شبکه‌های عصبی

معرفی شبکه‌های عصبی و انواع آن‌ها

شبکه عصبی یک روش در هوش مصنوعی است که به رایانه‌ها می‌آموزد تا داده‌ها را به روشی مشابه به مغز انسان پردازش کنند. این روش تحت عنوان یادگیری ماشین و به ویژه یادگیری عمیق (Deep Learning) شناخته می‌شود. شبکه‌های عصبی از گره‌ها یا نورون‌های به هم پیوسته در ساختاری لایه‌ای شبیه به مغز انسان استفاده می‌کنند. در اینجا به معرفی انواع مختلف شبکه‌های عصبی و کاربردهای آن‌ها پرداخته‌ایم.

1. شبکه‌های عصبی پایه

1.1 پرسپترون (Perceptron)

  • ساده‌ترین و قدیمی‌ترین نوع شبکه‌های عصبی است که ورودی‌ها را دریافت کرده و پس از تجمیع، آن‌ها را به لایه خروجی ارسال می‌کند.

1.2 شبکه عصبی ادلاین (Adaline)

  • یک نوع شبکه عصبی است که مشابه به پرسپترون است، اما از روش‌های دیگر برای یادگیری استفاده می‌کند.

1.3 شبکه عصبی هب (Hebb)

  • این نوع شبکه‌ها بر اساس قانون یادگیری هب ساخته شده‌اند، که در آن وزن‌ها بر اساس همزمانی بین فعالیت‌های ورودی و خروجی به روز می‌شوند.

1.4 شبکه عصبی پیش‌خور (Feedforward Neural Networks)

  • یکی از انواع قدیمی شبکه‌های عصبی است که به آن MLP (پرسپترون چند لایه) نیز گفته می‌شود. این شبکه‌ها دارای لایه‌های ورودی، پنهان و خروجی هستند و اطلاعات از لایه‌های ورودی به لایه‌های خروجی انتقال می‌یابد بدون هیچ حلقه‌ی عقبگرد.

2. شبکه‌های عصبی پیچیده‌تر

2.1 شبکه عصبی شعاعی پایه (Radial Basis Function Networks – RBF)

  • یک نوع شبکه عصبی است که در آن از توابع Radial Basis Function برای فعال‌سازی لایه‌ها استفاده می‌شود. این شبکه‌ها برای داده‌های پیوسته عملکرد ضعیفی دارند.

2.2 شبکه عصبی عمیق پیش‌خور (Deep Feedforward Neural Networks – DFF)

  • نوعی از شبکه‌های FF که به جای داشتن یک لایه پنهان، از چندین لایه پنهان استفاده می‌کنند. این شبکه‌ها در دهه 90 معرفی شدند.

2.3 شبکه عصبی بازگشتی (Recurrent Neural Networks – RNN)

  • در این شبکه‌ها، سلول‌های پنهانی به خودشان نیز متصل هستند. نوع اولیه آن شبکه Jordan Network نامیده می‌شود.

2.4 شبکه عصبی LSTM (Long Short-Term Memory)

  • این شبکه‌ها قادر به پردازش داده‌ها با تأخیر زمانی هستند و به طور خاص برای شناسایی و یادآوری ویژگی‌های مهم در داده‌های زمان‌بندی شده استفاده می‌شوند. کاربردهای آن در Speech Recognition و Writing Recognition است.

2.5 شبکه‌های عصبی GRU (Gated Recurrent Unit)

  • نوعی از شبکه‌های LSTM هستند که به واسطه گیت‌ها و دوره‌های زمانی متفاوت از شبکه‌های LSTM متمایز می‌شوند.

3. شبکه‌های عصبی خودرمزگذار (Autoencoder Networks)

3.1 شبکه‌های عصبی خودرمزگذار (Autoencoder – AE)

  • این نوع شبکه‌ها برای دسته‌بندی داده‌ها کاربرد خوبی دارند و یادگیری نظارت‌شده را انجام می‌دهند.

3.2 شبکه‌های عصبی خودرمزگذار اسپارس (Sparse Autoencoder – SAE)

  • این شبکه‌ها به استخراج الگوهای پنهان موجود در داده‌ها پرداخته و برای ساخت خروجی‌های آن‌ها از این الگوها استفاده می‌کنند.

4. شبکه‌های عصبی خاص

4.1 شبکه‌های عصبی هاپفیلد (Hopfield Networks)

  • این شبکه‌ها معمولاً برای ذخیره‌سازی و بازیابی الگوهای خاص استفاده می‌شوند. به دلیل قابلیت بازیابی سریع، در کاربردهایی مانند حافظه کوتاه‌مدت کاربرد دارند.

4.2 شبکه‌های عصبی ماشین بولتزمن (Boltzmann Machines)

  • این نوع شبکه‌ها مشابه شبکه‌های هاپفیلد هستند اما دارای ویژگی‌های مختلف در نحوه آپدیت وزن‌ها و یادگیری هستند.

4.3 شبکه‌های عصبی ماشین بولتزمن محدود (Restricted Boltzmann Machines – RBM)

  • نسخه محدودتر شبکه‌های بولتزمن است که برای مدل‌سازی داده‌های نیمه‌ساختاریافته و غیرساختاریافته کاربرد دارد.

4.4 شبکه‌های عصبی Belief Network (DBN)

  • این نوع شبکه‌ها از ماشین‌های بولتزمن استفاده می‌کنند که به صورت زنجیره‌ای پشت هم قرار می‌گیرند و داده‌ها را با یک الگوی خاص تولید می‌کنند.

5. شبکه‌های عصبی پیچشی و معکوس

5.1 شبکه‌های عصبی پیچشی عمیق (Deep Convolutional Networks – DCN)

  • این شبکه‌ها برای تحلیل داده‌های تصویری و ویژگی‌های فضایی طراحی شده‌اند و شامل لایه‌های پیچشی برای استخراج ویژگی‌های بصری که معروف ترین ان ها شبکه های عصبی پیچشی یا Convolutional Neural Network – CNN است.

5.2 شبکه‌های عصبی Deconvolutional (DN)

  • معکوس شبکه‌های پیچشی است که برای بازیابی ویژگی‌های فضایی تصاویر استفاده می‌شود.

5.3 شبکه‌های عصبی پیچشی معکوس گرافیکی (Deep Convolutional Inverse Graphics Networks – DCIGN)

  • این شبکه‌ها ترکیبی از شبکه‌های DCN و DN هستند که به صورت خودرمزگذار عمل می‌کنند.

6. شبکه‌های عصبی رقابتی و تولیدی

6.1 شبکه‌های عصبی تولیدی رقابتی (Generative Adversarial Networks – GAN)

  • یکی از جدیدترین و پرطرفدارترین شبکه‌های عصبی است که از دو شبکه عصبی برای تولید و ارزیابی داده‌های مصنوعی استفاده می‌کند.

6.2 شبکه‌های عصبی وضعیت مایع (Liquid State Machine – LSM)

  • این شبکه‌ها برای تحلیل داده‌های زمانی و دینامیک‌های پیچیده استفاده می‌شوند و ویژگی‌های خاصی در پردازش داده‌های موقتی دارند.

7. شبکه‌های عصبی یادگیری عمیق و پردازش داده‌ها

7.1 شبکه‌های عصبی یادگیری شدید (Extreme Learning Machine – ELM)

  • این نوع شبکه‌ها برای کاهش پیچیدگی در مدل‌های پیش‌خور طراحی شده‌اند و به محاسبات کمتری نیاز دارند.

7.2 شبکه‌های عصبی Echo State Network (ESN)

  • این شبکه‌ها برای پردازش داده‌های زمانی و یادگیری از داده‌ها به صورت غیرخطی و با تکرارهای چندگانه طراحی شده‌اند.

7.3 شبکه‌های عصبی کوهنن (Kohonen Network)

  • این شبکه‌ها برای دسته‌بندی داده‌ها و یادگیری خودرهبری استفاده می‌شوند و شبیه به SVM عمل می‌کنند.

7.4 شبکه‌های عصبی ماشین بردار پشتیبان (Support Vector Machine Networks – SVM)

  • این شبکه‌ها برای دسته‌بندی داده‌های دودویی استفاده می‌شوند و در آن‌ها از الگوریتم‌های بردار پشتیبان برای تفکیک داده‌ها استفاده می‌شود.

7.5 شبکه عصبی تورینگ (Neural Turing Machine – NTM)

  • این نوع شبکه‌ها بر اساس انتزاع‌های مشابه با شبکه‌های LSTM طراحی شده‌اند و با استفاده از حافظه‌های استخراج‌شده اطلاعات را ذخیره می‌کنند.

این لیست از شبکه‌های عصبی برای کاربردهای مختلف در حوزه‌های مختلف یادگیری ماشین و هوش مصنوعی مناسب است و هرکدام ویژگی‌های خاص خود را دارند.

مدرس: حسن سعادتمند