شبکه های عصبی مصنوعی

انواع تکنیک‌های یادگیری ماشین مانند شبکه‌های عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM)، شبکه های بیزی(BNs) و درخت‌های تصمیم گیری (DTs) وجود دارد که به طور گسترده ای برای توسعه مدل‎‌های پیش بینی به کار گرفته شده است، که سبب شده نتیجه تصمیم گیری ها بسیار دقیق و موثر باشد.

شبکه‌های عصبی مصنوعی الهام گرفته از شبکه های عصبی بیولوژیکی مانند مغز انسان هستند. مغز انسان از تعدا زیادی واحد بسیار ریز به نام نرون تشکیل شده است، نرون ها از چهار بخش اصلی دندریت، سوما، آکسون و سیناپس تشکیل شده‌اند. دندریت‌ها به شکل رشته‌های طویل هستند که از مرکز سلول به اطراف پراکنده می‌شوند و در انتهای دندریت‌ها سیناپس‌ها واقع شده است که اطلاعات را منتقل می‌کنند. شبکه‌های عصبی زیستی قادر به یادگیری هستند.

شبکه‌های عصبی مصنوعی نیز مشابه شبکه های عصبی زیستی شامل تعدادی نرون هستند که مجموعه‌ای از این نرون‌ها یک لایه را تشکیل می‌دهند و لایه های شبکه از طریق سیناپس‌ها به یکدیگر متصل می‌شوند. شبکه‌های عصبی مصنوعی دارای یک لایه‌ی ورودی، یک لایه خروجی و یک یا چند لایه‌ی پنهان که در میان لایه ورودی و لایه‌ی خروجی قرار دارند، می‌باشند. سیناپس های موجود در بین نرون ها دارای وزن می‌باشند که به روز رسانی این وزن‌ها آموزش شبکه نامیده می‌شود.

به طور کلی آموزش شبکه های عصبی (یا به روز رسانی وزن ها) به سه صورت با نظارت، بدون نظارت و آموزش تقویتی انجام می‌شود.

در این نوع آموزش به ازای هر ورودی، خروجی متناظر با آن ورودی نیز به شبکه داده می‌شود و تغییر وزن‌ها تا زمانی که اختلاف بین خروجی شبکه و خروجی مطلوب به کمترین مقدار خود برسد، ادامه می‌یابد. در بیشتر شبکه‌های عصبی از این نوع آموزش استفاده می‌شود.

در آموزش بدون نظارت خروجی مطلوب وجود ندارد تا خروجی شبکه با آن مقایسه شده و مقدار خطا تعیین گردد و تغییر و اصلاح وزن‌ها تنها بر اساس ورودی‌ها انجام می‌شود.

حالتی بین آموزش با نظارت و بدون نظارت است که عملکرد شبکه به صورت گام به گام نسبت به زمان بهبود می‌یابد.

شبکه‌های عصبی با توجه به معماری شبکه، نوع اتصالات بین لایه‌ها ونوع آموزشی که شبکه دارد به انواع مختلفی تقسیم می‌شوند که هریک از آن‌ها کاربرد های مختلفی دارند. از مهمترین شبکه‌های عصبی میتوان به شبکه عصبی پرسپترون چند لایه (MLP)، ماشین بردار پشتیبان (SVM)، شبکه عصبی شعاعی (RBF) شبکه عصبی هاپفیلد، نگاشت های خود سازمان ده یا SOM، یادگیرنده رقمی ساز بردار یا LVQ و شبکه های عصبی چند جمله‌ای اشاره کرد.

پس از ساخت و آموزش شبکه عصبی باید عملکرد شبکه مورد ارزیابی قرار گیرد که برای ارزیابی شبکه از معیار‌های مختلف مانند میزان حساسیت، دقت، منحنی ROC، ماتریس کانفیوژن میانگین مربعات خطا و مجذور میانگن مربعات خطا استفاده می‌شود که در میان این معیارها میانگین مربعات خطاMSE و مجذور میانگین مربعات خطا معیارهای عمومی‌‌تری می‌باشند که دربیشتر شبکه‌های عصبی مورد استفاده قرار می‌گیرند.