این سیستم از روی سیستم عصبی انسان ساخته شده است.
شاید تا به‌حال کلیدواژه‌هایی مثل «هوش مصنوعی»، «یادگیری عمیق» و «یادگیری ماشین» را شنیده باشید. این‌ها همگی مربوط به تلاش انسان برای نزدیک کردن پردازش کامپیوترها به عملکرد انسان می‌شوند. گوگل مثالی فوق‌العاده برای هوش مصنوعی و ماشین یادگیرنده است که با توجه به فعالیت شما روی اینترنت شما را شناخته و پیشنهاداتی مرتبط با شخصیت و نیازهایتان به شما ارائه می‌دهد. در قلب تمام این فعالیت‌ها، مفهومی به نام «شبکه عصبی مصنوعی چیست» قرار دارد که شامل شبیه‌سازی سیستم پردازش مغز انسان توسط ساختار داده کامپیوتری می‌شود. بریم که داشته باشیم :
(Artificial Neural Network) به اختصار در انگلیسی ANN نامیده می‌شود. این شبکه با الهام از شبکه نورون‌های مغز انسان، سعی در توسعه پردازش اطلاعات دارد. در واقع شبکه عصبی کمک می‌کند به‌جای دیکته کردن کاری که باید انجام شود به کامپیوتر (برنامه‌نویسی) یکم به کامپیوتر یا ماشین آزادی داده بشه تا خودش بتونه این هارو درک کنه:)
این شبکه چجوری کار میکنه؟این شبکه جوری کار می کنه که ما فهمیدیم در برابر مثلا سوال رو مخ ریاضی چجوری باید واکنش نشون بدیم.مثلا اون خودش مثل ما که رفته رفته با تکرار یاد گرفتیم اون هم با تکرار کار می کنه.اهم اهم مغزتون رو اماده کنین که قراره پیزهای پیچیده ای در ادامه داشته باشیم
دانشمندان مدت‌ها به دنبال این بودند که با شبیه‌سازی ساختار مغز انسان، امکان یادگیری را مشابه انسان‌ها در ماشین‌ها به‌وجود بیاورند. ساختار پردازنده‌های اولیه مبتنی بر واحدهایی بود که از طریق محاسبات برنامه‌ریزی شده (برنامه‌نویسی) کارها را انجام می‌دهند. دانشمندان در طول زمان فهمیدند که اگر بخواهند یادگیری را با پردازش ماشین تلفیق کنند، راه آن برنامه‌نویسی نخواهد بود.
انواع شبکه عصبی مصنوعی شبکه عصبی مصنوعی دو نوع کلی دارد که بر اساس نوع سیگنال فرستادن نورون‌ها تعیین شده است: شبکه‌های پیش خور (FeedForward Networks): شبکه‌های عصبی از لایه‌های نورونی تشکیل شده‌اند.در این نوع شبکه، سیگنال تنها اجازه دارد در یک جهت حرکت کند و نمی‌تواند به نورون لایه قبل بازگردد. مسیر پاسخ نورون‌ها در شبکه پیش‌خور مثل یک خیابان یک‌طرفه بوده و همواره رو به جلو است. شبکه‌های پس خور (FeedBack Networks): همانطور که در نام انگلیسی این نوع شبکه می‌بینید، در آن فیدبک وجود دارد. فیدبک یعنی خروجی نورون به خروجی قبلی‌اش علاوه بر ورودی فعلی وابسته است. در شبکه‌های پس‌خور (برگشتی) حداقل یک سیگنال برگشتی وجود دارد. (دوستان گرامی گل امیدوارم که گرفته باشین)
برای اینکه این ماشین برای مثال یک سگ را در عکس تشخیص بدهد، باید ابتدا تعداد قابل توجهی عکس سگ از زوایا و انواع مختلف آن، به همراه چند عکس دیگر به ماشین ارائه کنیم. سپس در خروجی به او بگوییم که کدام یک از این تصاویر خروجی مورد نظر ما (تصویر سگ) است. با تکرار روندهای این‌چنینی یادگیری ماشین اتفاق می‌افتد.
کاربردهای شبکه عصبی مصنوعی در دنیای کسب و کار: همانطور که گفتیم، علم داده در حال حاضر بالاترین جایگاه را از لحاظ کاربردی بودن در دنیای کسب‌وکار به خود اختصاص داده است. شرکت‌های بزرگی مثل گوگل و مایکروسافت در حال مسابقه دادن برای استفاده بهینه‌تر از دیتا ساینس در الگوریتم‌ها و استراتژی‌های خود هستن یکی از این مثال ها google translateیا مترجم گوگل می باشد (برای همین هم معلمای زبان میکن چیزی رو تو مترحم گوگل نزنین.بنده خدا گناه داره.مورد داشتیم یکی از دوستام زده بود کوکو سبزی براش اورده بودWhere where vegatable)
اگر پسندیدی، لایک کن و به سازنده انرژی بده!
عالی ❤
تست فوق العادت لایک شد❄
بک میدم ⭐🌹
مایل به پین؟ ✨
سیلامم، ب یکی نیاز دارمم که با هم داستان بنویسیم..
بک میدم
❤برای تست هام خیلی زحمت میکشم ❤
🤍کلی هم ایده جالب دارم 🤍
اما نیاز به حمایت دارم
پین؟
چقدر خوب باید ویژه شه
مرسی
بین اون کامنتای تبلیغ کامنتت خیلی بهم انرژی داد
به اونا توجه نکن فقط دنبال منافع خودشونن آخرشم هیچ به هیچ
ولی چقدر خوب که براش زحمت کشیدی جیگر
لطف داری:)
موافقی بیای پیوی؟
بل جیگر