حل جميع مشاكل Windows والبرامج الأخرى

الشبكات العصبية الاصطناعية

يقوم الكمبيوتر الرقمي التقليدي بالعديد من المهام بشكل جيد للغاية. إنه سريع جدًا ، وهو يفعل بالضبط ما تخبرها أن يفعله. لسوء الحظ ، لا يمكن أن يساعدك عندما لا تفهم تمامًا المشكلة التي تريد حلها. والأسوأ من ذلك ، أن الخوارزميات القياسية لا تتعامل بشكل جيد مع البيانات الصاخبة أو غير المكتملة ، ولكن في العالم الحقيقي ، غالبًا ما يكون هذا هو النوع الوحيد المتاح. تتمثل إحدى الإجابات في استخدام شبكة عصبية اصطناعية (ANN) ، وهي نظام حوسبي يمكنه التعلم من تلقاء نفسه.

كيفية نقل ملفات android

اخترع عالم النفس فرانك روزنبلات أول شبكة عصبية اصطناعية في عام 1958. أطلق عليه اسم Perceptron ، وكان يهدف إلى نمذجة كيفية معالجة الدماغ البشري للبيانات المرئية وتعلم التعرف على الأشياء. استخدم باحثون آخرون منذ ذلك الحين شبكات ANN مماثلة لدراسة الإدراك البشري.



في النهاية ، أدرك أحدهم أنه بالإضافة إلى تقديم رؤى حول وظائف الدماغ البشري ، يمكن أن تكون الشبكات العصبية الاصطناعية أدوات مفيدة في حد ذاتها. سمحت لهم قدراتهم في مطابقة الأنماط والتعلم بمعالجة العديد من المشكلات التي كان من الصعب أو المستحيل حلها من خلال الأساليب الحسابية والإحصائية القياسية. بحلول أواخر الثمانينيات من القرن الماضي ، كانت العديد من المعاهد الواقعية تستخدم شبكات ANN لمجموعة متنوعة من الأغراض.



على الرغم من أن الشبكات العصبية الاصطناعية يشار إليها غالبًا باسم الشبكات العصبية ، إلا أن هذا الاسم ينتمي بشكل أكثر ملاءمة إلى الأدمغة البيولوجية التي صُممت عليها في الأصل.

بنية



تعمل الشبكة العصبية الاصطناعية عن طريق إنشاء روابط بين العديد من عناصر المعالجة المختلفة ، كل منها يشبه خلية عصبية واحدة في دماغ بيولوجي. قد يتم إنشاء هذه الخلايا العصبية فعليًا أو محاكاتها بواسطة كمبيوتر رقمي. تأخذ كل خلية عصبية العديد من إشارات الإدخال ، ثم ، بناءً على نظام الترجيح الداخلي ، تنتج إشارة خرج واحدة يتم إرسالها عادةً كمدخلات إلى خلية عصبية أخرى.

الخلايا العصبية مترابطة بإحكام ومنظمة في طبقات مختلفة. تستقبل طبقة الإدخال المدخلات ، وتنتج طبقة الإخراج الناتج النهائي. عادة ما تكون طبقة مخفية واحدة أو أكثر محصورة بين الطبقتين. تجعل هذه البنية من المستحيل التنبؤ أو معرفة التدفق الدقيق للبيانات.

كيف يتعلمون



تبدأ الشبكات العصبية الاصطناعية عادةً بأوزان عشوائية لجميع الخلايا العصبية. هذا يعني أنهم لا يعرفون شيئًا ويجب تدريبهم على حل المشكلة المحددة التي يقصدون حلها. بشكل عام ، هناك طريقتان لتدريب ANN ، اعتمادًا على المشكلة التي يجب حلها.

تتعرض شبكة ANN ذاتية التنظيم (غالبًا ما تسمى Kohonen بعد مخترعها) لكميات كبيرة من البيانات وتميل إلى اكتشاف الأنماط والعلاقات في تلك البيانات. غالبًا ما يستخدم الباحثون هذا النوع لتحليل البيانات التجريبية.

على العكس من ذلك ، يتم تدريب ANN ذات الانتشار العكسي من قبل البشر لأداء مهام محددة. خلال فترة التدريب ، يقوم المعلم بتقييم ما إذا كانت مخرجات ANN صحيحة. إذا كان هذا صحيحًا ، فإن الأوزان العصبية التي أنتجت هذا الناتج يتم تعزيزها ؛ إذا كان الناتج غير صحيح ، يتم تقليل تلك الأوزان المسؤولة. غالبًا ما يستخدم هذا النوع للبحث المعرفي ولتطبيقات حل المشكلات.

قم بإلغاء تثبيت Windows Update windows 7

يتم تطبيق الشبكة العصبية الاصطناعية على جهاز كمبيوتر واحد ، وعادة ما تكون أبطأ من الحلول الحسابية التقليدية. ومع ذلك ، فإن الطبيعة الموازية لـ ANN تسمح ببنائها باستخدام معالجات متعددة ، مما يمنحها ميزة سرعة كبيرة بتكلفة تطوير قليلة جدًا. تسمح البنية المتوازية أيضًا لشبكات ANN بمعالجة كميات كبيرة جدًا من البيانات بكفاءة عالية. عند التعامل مع تدفقات كبيرة ومستمرة من المعلومات ، مثل التعرف على الكلام أو بيانات مستشعر الآلة ، يمكن أن تعمل الشبكات العصبية الاصطناعية بشكل أسرع من نظيراتها الخطية.

أثبتت الشبكات العصبية الاصطناعية أنها مفيدة في مجموعة متنوعة من تطبيقات العالم الحقيقي التي تتعامل مع البيانات المعقدة وغير الكاملة في كثير من الأحيان. كان أولها في التعرف على الأنماط المرئية والتعرف على الكلام. بالإضافة إلى ذلك ، استخدمت البرامج الحديثة لتحويل النص إلى كلام شبكات ANN. يتم تشغيل العديد من برامج تحليل خط اليد (مثل تلك المستخدمة في أجهزة المساعد الرقمي الشخصي الشائعة) بواسطة شبكات ANN.

تتم الآن مراقبة المصانع الآلية والروبوتية بواسطة شبكات ANN التي تتحكم في الآلات وتضبط إعدادات درجة الحرارة وتشخيص الأعطال والمزيد. يمكن لشبكات ANN زيادة أو استبدال العمالة الماهرة ، مما يجعل من الممكن لعدد أقل من الناس القيام بمزيد من العمل.

الاستخدامات الاقتصادية

قد تكون الاستخدامات الاقتصادية لشبكات ANN هي الأكثر إثارة.

استخدمت المؤسسات المالية الكبيرة شبكات ANN لتحسين الأداء في مجالات مثل تصنيف السندات ، وتسجيل الائتمان ، والتسويق المستهدف ، وتقييم طلبات القروض. عادة ما تكون هذه الأنظمة أكثر دقة ببضع نقاط مئوية فقط من سابقاتها ، ولكن بسبب المبالغ المالية المتضمنة ، فهي مربحة للغاية. تُستخدم الآن شبكات ANN لتحليل معاملات بطاقات الائتمان لاكتشاف حالات الاحتيال المحتملة.

التراجع عن إعادة التسمية

تُستخدم شبكات ANN لاكتشاف أنواع أخرى من الجرائم أيضًا. تستخدم أجهزة الكشف عن القنابل في العديد من المطارات الأمريكية شبكات ANN لتحليل العناصر النزرة المحمولة جواً لاستشعار وجود مواد كيميائية متفجرة. ويستخدم مكتب شؤون الموظفين في إدارة شرطة شيكاغو شبكات ANN لمحاولة استئصال الفساد بين ضباط الشرطة.

كاي كاتب مستقل في دورتشستر ، ماساتشوستس. يمكنك الوصول إليه في Alexx@world.std.com .