آموزش دادن شبکه عصبی در متلب – پادکست پرسش و پاسخ

«شبکه‌های عصبی» (Neural Networks) از جمله سیستم‌ها و روش‌های محاسباتی برای «یادگیری ماشین» (Machine Learning) هستند که امروزه، کاربردهای زیادی را در حل مسائل گوناگون «هوش مصنوعی» (Artificial Intelligence) و «علم داده» (Data Science) دارند. در همین راستا، پرسشی که برای بسیاری از افراد مطرح می‌شود، چگونگی آموزش دادن شبکه عصبی در متلب و پارامترهای مورد استفاده در این راستا است. دکتر «سید مصطفی کلامی هریس»، در پادکستی که در ادامه آمده، به این مبحث پرداخته است. نسخه متنی این پادکست نیز در همین مطلب قرار دارد. البته، منبع اصلی همچنان فایل صوتی محسوب می‌شود.

پادکست پیرامون آموزش دادن شبکه عصبی در متلب

ذخیره کردن این فایل صوتی: لینک دانلود

نسخه نوشتاری

پرسش‌هایی پیرامون چگونگی آموزش دادن شبکه عصبی در «متلب» (MATLAB) برای برخی از دانشجویان مطرح می‌شود. بنابراین در ادامه، به توضیح چگونگی آن پرداخته شده است. یک شبکه عصبی که نام متغیر آن Net است، در متلب آموزش داده شده است. وزن­‌های این شبکه عصبی، در قالب مؤلفه «بایاس» (Bias) که با B نشان داده می‌شود و در قالب یک «آرایه سلولی» (Cell Array) به صورت «i_w»، یعنی «وزن ورودی» (Input Weight) و «l_w»، یعنی «وزن لایه» (Layer Wight) نمایش داده می‌­شوند.

B که به طور مشخص، «بایاس» است. بایاس هر کدام از این «نورون‌ها» (Neurons) مشخص است. i_w وزن ارتباطی بین ورودی‌­ها و هر نورن در هر لایه است. طبیعی است که تعداد عناصر موجود در ماتریس سلولی، به تعداد لایه‌­ها خواهد بود. اغلب، با توجه به آنکه ورودی‌ها به لایه اول وصل می‌شوند، سایر لایه‌­ها خالی و صفر هستند. در واقع، این یک آرایه سلولی یا Cell Array است و هر کدام از مؤلفه‌­های آن، خود یک ماتریس هستند. در تعریف آرایه سلولی در متلب داریم که: «ماتریسی است که، درایه‌های آن می‌­تواند هر چیزی، حتی ماتریس باشد».

فیلم آموزش شبکه های عصبی در متلب – مرور و حل مساله در فرادرس

کلیک کنید

پس هر کدام از i_w‌ها وزن ارتباطی بین ورودی‌ها و لایه‌­ها هستند. l_w نیز وزن ارتباطی بین لایه‌­ها و یک آرایه سلولی مربعی است. اگر شبکه عصبی سه لایه داشته باشد، l_w به صورت ۳×۳ (سه در سه) خواهد بود. این یعنی، هر لایه با دیگر  لایه‌ها و حتی با خودش، ارتباط دارد. زیرا بعضی از این‌­ها «بازخورد سلولی» (Cell Feedback) نیز دارند. بنابراین، طبیعی است که مثلا اگر یک «شبکه عصبی پیش‌خور» (Feedforward Neural Network) دو لایه وجود دارد، فقط از لایه اول به لایه دوم مسیر وجود دارد و برعکس آن مسیری نیست، زیرا بازخوردی (FeedBack) در کار نیست.

این توضیح کلی پیرامون ساختار شبکه عصبی در متلب بود. در آموزش‌های گوناگون فرادرس به این موضوعات به طور کامل پرداخته شده است و آنچه در اینجا بیان شد، صرفا چکید­ه همه این موارد محسوب می‌شود. این سه آرایه سلولی، یعنی B (مولفه بایاس هر یک از این موارد)، l_w (وزن ورودی) و l_w (وزن لایه)، مشخص می­‌کنند که پارامتر­های شبکه عصبی چه مواردی هستند. حال برای مثال، اگر کاربر بخواهد با یک «الگوریتم فراابتکاری» (Metaheuristic) شبکه عصبی را طراحی کند و یا اطلاعات شبکه عصبی را به صورت یک‌جا و در یک فایل ذخیره کند و دوباره آن‌ها را بخواند یا مثلا به یک نرم‌­افزار منتقل و فرمول آن را استخراج کند، همه و همه به واسطه اعداد بیان شده قابل انجام هستند.

فیلم آموزش طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب MATLAB در فرادرس

کلیک کنید

در برخی از آموزش‌­های فرادرس، چه آموزش‌هایی که توسط من ارائه شده و چه آموزش‌هایی که توسط دیگر مدرسان و برای مثال آقای دکتر اسماعیل آتشپز گرگری ارائه شده است، آموزش دادن یک شبکه عصبی با استفاده از یک الگوریتم فراابتکاری، متکی به توضیحاتی است که در این‌جا بیان شده است. بنابراین، به طور کلی می‌توان از همین توضیحات برای تعبیر و تفسیر اعدادی که در آنجا قرار دارند استفاده کرد.

برای دانلود کردن و شنیدن دیگر پادکست‌های دکتر سید مصطفی کلامی هریس در مجله فرادرس، روی این لینک [+] کلیک کنید.

فیلم مجموعه آموزش شبکه‌ های عصبی مصنوعی – مقدماتی تا پیشرفته در فرادرس

کلیک کنید

اگر نوشته بالا برای شما مفید بوده است، آموزش‌های زیر نیز به شما پیشنهاد می‌شوند:

• مجموعه آموزش‌های شبکه‌‌های عصبی مصنوعی
• آموزش شبکه‌های عصبی مصنوعی در متلب
• مجموعه آموزش‌های الگوریتم‌‌های بهینه‌‌سازی هوشمند
• ساخت شبکه عصبی (Neural Network) در پایتون — به زبان ساده
• شبیه‌سازی تبرید (Simulated Annealing) — به زبان ساده

^^