از شبکه عصبی چه چیزی لازم است بدانیم؟

از شبکه عصبی چه چیزی لازم است بدانیم؟

شبکه عصبی چیست؟

شبکه عصبی مجموعه ای از الگوریتم هاست که تلاش می کند روابط اساسی را در مجموعه ای از داده ها از طریق فرایندی که از عملکرد مغز انسان تقلید می کند، تشخیص دهد. از این لحاظ، شبکه های عصبی به سیستم های نورون اشاره می کنند، یا دارای ماهیت آلی یا مصنوعی هستند. 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. مفهوم شبکه های عصبی، که ریشه در هوش مصنوعی دارد، به سرعت در توسعه سیستم های تجاری محبوبیت پیدا می کند.

 

از شبکه عصبی چه چیزی لازم است بدانیم؟

نکات کلیدی شبکه عصبی

شبکه های عصبی مجموعه ای از الگوریتم ها هستند که از عملکردهای مغز انسان برای تشخیص روابط بین مقدار زیادی داده تقلید می کنند.

از آنها در برنامه های مختلف در خدمات مالی، از تحقیقات پیش بینی و بازاریابی گرفته تا کشف تقلب و ارزیابی ریسک، استفاده می شود.

استفاده از شبکه های عصبی برای پیش بینی قیمت بازار سهام متفاوت است.

 

مبانی شبکه های عصبی

شبکه های عصبی در دنیای مالی، به توسعه فرآیندی مانند پیش بینی سری زمانی، تجارت الگوریتمی، طبقه بندی اوراق بهادار، مدل سازی ریسک اعتباری و ساخت شاخص های اختصاصی و مشتقات قیمت کمک می کنند.

یک شبکه عصبی مانند شبکه عصبی مغز انسان کار می کند. “نورون” در یک شبکه عصبی یک عملکرد ریاضی است که اطلاعات را براساس معماری خاص جمع آوری و طبقه بندی می کند. این شبکه شباهت زیادی به روشهای آماری مانند برازش منحنی و تحلیل رگرسیون دارد.

یک شبکه عصبی شامل لایه هایی از گره های بهم پیوسته است. هر گره یک گیرنده است و شبیه به یک رگرسیون خطی چندگانه است. پرسپترون سیگنال تولید شده توسط یک رگرسیون خطی چندگانه را به یک تابع فعال سازی تغذیه می کند که ممکن است غیرخطی باشد.

در یک گیرنده چند لایه گیرنده ها در لایه های بهم پیوسته قرار می گیرند. لایه ورودی الگوهای ورودی را جمع می کند. لایه خروجی دارای طبقه بندی یا سیگنال های خروجی است که ممکن است الگوهای ورودی به آنها ترسیم شود. به عنوان مثال ، الگوها می توانند لیستی از مقادیر را برای شاخص های فنی مربوط به یک امنیت را شامل شوند. بازده بالقوه می تواند “خرید”، “نگه داشتن” یا “فروش” باشد.

لایه های پنهان وزن های ورودی را تا زمانی که حد خطای شبکه عصبی به حداقل نرسد تنظیم می کنند. فرضیه این است که لایه های پنهان ویژگی های برجسته را در داده های ورودی که دارای قدرت پیش بینی در مورد خروجی ها هستند ، برون ریزی می کنند. این استخراج ویژگی را توصیف می کند، که یک ابزار مشابه تکنیک های آماری مانند تجزیه و تحلیل مولفه های اصلی به دست می آورد.

 

کاربرد شبکه های عصبی

شبکه های عصبی به طور گسترده ای مورد استفاده قرار می گیرند ، با برنامه هایی برای عملیات مالی، برنامه ریزی شرکت، تجارت، تجزیه و تحلیل تجارت و نگهداری محصول. شبکه های عصبی همچنین در برنامه های تجاری مانند پیش بینی و راه حل های تحقیق در بازاریابی، کشف تقلب و ارزیابی ریسک، مورد استفاده گسترده قرار گرفته اند.

یک شبکه عصبی داده های قیمت را ارزیابی می کند و بر اساس تجزیه و تحلیل داده ها فرصت های تصمیم گیری تجاری را پیدا نمی کند. شبکه ها می توانند وابستگی های متقابل غیر خطی ظریف را تشخیص دهند و الگوهای دیگر که تجزیه و تحلیل فنی نمی تواند داشته باشد. طبق تحقیقات ، صحت شبکه های عصبی در پیش بینی قیمت سهام متفاوت است. بعضی از مدل ها قیمت صحیح سهام را 50 تا 60 درصد از زمان پیش بینی می کنند در حالی که برخی دیگر در 70 درصد موارد نمونه دقیق هستند. برخی اظهار داشتند که 10 درصد بهبود بهره وری چیزی است که سرمایه گذار می تواند از یک شبکه عصبی درخواست کند.

همیشه مجموعه داده ها و کلاس های کاری وجود دارد که با استفاده از الگوریتم هایی که قبلاً توسعه یافته اند ، بهتر تجزیه و تحلیل می شوند. فقط الگوریتم مهم نیست. این داده های ورودی به خوبی آماده شده در شاخص هدف است که در نهایت میزان موفقیت یک شبکه عصبی را تعیین می کند.

 

شبکه عصبی مصنوعی (ANN)

قطعه ای از یک سیستم محاسباتی است که برای شبیه سازی روش تحلیل و پردازش مغز انسان طراحی شده است. این پایه و اساس هوش مصنوعی (AI) است و مشکلاتی را حل می کند که طبق استانداردهای انسانی یا آماری غیرممکن یا دشوار خواهد بود. ANN ها دارای قابلیت یادگیری خود هستند که به آنها امکان می دهد تا با در دسترس قرار دادن اطلاعات بیشتر نتایج بهتری را به دست آورند..

 

نکات کلیدی شبکه عصبی مصنوعی

شبکه عصبی مصنوعی (ANN) جزو هوش مصنوعی است که به منظور شبیه سازی عملکرد مغز انسان است.

واحدهای پردازشی ANN ها را تشکیل می دهند که به نوبه خود از ورودی و خروجی تشکیل شده اند. ورودی ها همان چیزی است که. ANN از آن ها می آموزد تا خروجی مورد نظر را تولید کند.

انتشار عقب مجموعه قوانین یادگیری است که برای هدایت شبکه های عصبی مصنوعی استفاده می شود.

کاربردهای عملی شبکه های عصبی گسترده و گسترده است که شامل امور مالی، ارتباطات شخصی، صنعت، آموزش و غیره است.

 

درک شبکه عصبی مصنوعی (ANN)

شبکه های عصبی مصنوعی مانند مغز انسان ساخته می شوند، گره های عصبی مانند یک وب به هم متصل می شوند. مغز انسان صدها میلیارد سلول به نام نورون دارد. هر نورون از یک بدن سلولی تشکیل شده است که وظیفه پردازش اطلاعات را با حمل اطلاعات به سمت (ورودی ها) و (خروجی ها) از مغز بر عهده دارد..

ANN دارای صدها یا هزاران نورون مصنوعی به نام واحد پردازش است که توسط گره ها به هم متصل می شوند. این واحدهای پردازشی از واحدهای ورودی و خروجی تشکیل شده اند. واحدهای ورودی اشکال و ساختارهای مختلف اطلاعاتی را بر اساس یک سیستم توزین داخلی دریافت می کنند و شبکه عصبی تلاش می کند تا در مورد اطلاعات ارائه شده برای تولید یک گزارش خروجی اطلاعات کسب کند.

شبکه ANN در ابتدا مرحله آموزش را می گذراند و می آموزد الگوها را از نظر بصری، شنیداری یا متنی تشخیص دهد. در طول این مرحله تحت نظارت ، شبکه خروجی واقعی تولید شده خود را با آنچه قرار بود تولید کند مقایسه می کند – خروجی مورد نظر. تفاوت بین هر دو نتیجه با استفاده از گسترش عقب تنظیم می شود. این بدان معنی است که شبکه به عقب کار می کند ، از واحد خروجی به واحدهای ورودی می رود تا وزن اتصالات خود را بین واحدها تنظیم کند تا زمانی که اختلاف بین نتیجه واقعی و مطلوب کمترین خطای ممکن را ایجاد کند.

در طول مرحله آموزش و نظارت ، با استفاده از انواع سوال بله / خیر با اعداد دودویی ، شبکه ANN آموزش داده می شود که چه چیزی را جستجو کند و چه بازدهی باید داشته باشد. به عنوان مثال، بانکی که می خواهد تقلب در کارت اعتباری را به موقع کشف کند، ممکن است دارای چهار واحد ورودی باشد که با این سوالات تغذیه می شوند: (1) آیا معامله در کشوری متفاوت از کشور مقیم کاربر است؟ (2) آیا وب سایتی که کارت در شرکت های وابسته به شرکت ها یا کشورهایی که در لیست تماشای بانک قرار دارند استفاده می شود؟ (3) آیا مبلغ معامله از 2000 دلار بیشتر است؟ (4) آیا نام موجود در صورتحساب معامله همان نام صاحب کارت است؟

بانک می خواهد پاسخ های “کشف شده تقلب” بله بله بله بله خیر، 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 همزمان با 1 1 1 0. پس از آموزش، سیستم رایانه ای می تواند بانک را از معاملات جعلی معوق آگاه کند و در این صورت پس انداز زیادی در بانک انجام می شود..

 

برنامه های عملی برای شبکه های عصبی مصنوعی (ANN)

شبکه های عصبی مصنوعی در حال هموار سازی برنامه های تغییر دهنده زندگی برای استفاده در تمام بخشهای اقتصاد هستند. سیستم عامل های هوش مصنوعی که بر روی شبکه های ANN ساخته شده اند، روش های سنتی انجام کارها را مختل می کنند. از ترجمه صفحات وب به زبان های دیگر گرفته تا دستیاری مجازی برای سفارش مواد غذایی بصورت آنلاین گرفته تا مکالمه با چت بات ها برای حل مشکلات، سیستم عامل های هوش مصنوعی معاملات را ساده کرده و خدمات را با هزینه های ناچیز در دسترس همه قرار می دهند.

شبکه های عصبی مصنوعی در همه زمینه های عملیاتی اعمال شده است. ارائه دهندگان خدمات ایمیل از ANN برای شناسایی و حذف هرزنامه از صندوق ورودی کاربر استفاده می کنند.

مدیران دارایی از آن برای پیش بینی جهت سهام شرکت استفاده می کنند. شرکت های رتبه بندی اعتباری از آن برای بهبود روش های امتیازدهی اعتبار خود استفاده می کنند. سیستم عامل های تجارت الکترونیکی از آن برای شخصی سازی توصیه ها به مخاطبان خود استفاده می کنند.

 

 

پیشنهاد نویسنده: موارد استفاده از علوم دادهوضعیت و کاربرد هوش مصنوعی در ایران

دیدگاهتان را بنویسید