فصل چهارم: ورود به دنیای شبکه‌های عصبی (Neural Networks)

قسمت یازدهم: نورون مصنوعی چیست؟ آشنایی با اولین بلوک سازنده شبکه‌های عصبی

نورون مصنوعی چیست ؟ اگر تاکنون برایتان سؤال بوده که هوش مصنوعی چگونه تصاویر را تشخیص می‌دهد، متن ترجمه می‌کند یا حتی خودرو را بدون راننده هدایت می‌کند، پاسخ همه این توانایی‌ها را باید در مفهومی به نام نورون مصنوعی (Artificial Neuron) جستجو کرد. یازدهمین جلسه آموزش هوش مصنوعی را با خبر ICT دنبال کنید.

در جلسات گذشته با مفاهیم پایه یادگیری ماشین (Machine Learning)، انواع روش‌های یادگیری و اجزای اصلی یادگیری ماشین شامل داده، ویژگی و مدل آشنا شدیم. اکنون زمان آن رسیده است که وارد مهم‌ترین بخش دنیای هوش مصنوعی شویم؛ جایی که فناوری با الهام از مغز انسان، ساختاری به نام شبکه عصبی (Neural Network) را خلق کرده است.

این فصل نقطه شروع ورود به یادگیری عمیق (Deep Learning) است؛ فناوری‌ای که امروزه موتور محرک بسیاری از پیشرفته‌ترین سامانه‌های هوش مصنوعی محسوب می‌شود.

تحقیق و تدوین مهدی گمرکی

ایده اصلی شبکه‌های عصبی؛ الگوبرداری از مغز انسان

سال‌هاست پژوهشگران تلاش می‌کنند به این پرسش پاسخ دهند که آیا می‌توان روشی ساخت که رایانه مانند انسان یاد بگیرد؟

پاسخ این سؤال، الهام گرفتن از طبیعت بود.

مغز انسان از میلیاردها سلول عصبی به نام نورون (Neuron) تشکیل شده است. هر نورون پیام‌هایی را از نورون‌های دیگر دریافت می‌کند، آن‌ها را پردازش می‌کند و در صورت نیاز، پیام جدیدی را به نورون‌های بعدی ارسال می‌کند.

دانشمندان علوم رایانه همین ایده را به زبان ریاضی تبدیل کردند و مفهومی به نام نورون مصنوعی را به وجود آوردند؛ کوچک‌ترین واحد تشکیل‌دهنده یک شبکه عصبی مصنوعی (Artificial Neural Network).

✅ بیشتر بخوانیم 👈👈👈 رشته (String) در پایتون چیست؟ آموزش انواع کوتیشن در Python | جلسه دهم

نورون مصنوعی چیست؟

نورون مصنوعی یک واحد محاسباتی ساده است که سه وظیفه اصلی را انجام می‌دهد:

دریافت اطلاعات
پردازش اطلاعات
تولید خروجی

شاید هر نورون به‌تنهایی بسیار ساده به نظر برسد، اما زمانی که میلیون‌ها نورون در کنار یکدیگر قرار می‌گیرند، سامانه‌ای ایجاد می‌شود که می‌تواند تصاویر را تشخیص دهد، صحبت انسان را درک کند یا حتی متن تولید کند.

نورون مصنوعی چگونه کار می‌کند؟

عملکرد یک نورون مصنوعی را می‌توان در سه مرحله خلاصه کرد.

۱. دریافت ورودی‌ها و اعمال وزن (Weights)

هر نورون چندین ورودی دریافت می‌کند.

اما همه ورودی‌ها ارزش یکسانی ندارند.

به همین دلیل برای هر ورودی عددی به نام وزن (Weight) در نظر گرفته می‌شود که میزان اهمیت آن را مشخص می‌کند.

برای درک بهتر، تصور کنید قصد خرید یک خانه را دارید.

ممکن است برای شما متراژ اهمیت بسیار بیشتری نسبت به رنگ دیوارها داشته باشد. بنابراین هنگام تصمیم‌گیری، به متراژ وزن بیشتری می‌دهید.

در نورون مصنوعی نیز دقیقاً همین اتفاق رخ می‌دهد؛ هرچه وزن یک ورودی بیشتر باشد، تأثیر آن در تصمیم نهایی نیز بیشتر خواهد بود.

۲. ترکیب اطلاعات (Summation)

در مرحله بعد، نورون همه ورودی‌ها را پس از اعمال وزن با یکدیگر ترکیب می‌کند.

از دیدگاه ریاضی، مقدار هر ورودی در وزن متناظر خود ضرب می‌شود و سپس همه این مقادیر با هم جمع می‌شوند.

خروجی این مرحله تنها یک عدد است که میزان قدرت سیگنال ورودی را نشان می‌دهد.

۳. تابع فعال‌سازی (Activation Function)

اکنون نورون باید تصمیم بگیرد که آیا این سیگنال ارزش ارسال به لایه بعدی را دارد یا خیر.

✅ بیشتر بخوانیم 👈👈👈 Dataset، Feature و Model چیست؟ آموزش اجزای اصلی یادگیری ماشین به زبان ساده | قسمت ۱۰

این تصمیم توسط تابع فعال‌سازی (Activation Function) گرفته می‌شود.

تابع فعال‌سازی مقدار محاسبه‌شده را بررسی می‌کند و آن را به یک خروجی مناسب تبدیل می‌کند؛ برای مثال عددی بین صفر و یک.

اگر مقدار سیگنال از حد مشخصی بیشتر باشد، نورون فعال می‌شود و پیام را به نورون‌های بعدی ارسال می‌کند. در غیر این صورت، خروجی آن بسیار کوچک یا حتی صفر خواهد بود.

به همین دلیل از تابع فعال‌سازی به عنوان قلب تصمیم‌گیری در شبکه‌های عصبی یاد می‌شود.

نورون مصنوعی چگونه یاد می‌گیرد؟

یکی از مهم‌ترین ویژگی‌های نورون مصنوعی، قابلیت یادگیری است.

در ابتدای آموزش، وزن‌های نورون کاملاً تصادفی هستند و بنابراین خروجی‌های آن معمولاً دقیق نیست.

هر بار که شبکه پاسخ اشتباهی تولید می‌کند، الگوریتم آموزش میزان خطا را محاسبه می‌کند و وزن‌ها را اندکی تغییر می‌دهد.

این فرآیند هزاران یا حتی میلیون‌ها بار تکرار می‌شود تا نورون‌ها به تدریج یاد بگیرند که برای هر ورودی چه تصمیمی بگیرند.

به بیان ساده، یادگیری در شبکه‌های عصبی چیزی جز تنظیم هوشمندانه وزن‌ها نیست.

چرا نورون مصنوعی اهمیت دارد؟

اگرچه یک نورون مصنوعی به‌تنهایی توانایی محدودی دارد، اما اتصال تعداد زیادی از آن‌ها، ساختاری قدرتمند به نام شبکه عصبی مصنوعی ایجاد می‌کند.

همین شبکه‌ها امروزه در فناوری‌های متعددی استفاده می‌شوند، از جمله:

تشخیص چهره در تلفن‌های همراه
ترجمه هم‌زمان زبان‌ها
دستیارهای صوتی
خودروهای خودران
تشخیص بیماری از تصاویر پزشکی
تولید متن و تصویر توسط مدل‌های هوش مصنوعی

تقریباً تمام مدل‌های پیشرفته یادگیری عمیق (Deep Learning) بر پایه همین نورون‌های مصنوعی ساخته شده‌اند.

جمع‌بندی

در این جلسه با مفهوم نورون مصنوعی آشنا شدیم؛ کوچک‌ترین واحد تشکیل‌دهنده شبکه‌های عصبی که با الهام از نورون‌های مغز انسان طراحی شده است.

✅ بیشتر بخوانیم 👈👈👈 آموزش پرامپت نویسی هوش مصنوعی

یاد گرفتیم که هر نورون ابتدا ورودی‌ها را دریافت می‌کند، با استفاده از وزن‌ها اهمیت هر ورودی را مشخص می‌کند، آن‌ها را با یکدیگر ترکیب می‌کند و در نهایت با کمک تابع فعال‌سازی تصمیم می‌گیرد که خروجی تولید کند یا خیر. همچنین دیدیم که فرآیند یادگیری در شبکه‌های عصبی، در واقع همان تنظیم مداوم وزن‌ها برای کاهش خطا و افزایش دقت است.

در جلسه بعد وارد ساختار کامل شبکه‌های عصبی خواهیم شد و با سه بخش اصلی آن یعنی لایه ورودی (Input Layer)، لایه‌های پنهان (Hidden Layers) و لایه خروجی (Output Layer) آشنا می‌شویم تا ببینیم چگونه میلیون‌ها نورون مصنوعی در کنار یکدیگر می‌توانند مسائل پیچیده را حل کنند.