر‌ها اصلا ساده نیست. به نظر می‌رسد تشخیص محتویات تصویر مستلزم داشتن نوعی هوش انسانی است. چیزی که ماشین‌ها، صرف نظر از میزان پیچیدگی و قدرت محاسبه ای که دارند فاقد آن هستند. با این وجود ما می‌خواهیم کامپیوتر‌ها در حل چنین مسائلی بهتر عمل کنند، چون سریع اند و خسته نمی‌شوند. کامپیوترها از مدارهای الکترونیکی ساخته شده اند، بنابراین هدف هوش مصنوعی پیدا کردن دستورالعمل‌ها یا الگوریتم‌های جدیدی است که سعی در حل این مسائل دشوار تر دارند.

هوش مصنوعی چه چیز نیست؟!

هوش مصنوعی می‌آید! هوش مصنوعی می‌آید!

این چیزی است که این روزها بسیار می‌شنویم و اینکه چگونه می‌تواند تاثیر زیادی در زندگی همه افراد جامعه بگذارد. شغل‌ها از بین خواهد رفت، انسان‌ها در همه صنایع با ماشین‌ها جایگزین خواهند شد و بسیاری پیش بینی‌های دلهره آور دیگر که در فیلم‌ها، کتاب‌ها و مجلات به آنها پرداخته شده است.

1. هوش مصنوعی اتوماسیون (خودکار سازی) نیست. رایج ترین تصور غلط در مورد هوش مصنوعی این است که مترادف با اتوماسیون است. در حقیقت تنها عناصر مشترک بین هوش مصنوعی و اتوماسیون، عبارت است از اتکای هردوی آنها به داده و هدف قرار دادن کسب آسایش. تشبیه هوش مصنوعی به اتوماسیون فراتر از مشترکات ذکر شده، در واقع نادیده گرفتن ریزه کاری‌های یک سیستم هوش مصنوعی است. در حالی که سیستم‌های خودکار باید به صورت دستی پیکربندی شوند تا وظایف یکنواخت و تکراری را انجام دهند، سیستم‌های هوش مصنوعی زمانی که داده‌هایی برای پردازش داشته باشند، به صورت مستقل تطبیق پذیر هستند، به این معنی که بدون نظارت مستقل یاد میگیرند. هوش مصنوعی از برخی جنبه‌های اتوماسیون استفاده می‌کند، اما با فراگرفتن تصمیم گیری مستقل و تقلید از رفتار انسان، فراتر از اجرای ساده وظایف عمل میکند.
2. هوش مصنوعی پایان بشریت نیست. بسیاری از مردم در توانایی هوش مصنوعی برای پیشی گرفتن از هوش انسانی و در نهایت کنترل بر جامعه انسانی دچار اشتباه شده و بزرگ نمایی می‌کنند. سریال دنیای غرب و فیلم خانه هوشمند در دو سر طیف سینمای وحشت و کمدی‌هالیوود در نظر بگیرد. که به نوعی بدبینی و ترس از هوش مصنوعی را القا میکنند. در حالی که چیزی برای ترس نیست. این حوزه به خودی خود دارای ذات شرورانه نیست. بلکه مانند هر علم یا فن آوری جدید خطری که انسان را تهدید می‌کند مربوط به نحوه کاربرد آن است نه خود فن آوری.
3. یک سیستم هوش مصنوعی به اندازه داده‌هایی که به آن می‌دهید قدرتمند است. هوش مصنوعی فرآیندی است برای جمع‌آوری اطلاعات ( داده‌ها)، مرتب‌سازی آن‌ها و یادگیری از آنچه انباشته می‌شود، به این ترتیب رایانه‌ را قادر می‌سازد تا کارهایی را انجام دهد که معمولاً به هوش انسانی نیاز دارد. نکته کلیدی اینجاست که هوش مصنوعی هوش انسان را تقلید می‌کند.این بدان معناست که باید نوعی برنامه ریزی، یادگیری، حل مسئله، بازنمایی دانش و همچنین مهارت‌های اجتماعی و خلاقیت البته به میزان کمتری وجود داشته باشد.هوش مصنوعی را بصورت موتوری در نظر بگیرید که از داده‌ها تغذیه می‌کند: داده‌ها را مصرف می‌کند، الگوهای موجود در داده‌ها را تشخیص می‌دهد، از آن‌ها یاد می‌گیرد و می‌تواند بر اساس آن‌ها اقدام کند. همانطور که کیفیت سوخت بهتر منجر به عملکرد قوی‌تر موتور در جاده‌ها می‌شود، صاحبان صنایع دریافتند اگر بخواهند پیش‌بینی‌های دقیق‌تر و روشن تری مبتنی بر هوش مصنوعی داشته باشند، در اختیار داشتن داده‌های با کیفیت بسیار با اهمیت خواهد بود و می‌تواند به تقویت تجارت آنها کمک کند.

عصر طلایی جدید با الهام از طبیعت

در دهه 50 میلادی، با جدی تر شدن تحقیق درباره هوش مصنوعی، خوش بینی و جاه طلبی برای دستیابی این صنعت به اوج رسید. در آن دوره ، متخصصان به پیروزی‌های کوچکی در این حوزه دست یافته بودند، کامپیوترها می‌توانستند بازی‌های ساده ای انجام دهند و برخی تئوری‌های ریاضی را اثبات کنند. در نتیجه برخی قانع شده بودند که کامپیوترهایی با هوش انسانی، طی دهه آینده یا اندکی پس از آن پا به عرصه وجود خواهند گذاشت. اما پس از مدتی مشخص شد دستیابی به هوش انسانی از آنچه تصور می‌شد دشوارتر است و پیشرفت‌ها متوقف شد.  در دهه 70 تحقیقات آکادمیک بلند پروازانه هوش مصنوعی با چالش‌های بسیار دشواری روبرو شدند. این چالش‌ها، با از دست رفتن علاقه و کاهش بودجه همراه همراه شد. به نظر می‌رسید ماشین‌های تماما منطقی که با صفر و یک کار می‌کردند، هیچ گاه نمی‌توانند به فرآیند فکری ظریف، و بعضا فازی، همتای بیولوژیک خود، انسان دست یابند.

پس از مدتی رکود، ایده جدیدی شکل گرفت و جستجو برای ماشین‌های هوشمند، حیاتی تازه یافت. این ایده با این سوال شکل گرفت: چرا هوش مصنوعی را با کپی برداری از کارکرد مغز واقعی (بیولوژِکی) نسازیم؟ به عبارت دیگر  به جای گیت‌های منطقی (یا دروازه‌های منطقی) از نورون‌ها که مغزهای واقعی را می‌سازند، استفاده کنیم. به علاوه، به جای منطق صفر و یک و سیاه و سفید الگوریتم‌های مطلق گرای سنتی هم از استدلال‌های ارگانیک استفاده خواهیم کرد.

دانشمندان از سادگی مغز زنبور یا کبوتر، در مقایسه با کارهای پیچیده ای که انجام می‌دهند، الهام گرفتند. مغزی به وزن کسری از گرم می‌تواند کارهایی مانند کنترل پرواز، تطبیق با باد، شناسایی غذا و شکارچیان و تصمیم گیری درباره جنگ یا فرار را انجام دهد. شاید کامپیوتر‌ها با منابع ارزان قیمت و انبوهی که در اختیار دارند، بتوانند رفتار این مغزها را تقلید کنند و بهبود دهند.  مغز یک زنبور 950000 نورون دارد،  آیا کامپیوترهای امروزی با منابع گیگا و ترابایتی می‌توانند از مغز زنبورها پیشی بگیرند؟

در حال حاضر، با رویکردهای سنتی حل مسئله، این کامپیوتر‌ها با منابع ذخیره سازی عظیم و پردازنده‌های بسیار سریع نمی‌توانند کارهای مغز نسبتا کوچک پرنده‌ها و زنبورها را انجام دهند.

شبکه‌های عصبی ماحصل شور و شوق و تمایل برای ایجاد هوش مصنوعی الهام گرفته از مغزهای بیولوژیکی هستند و به یکی از قدرتمندترین و کاربردی ترین روش‌های فیلد مطالعاتی هوش مصنوعی تبدیل شده اند. شبکه‌های عصبی در بسیاری از تکنولوژی‌هایی که به صورت روزمره با آنها سروکار داریم استفاده شده اند، به عنوان مثال، سیستم‌های تشخیص چهره، تشخیص خودکار پلاک ماشین‌ها، خواندن کد پستی نامه‌ها، پیش بینی تغییرات آینده در بازار سهام، مطالعه رفتارهای کاربران رسانه‌های اجتماعی، خلبانی خودکار، ایمن سازی سیستم‌های کنترل هواپیما، شبیه سازی‌های پویا، تجزیه و تحلیل داده‌های تصویر برداری پزشکی و کمک به تشخیص بیماری‌ها،  پیش بینی آب و هوا، فناوری پردازش زبان طبیعی (درک زبان انسان) و …

یادگیری عمیق چیست؟

یادگیری عمیق بخشی از یک خانواده گسترده تر از روش‌های یادگیری ماشینی مبتنی بر شبکه‌های عصبی مصنوعی با یادگیری بازنمایی است. یادگیری می‌تواند تحت نظارت، نیمه نظارت یا بدون نظارت باشد. این یادگیری می‌تواند نظارت شده، نیمه نظارتی یا بدون نظارت باشد.

شبکه عصبی مصنوعی چیست؟

شبکه‌های عصبی مصنوعی (artificial neural network) متشکل از نرون‌های مصنوعی هستند که آنها را واحد می‌نامیم. این واحد‌ها در مجموعه ای از لایه‌ها قرارگرفته اند که درمجموع ساختار شبکه عصبی مصنوعی را تشکیل می‌دهند. باتوجه به میزان پیچیدگی این ساختار، یک لایه میتواند تنها از ده‌ها ویا میلیون‌ها واحد تشکیل شود. چنین شبکه ای معمولا از یک لایه ورودی، لایه خروجی و لایه‌های پنهان تشکیل شده است.

لایه ورودی داده‌هایی را از جهان بیرون دریافت می‌کند که شبکه عصبی باید آن‌ها را تجزیه و تحلیل کند یا از آن‌ها بیاموزد. سپس این داده‌ها برای تبدیل شدن به داده‌های مناسب برای لایه خروجی از یک یا چند لایه پنهان عبور میکنند. سرانجام، پاسخ شبکه عصبی مصنوعی به داده‌های ورودی توسط لایه خروجی به عنوان خروجی نهایی ارائه می‌شود. در بیشتر شبکه‌های عصبی واحدها از یک لایه به لایه بعدی به هم متصل هستند. این اتصالات دارای وزن‌هایی هستند که تأثیر یک واحد را بر واحد دیگر تعیین می‌کنند. با انتقال داده‌ها از یک واحد به واحد دیگر، شبکه عصبی در مورد داده‌ها، بیشتر و بیشتر می‌آموزد که در نهایت منجر به ارائه  خروجی از لایه خروجی می‌شود.

مفهوم شبکه‌های عصبی مصنوعی

شبکه‌های عصبی مصنوعی سیستم‌های محاسباتی هستند که از شبکه‌های عصبی بیولوژیکی که مغز حیوانات را تشکیل می‌دهند، الهام گرفته‌ شده اند، اما کاملا مشابه نیستند. چنین سیستم‌هایی با در نظر گرفتن نمونه‌های متعدد، معمولاً بدون اینکه به صورت ویژه برای برای کاری برنامه ریزی شده باشند، انجام وظایف را «یاد می‌گیرند».

به عنوان مثال با بررسی نمونه‌هایی ازتصویر یک شیء نظیر یک گربه یا یک نقاشی یاد میگیرند، به این ترتیب که ویژگی‌های خاصی را شناسایی می‌کنند تا بتوانند این شیء را در میان تصاوبر دیگر تشخیص دهند.

این شبکه‌ها مجبور نیستند چیزی در مورد شی مورد بررسی خود بدانند. آنها به اندازه کافی باهوش هستند که بتوانند با مشاهده چند نمونه به سرعت چیزها را طبقه بندی کنند، یا به پیش بینی مقادیر بپردازند و غیره. حال ببینیم شبکه‌های عصبی مصنوعی چگونه کار میکنند.

شبکه‌ عصبی مصنوعی چگونه کار می‌کند؟

یک artificial neural network مبتنی بر مجموعه‌ای از واحدها یا گره‌های متصل به نام نورون‌های مصنوعی است که تقریبا می‌توان گفت نورون‌های یک مغز بیولوژیک را مدل‌سازی می‌کنند. هر اتصال، مانند سیناپس‌های یک مغز بیولوژیکی، می‌تواند سیگنالی را به نورون‌های دیگر منتقل کند.  یک نورون مصنوعی سیگنال‌ها را دریافت می‌کند و سپس آنها را پردازش کرده و می‌تواند به نورون‌های متصل به خود سیگنال دهد.

“سیگنال” در یک اتصال یک عدد حقیقی است و خروجی هر نرون بصورت مقدار یک تابع غیر خطی روی مجموع وزن دار ورودی‌هایش محاسبه می‌گردد. اتصال دو نرون لبهنامیده می‌شود. نورون‌ها و لبه‌ها معمولاً دارای وزن هستند که با ادامه یادگیری تنظیم می‌شود. وزن باعث افزایش یا کاهش مقدار سیگنال در یک اتصال می‌شود. نورون‌ها ممکن است آستانهای داشته باشند که سیگنال تنها در صورت عبور سیگنال کل از آن مقدار ارسال شود. به طور معمول، نورون‌ها بصورت لایه ای جمع شده و آرایش پیدا می‌کنند. لایه‌های مختلف ممکن است تغییرات متفاوتی را روی ورودی‌های خود انجام دهند. سیگنال‌ها از اولین لایه (لایه ورودی)، به آخرین لایه (لایه خروجی)، احتمالاً پس از چندین بار عبور از لایه‌های مختلف، منتقل می‌شوند.

شبکه‌های عصبی مصنوعی چگونه می‌آموزند؟

شبکه‌های عصبی مصنوعی با استفاده از یک مجموعه آموزشی (داده‌های آموزشی) آموزش داده می‌شوند. به عنوان مثال، فرض کنید می‌خواهیم به یک  ANN (شبکه عصبی مصنوعی) بیاموزیم که تصویرگربه را تشخیص دهد. برای این منظور هزاران تصویر مختلف از گربه‌ها ارائه می‌شود تا شبکه عصبی بتواند گربه را تشخیص دهد. هنگامی‌که شبکه عصبی با استفاده از نمونه‌های تصویر گربه به اندازه کافی آموزش دید، باید بررسی کنید که آیا می‌تواند تصویر یک گربه را به درستی شناسایی کند یا خیر. برای این کار ابتدا تصاویر داده شده توسط ANN طبقه بندی می‌شوند (مشخص میکند، آیا این تصاویر گربه هستند یا خیر). سپس خروجی به‌دست‌آمده توسط ANN با توصیف ارائه‌شده توسط  ناظر(انسان) در مورد اینکه آیا تصویر متعلق به یک گربه است یا خیر مقایسه می‌شود. اگر ANN نادرست شناسایی کند، از پس انتشار(Back Propagation)  خطا برای تنظیم هر چیزی که در طول آموزش یاد گرفته است استفاده می‌شود. درواقع پس انتشار خطا با تنظیم دقیق وزن اتصالات در واحدهای ANN بر اساس میزان خطای بدست آمده انجام می‌شود. این روند تا زمانی ادامه می‌یابد که به عنوان مثال  شبکه عصبی مصنوعی بتواند به درستی یک گربه را در یک تصویر با حداقل میزان خطای ممکن تشخیص دهد.

انواع شبکه‌های عصبی مصنوعی

شبکه‌های عصبی مصنوعی انواع مختلفی دارند که در ادامه به بررسی آن‌ها می‌پردازیم:

شبکه عصبی پیشخور

شبکه عصبی پیشخور یا Feedforward Neural Network اولین و ساده‌ترین نوع شبکه عصبی مصنوعی می‌باشد. در این شبکه اطلاعات تنها از یک مسیر حرکت می‌کند که جهت آن رو به جلو است  و معمولاً پس انتشار ندارد. در واقع اطلاعات با شروع از گره(نورون)های ورودی و گذر از لایه‌های پنهان (درصورت وجود) به سمت گره‌های خروجی می‌روند. همان‌طور که گفته شد در این شبکه حلقه یا دوری وجود ندارد.

شبکه عصبی بازگشتی (RNN)

شبکه عصبی بازگشتی یا Recurrent neural network خروجی یک لایه را ذخیره می‌کند و این خروجی را به ورودی برمی‌گرداند تا نتیجه لایه را بهتر پیش بینی کند. اولین لایه در RNN کاملاً شبیه به شبکه عصبی پیش‌خور است و شبکه عصبی بازگشتی پس از محاسبه خروجی لایه اول شروع می‌شود. بعد از این لایه، هر واحد مقداری از اطلاعات مرحله قبل را به خاطر می‌آورد تا بتواند به عنوان سلول حافظه در انجام محاسبات عمل کند. شبکه عصبی بازگشتی که از شبکه‌های عصبی پیشخور مشتق شده‌اند، می‌توانند از حالت درونی (حافظه) خود برای پردازش دنباله‌های با طول متغیراز ورودی‌ها استفاده کنند، که آن‌ها را به گزینه مناسبی برای کاربردهایی نظیر تشخیص گفتار، یا تشخیص دست‌نوشته‌های پیوسته (غیر بخش بندی شده) تبدیل میکند.

شبکه عصبی پیچشی (CNN)

شبکه‌های پیچشی یا convolutional neural network از الگوی اتصال بین نرون‌ها در قشر بینایی حیوانات الهام گرفته‌شده‌است. این ساختار به گونه‌ای است که تک تک نورون‌ها تنها در ناحیه‌ای محدود از میدان بینایی به محرک‌ها پاسخ می‌دهند که به عنوان میدان تاثیر شناخته می‌شود. میدان‌های تاثیر نورون‌های مختلف به صورت جزئی با هم همپوشانی دارند به گونه ای که کل میدان دید را پوشش می‌دهند.

شبکه‌های عصبی پیچشی نسبت به بقیه رویکردهای دسته‌بندی تصاویر به میزان کمتری از پیش‌پردازش استفاده می‌کنند. این امر به معنی آن است که شبکه معیارهایی را فرامی‌گیرد که در رویکردهای قبلی به صورت دستی فراگرفته می‌شدند. این استقلال از دانش پیشین و دستکاری‌های انسانی در شبکه‌های عصبی پیچشی یک مزیت اساسی است. شبکه عصبی پیچشی دارای شباهت‌هایی با شبکه عصبی پیشخور است، چنانچه در اینجا نیز اتصالات بین واحدها وزن‌هایی دارند که تأثیر یک واحد بر واحد دیگر را تعیین می‌کنند. اما یک CNN یک یا چند لایه پیچشی دارد که از عملیات پیچش روی ورودی استفاده می‌کند و سپس نتیجه به دست آمده را به صورت خروجی به لایه بعدی منتقل می‌کند.

تا کنون کاربردهای گوناگونی مانند استفاده در بینایی کامپیوتر، سیستم‌های پیشنهاددهنده و پردازش زبان طبیعی برای CNN‌ها پیشنهاد شده است.

شبکه عصبی مدولار

یک شبکه عصبی مدولار ( Modular Neural Network) بوسیله مجموعه ای از شبکه‌های عصبی پیشخور مستقل مشخص میشود (شکل 3 – الف). هر شبکه عصبی مستقل بعنوان یک مدول انجام وظیفه میکند. هر مدول روی ورودی مجزا عمل می‌نماید تا تعدادی از وظایف فرعی یا تمامی‌وظایفی(تعدادی یا تمامی‌خروجی‌های مورد نظر ) که شبکه عصبی میخواهد انجام دهد، به انتها برساند . به عبارت دیگر، شبکه میتواند به چندین مدول تجزیه شود بطوریکه این مدولها با یکدیگر ارتباطی ندارند.

مزیت شبکه‌های عصبی مدولار این است که یک فرآیند محاسباتی بزرگ و پیچیده را به اجزای کوچکتر تجزیه می‌کنند و بدین صورت  پیچیدگی آن را کاهش می‌دهند و در عین حال خروجی مورد نیاز را به دست می‌آورند.

شبکه عصبی تابع پایه ای شعاعی (RBF)

توابع پایه ای شعاعی آن دسته از توابع هستند که فاصله یک نقطه را نسبت به مرکز در نظر می‌گیرند. شبکه‌های عصبی RBF گونه‌ای از شبکه‌های عصبی مصنوعی به حساب می‌آیند که مبتنی بر فاصله‌اند و شباهت بین داده‌ها را براساس فاصله می‌سنجند.شبکه‌های عصبی RBF کاربردهای زیادی دارند، از جمله تقریب توابع، پیش‌بینی سری‌های زمانی، مسائل طبقه‌بندی و کنترل سیستم‌ها. به صورت دقیق تر باید گفت شبکه تابع پایه ای  شعاعی یک شبکه عصبی مصنوعی است که از توابع پایه ای شعاعی به عنوان تابع فعال‌سازی استفاده می‌کند.

معماری شبکه تابع پایه ای شعاعی (Radial basis function Neural Network): یک بردار ورودی به عنوان ورودی برای همه توابع پایه ای شعاعی، هر کدام با پارامترهای متفاوتی، استفاده می‌شود. خروجی شبکه ترکیبی خطی از خروجی‌های توابع پایه شعاعی است.

کاربردهای شبکه‌ عصبی مصنوعی

رسانه‌های اجتماعی

شبکه‌های عصبی مصنوعی کاربرد فراوانی در رسانه‌های اجتماعی دارند. به عنوان مثال، بیایید ویژگی «افرادی که ممکن است بشناسید» را در نظر بگیرید، فیسبوک به شما افرادی را پیشنهاد می‌کند که ممکن است در زندگی واقعی آنها را بشناسید چراکه ممکن است بخواهید برای آنها درخواست دوستی ارسال کنید. این عملکرد جالب با استفاده از شبکه‌های عصبی مصنوعی پیاده سازی می‌شود که پروفایل شما، علایق شما، دوستان فعلی‌تان وافراد مرتبط با آنها و عوامل گوناگون دیگر را برای پیداکردن افرادی که ممکن است بشناسید، تجزیه و تحلیل می‌کنند. یکی دیگر از کاربردهای رایج یادگیری ماشینی در رسانه‌های اجتماعی، تشخیص چهره است. این کار با یافتن حدود 100 نقطه مرجع در صورت فرد و تطبیق آنها با موارد موجود در پایگاه داده با استفاده از شبکه‌های عصبی پیچشی انجام می‌شود.

بازاریابی و فروش

وقتی وارد سایت‌های تجارت الکترونیکی مانند آمازون و فلیپ‌کارت می‌شوید، آنها محصولات خود را به شما (برای خرید) بر اساس سابقه مرور قبلی‌تان توصیه می‌کنند. به عنوان مثل فرض کنید عاشق غذا‌های ایتالیایی هستید اپلیکیشن بر اساس مکان شما، سفارشات قبلی و سلیقه ای که دارید به شما رستوران‌های مناسب را پیشنهاد میکند. این در تمام بخش‌های بازاریابی عصر جدید مانند سایت‌های خرید کتاب، فیلم ویا سایت‌های هتلداری و غیره صادق است. در واقع این کار به نوعی پیاده سازی بازاریابی شخصی سازی شده است. بنابراین در اینجا از شبکه‌های عصبی مصنوعی برای تحلیل علاقه‌مندی‌ها، سوابق خرید‌های قبلی و غیره استفاده و سپس کمپین بازاریابی متناسب با آن طراحی می‌شود.

مراقبت‌های بهداشتی

در سرطان شناسی به کمک شبکه‌ها عصبی مدل‌هایی ساخته و آموزش داده می‌شوند که می‌توانند بافت سرطانی را در سطح میکروسکوپی با دقتی مشابه پزشکان آموزش دیده تشخیص دهند. بیماری‌های نادر گوناگونی ممکن است در ویژگی‌های فیزیکی ظاهر شوند که با استفاده از تجزیه و تحلیل صورت در عکسهای بیمار می‌توان آ نها را در مراحل اولیه  تشخیص داد. همچنین در دنیای کشف دارو از قدرت یادگیری ماشین و شبکه‌های عصبی برای کمک به متخصصان پزشکی به منظور کشف سریع داروهای ایمن تر و موثرتر استفاده میشود. شرکت Atomwise   اخیراً اولین یافته‌های خود را از داروهای درمان ابولا در سال گذشته منتشر کرد و ابزارهایی که این شرکت استفاده می‌کند می‌تواند تفاوت بین داروهای سمی‌و گزینه‌های ایمن‌تر را تشخیص دهد.

دستیاران شخصی

مطمئنا نام‌های سیری، الکسا، کورتانا و غیره را شنیده اید. و چه بسی تجربه استفاده از آنها را دارید. این دستیارهای شخصی نمونه‌ای از تشخیص گفتار هستند که از پردازش زبان طبیعی برای تعامل با کاربران و فرمول‌بندی پاسخ بر این اساس استفاده می‌کنند.این دستیاران شخصی که برای انجام بسیاری از وظایف خود مانند رعایت قواعد زبان، معناشناسی، گفتار صحیح، و غیره از پردازش زبان طبیعی استفاده می‌کنند که به کمک شبکه‌های عصبی مصنوعی انجام می‌شود.