شبکه های عصبی

شبکه عصبی روشی در هوش مصنوعی است که به رایانه ها می آموزد تا داده ها را به روشی که از مغز انسان الهام گرفته شده است پردازش کنند. این یک نوع فرآیند یادگیری ماشینی است که یادگیری عمیق نامیده می شود که از گره ها یا نورون های به هم پیوسته در ساختار لایه ای شبیه مغز انسان استفاده می کند.
شبکه های عصبی مصنوعی
از انواع شبکه های عصبی می توان به لیست زیر اشاره کرد:
• شبکه های عصبی Perceptron یا پرسپترون
ساده ترین نوع شبکه های عصبی و قدیمی ترین آنها می باشد که تعدادی ورودی را دریافت و پس از تجمیع کردن آنها را به لایه ی خروجی ارسال می کند.
• شبکه عصبی ادلاین Adaline
• شبکه عصبی هب Hebb
• شبکه عصبی
• شبکه های عصبی Feed Forward Neural Networks یا پیش خور یا MLP
یکی دیگر از انواع قدیمی شبکه های عصبی، شبکه های عصبی پیشخور می باشد که به اختصار به آنها FF نیز گفته می شود؛ نام دیگر این شبکه ها شبکه عصبی پرسپترون چند لایه یا MLP است. رویکرد این نوع شبکه عصبی در دهه 50 میلادی می آید. قوانین اصلی این نوع شبکه های عصبی شامل :
o اتصال همه گره ها به هم
o فعالسازی از سمت لایه های ورودی به سمت لایه های خروجی بدون داشتن هیچ حلقه ی عقب گرد یا عقب رو.
o وجود یک لایه بین ورودی و خروجی به عنوان لایه ی پنهان
• شبکه های عصبی Radial Basis Networks یا RBF
این نوع شبکه های عصبی در زبان فارسی با عنوان شبکه عصبی شعاعی پایه ترجمه شده است؛ این نوع شبکه های عصبی یک نوع شبکه ی عصبی FF هستند که به جای توابع Logistic Function از توابع Radial Basis Function برای فعالسازی لایه ها استفاده می کنند.
شبکه های عصبی RBF برای مقادیر پیوسته عملکرد مناسبی از خود نشان نمی دهند.
• شبکه های عصبی Deep Feed Forward Neural Networks یا DFF
این نوع شبکه های عصبی در اوایل دهه ی 90 پس از میلاد مسیح مقدمه ای بر مباحث شبکه های عصبی شدند.
شبکه های عصبی DFF یک نوع شبکه ی عصبی FF می باشد اما به جای داشتن تنها یک لایه ی پنهان بیش از یک لایه ی پنهان در خودش دارد.
• شبکه های عصبی Recurrent Neural Networks یا RNN
شبکه های عصبی RNN در زبان فارسی با شبکه های عصبی بازگشتی یاد می شوند؛ این نوع شبکه ها سلول های پنهانی دارند که به خودشان نیز متصل هستند. اولین نوع شبکه های عصبی RNN، شبکه ی Jordan Network نام دارد که در این نوع شبکه هر یک از لایه های پنهان خروجی خود را بیش از یک یا چندبار تکرار می کند.
• شبکه های عصبی LSTM
این نوع شبکه های عصبی از نام Long/Short Term Memory می آیند؛ در این نوع شبکه ها سلول ها می توانند داده ها را با تاخیر زمانی پردازش کنند.
کاربردهای شبکه های عصبی LSTM در Speech Recognition ، Wrinting Recognition می باشد. در این نوع شبکه ها عنصرها به صورت بازگشتی قرار گرفته اند و اطلاعات خود را به یاد می آورند و کنترل فراموش کردن داده ها بر عهده ی خودشان است.
• شبکه های عصبی Gated Recurrent Unit
یکی از انواع شبکه های LSTM ، شبکه ی عصبی GRU می باشد که گیت ها و دوره های زمانی متفاوتی به نسب شبکه های عصبی LSTM دارند.
• شبکه های عصبی Auto Encoder
این نوع شبکه های عصبی که به صورت اختصار به شبکه های عصبی AE معروف هستند برای دسته بندی آموزش داده ها کاربرد خوبی دارند.
این نوع شبکه های عصبی کاربرد یادگیری نظارت شده را دارند. (Supervised Learning)
• شبکه های عصبی Sparse AutoEncoder یا SAE
این نوع شبکه های عصبی به شبکه های عصبی خود رمزگذار معروف می باشد که برخی الگوهای پنهان موجود در داده های ورودی خود را آشکار می سازند و نسبت به آنها خروجی می سازند.
• شبکه عصبی هاپفیلد
این نوع شبکه های عصبی با Hopfiled Networks ها شناخته می شود که به اختصار به آن شبکه های عصبی HN نیز می گویند.
• شبکه های عصبی ماشین بولتزمن
شبکه های بولتزمن شباهت زیادی به شبکه های هاپفیلد دارند و در آنها سلول ها ورودی به محض ورود به شبکه و ماشین بولتزمن سلولهای پنهان را بروز می کنند و به سلول های خروجی تبدیل می شوند.
این شبکه ها با نام Boltzmann Machines یا BM شناخته می شوند.
یکی دیگر از انواع این شبکه های ماشین بولتزمن محدود می باشد.
• شبکه های عصبی Deep Belief Network یا DBN
این نوع شبکه های عصبی از ماشین های بولتزمن استفاده می کنند که به صورت زنجیر وار پشت هم قرار می گیرند و با یک الگوی خاص به تولید داده ها می پردازند.
• شبکه های عصبی DCN
این نوع شبکه به شبکه های عصبی شبکه ای ستاره ای معروف است که سلول های آن دارای پیچش هستند. نام این نوع شبکه ها از Deep Convolutional Network می آید.
• شبکه های عصبی Deconvolution Network یا DN
این نوع شبکه عصبی معکوس شبکه های عصبی Deep Convolutional Network می باشند.
• شبکه های عصبی Deep Convolutional Inverse Graphics Networ یا DCIGN
این نوع شبکه ها از چسبیدن شبکه های عصبی DCN به DN ایجاد شده است که یک نوع شبکه ی عصبی خود رمزگذار را ایجاد کرده است.
• شبکه های عصبی Generative Adversarial Networks یا GAN
این نوع شبکه ها یکی از خانواده های بزرگ شبکه های عصبی دوتایی می باشد که دائما در حاحل تحول می باشد.
• شبکه های عصبی Liquid State Machine یا LSM
این نوع شبکه های عصبی یک نوع شبکه عصبی اسپارس می باشد که با فعالسازی توابع آن آستانه ها جایگزین می شوندو خروجی را تا نرسیدن به آستانه ارائه نخواهد کرد.
• شبکه های عصبی Extreme Learning Machine
این نوع شبکه های عصبی برای ساده تر کردن پیچیدگی زیاد در شبکه های عصبی پیشخور آمده است و محاسبات کمتری را نیاز دارد.
• شبکه عصبی Echo State Network
این نوع شبکه عصبی یک رویکرد ویژه ی آموزشی را دارد که داده ها با تکرارهای چندگانه و نظارت ناظر به سمت خروجی می روند.
• شبکه عصبی Kohonen Network
شبکه عصبی کوهنن یک نوع شبکه عصبی برای دسته بندی می باشد که تلاش می کند داده های ورودی را بیشینه کند؛ این نوع شبکه ها هم مانند ماشین بردار پشتیبان یا SVM یک نوع شبکه عصبی واقعی به حساب نمی آید.
• شبکه های عصبی SVM
این نوع شبکه های عصبی که با نام ماشین بردار پشتیبان شناخته می شود وظیفه دسته بندی یا Classification در داده های دودویی را دارد.
• ماشین تورینگ عصبی یا NTM
این نوع شبکه های عصبی بر طبق نظر پژوهشگران و کارشناسان هوش مصنوعی از یک نوع انتزاع به نسب شبکه های عصبی LSTM برخوردار است.
این نوع از شبکه های عصبی یک نوع شبکه ی عصبی پیشخور یا FF است که با سلول های حافظه استخراج شده است.