مبانی ‌شبکه‌‌های ‌عصبی(ساختارها،الگوریتم‌ها،کاربردها)

در سال های اخیر توجه به شبکه های عصبی مصنوعی رونق دوباره ای یافته است و پژوهشگرانی با پیشینه های مختلف اساس نظری مستحکمی را برای این زمینه مطالعاتی پربار ایجاد کرده و کاربردهای متعددی را برای آن مشخص نمود هاند. با این وجود، ماهیت چند رشته ای شبکه های عصبی، ایجاد رساله ای جامع درباره این موضوع را پیچیده می کند. شبکه های عصبی ابزاری مفید برای حل انواع بسیاری از مسائل مانند نگاشت (شامل پیوند الگو و طبقه بندی الگو)، خوشه بندی و بهینه سازی با محدودیت هستند. برای هر یک از این انواع مسئله ها، چند شبکه عصبی به عنوان راه حل موجود است. به منظور استفاده مؤثر از هرکدام از شبکه های عصبی، درک ویژگی های هر یک از آنها (نقاط قوت و محدودیت ها) دارای اهمیت فراوانی است. این کتاب طیف گسترده ای از شبکه های عصبی استاندارد را به همراه ساختار و معماری آنها شامل می شود که الگوریتم آموزش هر کدام از شبکه ها به صورت مفصل بیان شده و چند مثال از کاربردهای هر کدام از این شبکه ها برای روشن ساختن توانایی آنها ارائه شده است. در راستای هدف اصلی کتاب برای نشان دادن شبکه های عصبی به گونه ای قابل قبول اما منصفانه، نتایج مربوط به چند مثال ساده ذکر شده است. لازم به یادآوری است که در این کتاب تأکید اصلی بر ویژگی های محاسباتی شبکه های عصبی بوده است و نه بر تفسیر روانشناختی آنها. برای نشان دادن شباهت ها و تفاوت های شبکه های عصبی مورد بحث، به تناسب سعی شده که از مثال های مشابه استفاده شود.

« مبانی شبکه های عصبی » برای دانشجویان و محققان دانشگاهی، صنعتی، و دولتی که علاقمند به استفاده از شبکه های عصبی هستند، نوشته شده است. این کتاب به صورت کتاب درسی برای یک نیم سال یا دو دوره سه ماهه،درس « مقدمه ای بر شبکه های عصبی» و به عنوان یک کتاب مرجع برای محققان نگارش شده است. این طرح با همکاری محققان شبکه های عصبی از ریاضیات کاربردی، علوم کامپیوتر، مهندسی کامپیوتر و مهندسی برق انجام شده است. در نوشتن کتاب فرض بر این بوده است که خواننده با ریاضیات و برخی از نامگذاری ها و عملگرهای برداری و ماتریسی آشنا هستند. عملیات ریاضی هرچند به میزان بسیار کمی آورده شده است اما هرجا نیاز به روشن ساختن یک موضوع و یا تائید صحت آن بوده است، مسائل به صورت ریاضی نیز بیان شده‌اند. قضیه ها و اثبات ها فقط برای برخی از شبکه های عصبی و به منظور نشان دادن ویژگی های مهم آنها آورده شده اند، به عنوان مثال، نحوه استخراج الگوریتم آموزش پس انتشار (backpropagation) که در کتاب آورده شده است، مراحل عملیات این الگوریتم را کاملاً روشن می‌کند. میزان پیچیدگی ریاضیاتی در فصل‌های پایانی تا حدودی افزایش می یابد. با این وجود، استخراج قوانین مربوط به شبکه های عصبی به صورت ریاضی و اثبات های مرتبط با آنها (در صورت وجود) در انتهای بخش یا فصل آورده شده اند تا بدون ایجاد گسستگی در کار بتوان از آنها صرف نظر کرد.

در این کتاب، ترتیب ارائه موضوعات طوری انتخاب شده است که پیچیدگی فزاینده این شبکه ها را نشان دهد. مطالب هر فصل تا حد زیادی مستقل است تا بتوان فصل ها را بعد از فصل اول، تقریباً به هر ترتیبی مطالعه کرد. نورون مک کلاچ–پیتز که در پایان فصل ۱ مورد بحث قرار گرفته است، مثال ساده ای از یک شبکه عصبی اولیه را فراهم می کند. شبکه های یک لایه برای طبقه بندی الگو، که در فصل ۲ و ۳ ارائه شده اند، دو نمونه از ابتدایی ترین کاربردهای شبکه های عصبی با وزن های تطبیق شونده هستند. شبکه های پیچیده تر که در فصل های بعدی مورد بحث قرار می گیرند ، نیز برای حل این نوع مسائل و مسائل نگاشت کل یتر به کار می روند. الگوریتم پس انتشار که در فصل ۶ آورده شده است، از نظر منطقی می تواند بعد از فصل ۲ قرار گیرد، هر چند شبکه های فصل های ۳ تا ۵ تا حدودی دارای ساختار ساده تری هستند. فصل ۴ و ۵ به شبکه هایی برای حل مسائل خوشه بندی و شبکه های نگاشت که بر مبنای این شبکه ها قرار دارند، می پردازند. فصل ۷ تعدادی از پرکاربردترین شبکه های عصبی از جمله دو شبک ه برای حل مسائل بهین هسازی با محدودیت را ارائه می کند.
الگوریتم ها، به جای کدهای کامپیوتری به صورت شبه کد فراهم شده اند تا خواننده فهم بهتری از مکانیسم های آموزش و کاربرد شبکه عصبی داشته باشد، چرا که در اغلب اوقات نتیجه استفاده از بسته های نرم افزاری کاملاً آماده منجر به آشنایی سطحی تری از شبکه های عصبی می شود. در بسیاری از کاربردها، فرمول بندی مسئله برای حل به وسیله شبکه عصبی و انتخاب شبکه مناسب ، مستلزم فهم دقیق شبکه ها است. بدین منظور مراحل کار برای مثال های مختلف به صورت گام به گام آورده شده است که دنبال کردن محاسبات، هم به صورت دستی و هم با ایجاد کدهای کامپیوتری، به درک عمیق تر عملکرد شبکه‌ها کمک می کند.

انتشارات نص