انواع شبکه عصبی

در 10 سال گذشته، بهترین سیستم های شبکه عصبی مانند دستگاه های تشخیص گفتار در تلفن های هوشمند یا آخرین مترجم خودکار Google از روشی به نام “یادگیری عمیق” حاصل شده اند.

یادگیری عمیق در واقع نام جدیدی برای رویکرد هوش مصنوعی به نام شبکه عصبی است که بیش از 70 سال از مد افتاده اند. شبکه عصبی برای اولین بار در سال 1944 توسط وارن مک کالو و والتر پیتس ، دو محقق دانشگاه شیکاگو که در سال 1952 به عنوان اعضای موسس اولین بخش علوم شناختی به MIT نقل مکان کردند ، پیشنهاد شد.

محتوای سوم شبکه عصبی را با معرفی تعداد دیگری از انواع شبکه عصبی شروع می کنیم.

انواع شبکه عصبی

11. رمزگذار خودکار پراکنده (SAE):

در شبکه های خودکار رمزگذار پراکنده ، ما تابع از دست دادن خود را با جریمه کردن فعال سازی لایه های پنهان ، به گونه ای ایجاد می کنیم که فقط هنگامی که یک نمونه را هنگام تغذیه آن در شبکه قرار می دهیم ، فقط چند گره فعال شوند. شهود این روش این است که ، به عنوان مثال ، اگر شخصی ادعا کند که در موضوعات A ، B ، C و D متخصص است ، ممکن است فرد در این موضوعات بیشتر یک عام باشد. با این حال ، اگر فرد فقط ادعا کند که به موضوع D اختصاص داده شده است ، احتمالاً بینش دانش فرد در مورد موضوع D را پیش بینی می کند.

برنامه های کاربردی:

    استخراج ویژگی.

    شناسایی ارقام دست نویس.

12. زنجیره مارکوف (MC):

زنجیره مارکوف یکی دیگر از انواع شبکه عصبی ، یک سیستم ریاضی است که انتقال از یک حالت به حالت دیگر را بر اساس برخی از قوانین احتمالی تجربه می کند. احتمال انتقال به هر حالت خاص صرفاً به حالت فعلی بستگی دارد و مدت زمان سپری شده نیز بستگی دارد.

به عنوان مثال ، مجموعه ای از حالت های ممکن می تواند باشد:

    نامه ها.

    شماره.

    شرایط آب و هوایی.

    امتیازات بیس بال.

    عملکرد سهام

برنامه های کاربردی:

    تشخیص گفتار.

    سیستم اطلاعات و ارتباطات.

    نظریه صف.

    آمار.

13. شبکه هاپفیلد (HN):

در یک شبکه عصبی هاپفیلد ، هر نورون مستقیماً با سایر نورون ها در ارتباط است. در این شبکه ، یک نورون یا روشن است یا خاموش. وضعیت نورون ها می تواند با دریافت ورودی از سلول های عصبی دیگر تغییر کند. ما به طور کلی از شبکه های هاپفیلد (HN) برای ذخیره الگوها و خاطرات استفاده می کنیم. وقتی ما یک شبکه عصبی را روی مجموعه ای از الگوها آموزش می دهیم ، پس از آن می تواند الگو را تشخیص دهد حتی اگر تا حدودی مخدوش یا ناقص باشد. این می تواند الگوی کاملی را تشخیص دهد که ما آن را با ورودی ناقص تغذیه کنیم ، که بهترین حدس را می زند.

برنامه های کاربردی:

    مشکلات بهینه سازی

    تشخیص و تشخیص تصویر.

    تشخیص تصویر پزشکی.

    تقویت تصاویر اشعه ایکس.

14. ماشین Boltzmann (BM):

یک شبکه ماشین بولتزمن شامل یادگیری توزیع احتمال از یک مجموعه داده اصلی و استفاده از آن برای استنباط درباره داده های غیبی است. در BM ها ، گره های ورودی و گره های مخفی وجود دارد ، به محض اینکه همه گره های پنهان ما حالت خود را تغییر دهند ، گره های ورودی ما به گره های خروجی تبدیل می شوند. به عنوان مثال: فرض کنید ما در یک نیروگاه هسته ای کار می کنیم ، جایی که ایمنی باید اولویت اول باشد. وظیفه ما این است که اطمینان حاصل کنیم از همه اجزای نیروگاه ایمن استفاده می کنیم ، در هر حالت حالت هایی وجود دارد که از booleans برای سادگی 1 برای قابل استفاده و 0 برای غیر قابل استفاده استفاده می کنند. با این حال ، برخی م componentsلفه ها نیز وجود دارند که اندازه گیری منظم حالت ها برای ما غیرممکن است.

بعلاوه ، ما داده هایی نداریم که به ما بگوید در صورت توقف عملکرد قطعه مخفی ، نیروگاه چه موقع منفجر می شود. بنابراین ، در این صورت ، ما مدلی را ایجاد می کنیم که متوجه تغییر زمان تغییر م componentلفه می شود. بنابراین ، در صورت انجام این کار ، به ما اطلاع داده می شود تا آن قطعه را بررسی کرده و از ایمنی نیروگاه اطمینان حاصل کنیم.

برنامه های کاربردی:

    کاهش ابعاد

    طبقه بندی.

    پسرفت.

    فیلتر کردن مشارکتی

    ویژگی یادگیری

15. ماشین بولتزمن محدود (RBM):

شبکه عصبی RBM از انواع BMS است. در این مدل ممکن است نورونهای موجود در لایه ورودی و لایه پنهان ارتباط متقارنی بین خود داشته باشند. نکته ای که باید توجه کنید این است که هیچ ارتباط داخلی در داخل هر لایه وجود ندارد. در مقابل ، ماشین های بولتزمن ممکن است در لایه پنهان اتصالات داخلی داشته باشند. این محدودیت ها در BM ها امکان آموزش کارآمد برای مدل را فراهم می کند.

برنامه های کاربردی:

    فیلتر کردن

    ویژگی یادگیری

    طبقه بندی.

    ریسک یابی

    تجزیه و تحلیل اقتصادی و اقتصادی.

محتوای سوم انواع شبکه عصبی به پایان رسید و امیدواریم بیش از گذشته با شبکه عصبی آشنا شده باشید.

منبع