شبکه‌های عصبی و یادگیری عمیق (مفهومی)
معرفی مفهومی شبکه‌های عصبی: نورون، لایه‌ها، توابع فعال‌سازی و کاربردهای یادگیری عمیق
شبکه عصبی چیست؟
مدلی الهام‌گرفته از مغز انسان، ساخته‌شده از نورون‌های مصنوعی متصل به هم. یادگیری عمیق (Deep Learning) یعنی شبکه‌های عصبی با لایه‌های زیاد.
نورون مصنوعی
هر نورون ساده است: ورودی‌ها را با وزن‌ها ضرب، جمع و از تابع فعال‌سازی عبور می‌دهد:
خروجی = f(w₁x₁ + w₂x₂ + ... + b)- وزن‌ها (w): پارامترهایی که مدل یاد می‌گیرد
- b: بایاس
- f: تابع فعال‌سازی (نونخطی‌سازی)
ساختار شبکه
- لایه ورودی: تعداد ویژگی‌ها
- لایه‌های پنهان: استخراج ویژگی‌های پیچیده‌تر در هر لایه
- لایه خروجی: پیش‌بینی (۱ نورون برای رگرسیون، n نورون برای n کلاس)
توابع فعال‌سازی
| تابع | فرمول | کاربرد |
|---|---|---|
| Sigmoid | 1/(1+e⁻ˣ) | خروجی باینری |
| ReLU | max(0, x) | استاندارد لایه‌های پنهان |
| Softmax | احتمال چندکلاسه | خروجی دسته‌بندی |
آموزش: Backpropagation
- Forward: داده از ورودی به خروجی می‌رود
- خطا: خروجی با واقعیت مقایسه می‌شود
- Backward: خطا به عقب propagates و وزن‌ها با Gradient Descent اصلاح می‌شوند
- تکرار هزاران بار!
معماری‌های معروف
- MLP: شبکه ساده کاملاً متصل (داده جدولی)
- CNN: کانولوشنی — تصویر و ویدیو
- RNN/LSTM: بازگشتی — متن و سری زمانی
- Transformer: توجه (Attention) — GPT، BERT، ترجمه
کجا استفاده کنیم؟
| داده | بهترین ابزار |
|---|---|
| جدولی (tabular) | جنگل تصادفی / XGBoost |
| تصویر | CNN |
| متن | Transformer |
| صدا | CNN/RNN روی طیف |
یادگیری عمیق به داده زیاد و سخت‌افزار (GPU) نیاز دارد. برای داده جدولی کوچک، مدل‌های کلاسیک این دوره معمولاً بهترند!
جمع‌بندی
- شبکه عصبی = لایه‌هایی از نورون‌های وزن‌دار
- آموزش با Forward + Backpropagation + Gradient Descent
- برای تصویر/متن عالی؛ برای داده جدولی، کلاسیک‌ها بهترند
این مبحث بخشی از دوره آموزش کامل ماشین لرنینگ است.