هوش مصنوعی شاخه ای از علوم کامپیوتر است که در برگیرنده طراحی سیستم های کامپیوتری هوشمند است به این معنی که این سیستم ها مشخصه هایی از خود نشان می دهند که ما آنها را مربوط به هوش در رفتار انسانی می دانیم.

هوش مصنوعی شاخه ای از علوم کامپیوتر است که در برگیرنده طراحی سیستم های کامپیوتری هوشمند است به این معنی که این سیستم ها مشخصه هایی از خود نشان می دهند که ما آنها را مربوط به هوش در رفتار انسانی می دانیم.

بنابرین هوش مصنوعی شاخه ای از علوم کامپیوتر بوده که با خودکار کردن رفتار هوشمند در ارتباط است  (منبع ۱)

هوش محاسباتی

به دسته ای از روشهای محاسباتی اشاره دارد که تمامی آانها ریشه در هوش مصنوعی دارند

منطق فازی

نظریه این روش، توسط استاد ایرانی دکتر لطفی عسکرزاده در سال ۱۹۶۵ مطرح شد در این ساختار برای حل یک مسأله از محاسبات منطقی رفتار انسان استفاده می شود این ساختار تلاش دارد که روش انسان در استلال دنیای واقعی را در مواجهه با عدم قطعیت دنبال کند. این عدم قطعیت می تواند به دلیل عمومیت یا شانس یا ابهام یا ضعف و نقص دانش باشد.

محاسبات تکاملی

شامل مجموعه ای از روش ها است که به نام الگوریتم های تکاملی معروف هستند. مشهور ترین این الگوریتم ها الگوریتم ژنتیک است که از نظریه تکامل علم ژنتیک الهام گرفته است. در این الگوریتم فرایند تکامل که طی میلیون ها سال در طبیعت اتفاق افتاده است، شبیه سازی می شود. اصلی ترین مورد کاربرد الگوریتم های تکاملی حل مسأله بهینه سازی و برنامه سازی ریاضی است.

هوش ازدحامی

یکی دیگر از روش های بهینه سازی بوده که تعدادی از عناصر کم هوش با هم دیگر ترکیب شده و یه هوش ازدحامی یا جمعی را پدید می اورند به عنوان مثال الگورتم مورچگان نوعی از این روش محاسبه می باشد.

شبکه های عصبی مصنوعی

شبکه های عصبی که موضوع این جلسه از آموزش نیز می باشد با هدف الگو برداری از پیچیده ترین و قوی ترین ساختار هوشمند جهان یعنی مغز انسان بنا شده و  هدف آن رسیدن به عملکرد مغز آنان انسان است.

تحلیل شبکه عصبی مغز

کوچکترین بخش یک شبکه عصبی سلول عصبی یا نورون نام دارد.

اطلاعات یا سیگنال ها  از طریق رشته های کوتاه خارج شده از جسم سلولی دریافت شده و با اندکی پردازش مثلا اگر سیگنال دریافتی بیشتر از یک مقدار خاص بود آنگاه آن را عبور بدهد در غیر صورت آن  را عبور ندهد در شکل زیر یک سلول عصبی را مشاهده می کنید که رفتار ذکر شده را به درستی نشان می دهد

شکل ۱

 

 با کمی دقت می توانیم دریابیم که نورون ها همان رفتار ترانزیستور ها را انجام می دهند برای مثال یک ترانزیستور ماسفت  زمانی  از خود جریان عبور می دهد که گیت آن (معادل گیرنده دندریت در سلول عصبی) بیشتر از ولتاژ استانه باشد.

حال سوالی که در اینجا پیش می آید این است که با اینکه ترانزیستور ها یک میلیون بار سریع تر از سلول های عصبی هستند چرا پردازش های آنها ساده و زمانبر است؟ (مثال اگر قرار بود مغز انسان فقط الفبایی که در دوران دبستان آموخته را درک کند هیچ وقت نمی توانستیم خط خودمان را بخوانیم چه رسد خط دیگران را حال اگر کامپیتر بخواهد این تفاوت را تشخیص دهد ماه ها زمان لازم است)

دلیل آن مشخص است چون محاسبات کامپیوتر صرفا منطقی است حال آن که محاسبات مغز بر مبنای یادگیری است

جالب است که بدانید در مغز انسان در هر عملیات نهایتا صد نورون دخالت داده می شود یعنی حداکثر زمان برای پردازش ۱۰۰ میلی ثانیه است.

یکی دیگر از فاکتورهای مهم مغز انسان یا به عبارت دیگر کشفیات بشر دسته بندی می باشد حال سوال دیگر این است که مغز انسان چگونه این دسته بندی را انجام می دهد؟

با مشاهده شکل ۲ می توانیم دریابیم که برای طراحی یک سیستم که رفتار هوشمند  را نشان دهد باید یک شاخص داشته باشیم این سیستم نسبت به ورودی هایی پاسخ مثبت می دهد که کوچک تر از خط شاخص باشند و در غیر صورت نتایج بدست آمده در دسته بیمار قرار می گیرد.در شکل زیر این سیستم طراحی شده که معرف یک نورون مصنوعی می باشد.

شکل ۳

 

  طبق شکل ۳ مشخص است که شبیه سازی شده یک نورون طبیعی است در حالت کلی داریم:

شکل ۴

X  ورودی سیگنال ها می باشد :

W: وزن نورون مصنوعی است این مولفه باعث تقویت یا تضعیف یک سیگنال می شود.

B: مولفه بایاس یا سیگنال ثابت نقش انتقالی در هر سیستمی دارد. در یک نورون مصنوعی مشخص می کند که معادله شاخص چقدر از مبدا فاصله داشته باشد. بدیهی است که افزایش یا کاهش آن می تواند باعث شود که دسته مطالعاتی یک گروه کم و گروه دیگر اضافه شود برای مثال در شکل ۲ با افزایش مولفه بایاس دسته بیمار کم و دسته سالم بیشتر می شود تا جایی که دیگر تمامی افراد مطالعه سالم باشند. 

شکل۵

 

با دقت در شکل ۵ مشخص است که رسم نورون های مصنوعی برای انها بسیار راحت است کافی   است که وزن های یک و بایاس ۱.۵ البته مقدار منفی ان در شکل ۳ لحاظ شود تا نورون مصنوعی دو شکل بالا حاصل شود

xorمثال: را روی جدول نورون نشان دهید

شکل ۶

 

با دقت در شکل بالا مشخص است که نمی توان با یک معادله خط یا یک نورون شبکه ان را رسم نمود برای درک بهتر این موضوع با تغییر اندکی در دستگاه مختصات می توانیم ان را به حالت تک نورون شبیه سازی کنیم

شکل ۷

 

بدیهی است که در شکل ۷ با تغییر دستگاه حال می توانیم ان را با یک نورون رسم کنیم اما نورونی که ورودی ان خود یک نورون بوده بنابرین شکل زیر حاصل می شود

شکل ۸

 

   معادله ریاضی نورونها

 

net=w₁x₁+w₂x₂+…+w_nx_n

                               │x₁ │

net=[w₁  w_{2    …}   w_n ]│.   │+[۱]b

                            │x_n │

z=f(w^Tx+b)

 

سوال این است چگونه مولفه بایاس و وزن ها را در یک سوال پیدا کنیم؟

 

به فرایند تعیین وزن ها فرایند آموزش گویند هدف این است که شبکه ما طوری اموزش یابد که خروجی مطلوب و قابل پیش بینی را تولید کند.

 

در شکل های قبل دیدیم وقتی ورودی های ما دو عدد باشد و معادله رفتاری ورودی ها نسبت به یکدیگرخطی باشد آنگاه می توان توسط یک خط به راحتی وزن ها و بایاس را پیدا کرد.

 

به این شبکه ها پرسپترن تک لایه گویند که بعدا درباره آن بیشتر صحبت خواهیم کرد. اگر ورودی ها ۳ تا باشند چه؟ باید دقت کرد که دیگر در این حالت با معادله خط طرف نیستیم بلکه یک صفحه تفکیک کننده داریم که بین بردارهای ورودی تفکیک ایجاد کرده. البته روش های مختلف دیگری نیز وجود دارند که از جمله آن می توان به میانگین مربعات اشاره کرد. در این روش با شبکه عصبی بصورت یک سیستم برخورد می کنیم. همان طور که می دانیم یکی از راه های تشخیص اینکه ماهیت یک سیستم را مشخص کنیم این است که به سیستم ورودی دهیم و ببینیم که خروجی سیستم نسبت به ورودی ها چه بوده است؟ ما که تعدادی ورودی داریم و می دانیم که نسبت به چنین ورودی هایی خروجی چه می شود اگر تفاضل سیستم واقعی با سیستم شبکه عصبی صفر شد که بدیهی است که این دو سیستم با هم برابرند در غیر صورت تفاضل  آن دو خطای دو سیستم را مشخص می کند.

 

شکل ۹

داشتن خطای حداقل بصورت زیر تعریف می شود

 e_i=z_i-z^’_i=y_i-f_i

 e_min=min(1/N∑e_i²)=1/N∑[z_i-f_i]²

 به عنوان آخرین قسمت از جلسه اول به کاربرد های شبکه های عصبی پرداخته

 حمل و نقل

سیستم راهنمای اتوماتیک اتومبیل

تحلی گارانتی

سیستم های ترمز کامیون

سیستم های مسیر یابی

بانکداری

ابزار خواندن خودکار چک

کاربرد ارزیابی کارت های اعتباری

تحلیل وام

دفاعی

تعقیب اهداف متحرک

تشخیص اشیا

تشخیص صورت

رادار

استخراج ویژگی و حذف نویز

پزشکی

تحلیل سیگنال های مغزی و قلب

بهینه سازی زمان جراحی

کاهش هزینه بیمارستانها

رباتیک

کنترل خط مسیر

بینایی ماشین 

و بسیار کاربرد دیگر…

 

 

آنچه مطالعه کردید، توسط یکی از مخاطبین فرادرس به عنوان یادداشت و برداشت متنی بخش هایی از «مجموعه آموزش های شبکه های عصبی مصنوعی در متلب» تهیه شده و جهت استفاده سایر مخاطبین گرامی در متلب سایت منتشر می شود.