شبکه عصبی مصنوعی یا Artificial Neural Network یک سیستم هوش مصنوعی است که در واقع

طراحی شده تا عملکرد مغز بیولوژیکی را برای تصمیم گیری باز سازی کند. برای درک بهتر این موضوع

بهتر است اول بدانیم که شبکه عصبی چیست ؟ شبکه عصبی مجموعه ای از الگوریتم ها است که تلاش

می کند از طریق فرآیندی که می تواند روابط عملکرد مغز انسان را انجام دهد، روابط اساسی را در

مجموعه ای از داده ها بشناسد. به این معنا ، شبکه های عصبی به سیستم های عصبی اعم از ارگانیک یا

ساختگی اطلاق می شوند. شبکه های عصبی می توانند با تغییر ورودی سازگار شوند. بنابراین شبکه بدون

نیاز به طراحی مجدد معیارهای خروجی، بهترین نتیجه ممکن را ایجاد می کند.

فهمیدن یک شبکه عصبی مصنوعی

شبکه های عصبی مصنوعی مانند مغز انسان ساخته شده اند و گره های عصبی مانند یک تار به هم پیوسته اند.

مغز انسان صدها میلیارد سلول به نام سلولهای عصبی دارد. هر نورون از سلولی تشکیل شده است که وظیفه

پردازش اطلاعات و حمل آن اطلاعات را به مغز (ورودی) و دادن جواب (خروجی) را انجام می دهد. “نورون”

در این شبکه های مصنوعی یک عملکرد ریاضی است که اطلاعات را طبق معماری خاص جمع آوری و

طبقه بندی می کند. شبکه شباهت کاملی با روشهای آماری مانند برازش منحنی و تحلیل رگرسیون دارد.

ANN صدها یا هزاران نورون مصنوعی به نام واحد پردازش دارد که توسط گره ها به هم پیوسته اند. این واحد

پردازش از واحدهای ورودی و خروجی تشکیل شده است. واحدهای ورودی بر اساس سیستم وزنی داخلی اشکال

و ساختارهای مختلف اطلاعات را دریافت می کنند و شبکه عصبی سعی در کسب اطلاعات در مورد داده های

ارائه شده برای تهیه یک گزارش خروجی دارد. درست مانند انسان برای رسیدن به نتیجه یا خروجی به قوانین

و دستورالعمل ها نیز نیاز است ، ANN ها همچنین برای تکمیل نتایج خروجی خود از مجموعه ای از قوانین

یادگیری به نام backpropagation ، مخفف انتشار خطاها به سمت عقب استفاده می کنند تا نتایج خروجی

را بهبود ببخشند.

مراحل اولیه پردازش 

ANN در ابتدا یک مرحله آموزشی را طی می کند که می آموزد الگوهای موجود در داده ها را بطور

بصری یا متنی تشخیص دهد. در طی این مرحله نظارت شده ، شبکه، خروجی واقعی تولید شده خود را

با آنچه برای تولید مد نظر بوده است مقایسه می کند  تفاوت بین هر دو نتیجه با استفاده از پردازش پشتی

تنظیم می شود. این بدان معناست که شبکه ، در جهت معکوس کار می کند ، از واحد خروجی به واحدهای

ورودی می رود تا وزن اتصالات خود را بین واحدها تنظیم کند تا اینکه اختلاف بین نتیجه واقعی و مورد

نظر کمترین خطای ممکن را ایجاد کند.در طول دوره آموزش و نظارت ، به ANN آموزش داده می شود

که با استفاده از انواع سؤال بله / خیر با شماره های باینری، به دنبال چه چیزی باشد و متوجه بشود که نتیجه

آن چیست؟ به عنوان مثال ، بانکی که می خواهد به موقع کلاهبرداری کارت اعتباری را تشخیص دهد ،

ممکن است چهار واحد ورودی دارای این سؤالات باشد: (1) آیا معامله در کشور دیگری از کشور مقیم

کاربر است؟ (2) آیا این وب سایت که از کارت ویزیت وابسته به شرکت ها یا کشورهایی در لیست تماشای

بانک استفاده می شود ، استفاده می شود؟ (3) آیا مبلغ معامله از 2000 دلار بیشتراست؟ (4) آیا نام موجود

در صورتحساب معامله همانند نام دارنده کارت است؟ بانک می خواهد پاسخ های “تقلب تشخیص داده شده”

بله بله بله خیر باشد ، که در قالب باینری 1 1 1 0 خواهد بود. اگر خروجی واقعی شبکه 1 0 1 0 باشد ،

نتایج خود را تنظیم می کند تا زمانی که خروجی  با 1 1 1 0 یکسان باشد. پس از آموزش ، سیستم رایانه ای

می تواند به بانك  معامله های جعلی و در جهت صرفه جویی در پول بانك ، هشدار دهد.

برنامه های کاربردی عملی برای شبکه های عصبی مصنوعی (ANN)

شبکه های عصبی مصنوعی زمینه را برای توسعه برنامه های کاربردی در حال تغییر جهت استفاده در کلیه

بخش های اقتصاد فراهم می کند. سکوهای هوش مصنوعی که بر روی ANN ساخته شده اند ، روشهای سنتی

انجام کارها را عوض می کنند. از ترجمه صفحات وب به زبان های دیگر گرفته تا داشتن یک دستیار مجازی

برای سفارش آنلاین ، مکالمه با چت بات ها برای حل مشکلات ، سیستم عامل های هوش مصنوعی در حال

ساده سازی معاملات هستند و خدمات را با هزینه های ناچیز در دسترس همه قرار می دهند.

اجزاء شبکه های عصبی مصنوعی

شبکه های عصبی از چندین جز تشکیل شده اند که هر کدام کارایی خاصی را در این سیستم ها دارند.

وزنه ها مقادیر عددی است که با ورودی ها ضرب می شود. در backpropagation ، آنها اصلاح

می شوند تا ضرر را کاهش دهند. به عبارت ساده ، وزنه ها مقادیر آموخته شده از ماشین توسط شبکه

های عصبی هستند. آنها بسته به تفاوت بین خروجی های پیش بینی شده در مقابل ورودی های آموزش ،

خودتنظیم می شوند. عملکرد فعال سازی یک فرمول ریاضی است که به نورون کمک می کند تا روشن

یا خاموش شود. لایه ورودی ابعاد بردار ورودی را نشان می دهد. لایه پنهان گره های واسطه ای را نشان

می دهد که فضای ورودی را به مناطقی با مرز نرم تقسیم می کنند. این مجموعه ورودی، وزنی را به خود

اختصاص می دهد و از طریق یک تابع فعال سازی ، خروجی تولید می کند. لایه خروجی نشان دهنده

خروجی شبکه عصبی است.

انواع شبکه عصبی مصنوعی

انواع زیادی از شبکه های عصبی  وجود دارد که ممکن است در مرحله توسعه قرار گرفته باشند. آنها می توانند

بسته به نوع : ساختار ، جریان داده ، نورونهای مورد استفاده و تراکم آنها ، لایه ها و فیلترهای فعال سازی عمق

شبکه‌های پیش خور (Feed Forward Neural Network) آن دسته از شبکه ها هستند که الگوریتم آنها

همواره در مسیر رو به جلو حرکت می کند .به این معنی که خروجی هر لایه تنها بر لایه بعد اثر میگذارد و

در لایه‌ی خودش تغییری ایجاد نمی‌کند. شبکه‌های پس‌خور (Feed Back Neural Network) که بر خلاف

مورد قبلی مسیربرگشتی دارند و خروجی نرون در لحظه حال نه تنها به ورودی در آن لحظه بلکه به مقدار

خروجی خود نرون در لحظه ی گذشته نیز وابسته است. یکی دیگر از این شبکه ها شبکه های عصبی کانولوشن

هستند. از این سبکه عصبی در جهت پردازش تصویر، دید رایانه، تشخیص گفتار ترجمه ماشینی استفاده می شود

با استفاده از ایم سیستم ها می توانیم هوش مصنوعی تولید کنیم که می تواند کاربرد خود را بهتر کند تا نتایج

خواسته شده را به ما بدهد.