امروز پنجشنبه ، ۱۴۰۱/۰۴/۱۶
بدان
FAENZYXWVUTSRQPONMLKJIHGFEDCBA

شبکه عصبی مصنوعی (ANN)

شبکه عصبی مصنوعی (ANN) به چه معناست؟ شبکه عصبی مصنوعی (شبکه عصبی) یک مدل محاسباتی است که نحوه عملکرد سلول های عصبی در مغز انسان را تقلید می کند. شبکه‌های عصبی مصنوعی (ANN) از الگوریتم‌های یادگیری استفاده می‌کنند که می‌توانند به طور مستقل تنظیمات را انجام دهند - یا به یک معنا یاد بگیرند که ورودی جدید دریافت می‌کنند. این آنها را به ابزاری بسیار مؤثر برای مدل‌سازی داده‌های آماری غیرخطی تبدیل می‌کند. ANNهای یادگیری عمیق نقش مهمی در یادگیری ماشین (ML) دارند و از حوزه وسیع‌تر فناوری هوش مصنوعی (AI) پشتیبانی می‌کنند.Bedan شبکه عصبی مصنوعی (ANN) را توضیح می دهد یک شبکه عصبی مصنوعی دارای سه یا چند لایه است که به هم متصل هستند. لایه اول از نورون های ورودی تشکیل شده است. این نورون ها داده ها را به لایه های عمیق تر ارسال می کنند، که به نوبه خود داده های خروجی نهایی را به آخرین لایه خروجی می فرستند. تمام لایه های داخلی پنهان هستند و توسط واحدهایی تشکیل می شوند که به طور تطبیقی ​​اطلاعات دریافتی را از لایه ای به لایه دیگر از طریق یک سری از لایه ها تغییر می دهند. تحولات هر لایه هم به عنوان لایه ورودی و هم به عنوان لایه خروجی عمل می کند که به ANN اجازه می دهد اشیاء پیچیده تری را درک کند. در مجموع، این لایه‌های داخلی لایه عصبی نامیده می‌شوند. واحدهای لایه عصبی سعی می‌کنند اطلاعات جمع‌آوری‌شده را با وزن کردن آن‌ها بر اساس سیستم داخلی شبکه عصبی مصنوعی بیاموزند. این دستورالعمل‌ها به واحدها اجازه می‌دهد تا یک نتیجه تبدیل‌شده تولید کنند، که سپس به عنوان خروجی به لایه بعدی ارائه می‌شود. مجموعه‌ای از قوانین یادگیری اضافی از انتشار پس‌انداز استفاده می‌کند، فرآیندی که از طریق آن ANN می‌تواند نتایج خروجی خود را با در نظر گرفتن خطاها تنظیم کند. از طریق پس انتشار، هر بار که خروجی به عنوان خطا در مرحله آموزش نظارت شده برچسب گذاری می شود، اطلاعات به عقب ارسال می شود. هر وزن متناسب با میزان مسئولیت خطا به روز می شود. از این رو، از این خطا برای تنظیم مجدد وزن اتصالات واحد ANN استفاده می شود تا تفاوت بین نتیجه مورد نظر و نتیجه واقعی را در نظر بگیرد. در زمان معین، ANN 'یاد خواهد گرفت' که چگونه شانس خطاها و نتایج ناخواسته را به حداقل برساند. آموزش یک شبکه عصبی مصنوعی شامل انتخاب مدل های مجاز است که چندین الگوریتم مرتبط برای آنها وجود دارد. یک ANN دارای چندین مزیت است اما یکی از شناخته شده ترین آنهاست. یکی از اینها این واقعیت است که می تواند از مشاهده مجموعه داده ها یاد بگیرد. در این روش، ANN به عنوان یک ابزار تقریب تابع تصادفی استفاده می شود. این نوع ابزارها به تخمین مقرون‌به‌صرفه‌ترین و ایده‌آل‌ترین روش‌ها برای دستیابی به راه‌حل‌ها در حین تعریف توابع یا توزیع‌های محاسباتی کمک می‌کنند. ANN برای رسیدن به راه‌حل‌ها، به جای کل مجموعه داده‌ها، نمونه‌های داده را می‌گیرد، که باعث صرفه‌جویی در زمان و هزینه می‌شود. ANNها مدل‌های ریاضی نسبتاً ساده‌ای برای بهبود فناوری‌های تجزیه و تحلیل داده‌های موجود در نظر گرفته می‌شوند. آنها می‌توانند برای بسیاری از کاربردهای عملی، مانند تجزیه و تحلیل پیش‌بینی‌کننده در هوش تجاری، شناسایی ایمیل‌های هرزنامه، پردازش زبان طبیعی در ربات‌های گفتگو و بسیاری موارد دیگر استفاده شوند.

Artificial Neural Network (ANN)

What Does Artificial Neural Network (ANN) Mean? An artificial neuron network (neural network) is a computational model that mimics the way nerve cells work in the human brain. Artificial neural networks (ANNs) use learning algorithms that can independently make adjustments - or learn, in a sense - as they receive new input. This makes them a very effective tool for non-linear statistical data modeling. Deep learning ANNs play an important role in machine learning (ML) and support the broader field of artificial intelligence (AI) technology. Techopedia Explains Artificial Neural Network (ANN) An artificial neural network has three or more layers that are interconnected. The first layer consists of input neurons. Those neurons send data on to the deeper layers, which in turn will send the final output data to the last output layer.All the inner layers are hidden and are formed by units which adaptively change the information received from layer to layer through a series of transformations. Each layer acts both as an input and output layer that allows the ANN to understand more complex objects. Collectively, these inner layers are called the neural layer.The units in the neural layer try to learn about the information gathered by weighing it according to the ANN’s internal system. These guidelines allow units to generate a transformed result, which is then provided as an output to the next layer.An additional set of learning rules makes use of backpropagation, a process through which the ANN can adjust its output results by taking errors into account. Through backpropagation, each time the output is labeled as an error during the supervised training phase, the information is sent backward. Each weight is updated proportionally to how much they were responsible for the error.Hence, the error is used to recalibrate the weight of the ANN’s unit connections to take into account the difference between the desired outcome and the actual one. In due time, the ANN will “learn” how to minimize the chance for errors and unwanted results.Training an artificial neural network involves choosing from allowed models for which there are several associated algorithms.An ANN has several advantages but one of the most recognized of these is the fact that it can actually learn from observing data sets. In this way, ANN is used as a random function approximation tool. These types of tools help estimate the most cost-effective and ideal methods for arriving at solutions while defining computing functions or distributions.ANN takes data samples rather than entire data sets to arrive at solutions, which saves both time and money. ANNs are considered fairly simple mathematical models to enhance existing data analysis technologies.They can be used for many practical applications, such as predictive analysis in business intelligence, spam email detection, natural language processing in chatbots, and many more.