در شماره قبل، مختصری از اصول و مبانی نحوه عملکرد شبکه های عصبی مصنوعی را تشریح نمودیم. در این قسمت نیز به تشریح فرایند “یادگیری” دراین نرم افزار می پردازیم و در شماره بعد سعی داریم تا تفاوت ها و برتری های این نرم افزار را نسبت به نرم افزار کلاسیک شرح دهیم.
یادگیری در شبکه های عصبی مصنوعی:
نحوه اجرای فرایند یادگیری در ANN را با دو مثال توضیح می دهیم:
۱) کودکی را فرض کنید که مشغول یادگیری پازل اشکال هندسی است، به نحوی که سعی دارد با امتحان نمودن انواع قطعات هندسی بر روی صفحه پازل، جای هر یک از قطعات را صحیح انتخاب نماید. این کودک چندین بار قطعات را در جایگاه های مختلف هندسی آزمون می کند و درنهایت پس از چندین مرتبه تکرار، جای صحیح آن قطعه از پازل را می یابد، یا به عبارت دیگر، جایگاه آن قطعه را یاد گرفته است.
۲) فرض کنید که می خواهیم بدون کمک گرفتن از روابط و اصول ریاضیات و بدون کمک رایانه، معادله زیر را حل کنیم:
Sin x + log x =1.5
ساده ترین راه حل مسئله این است که در ابتدا عددی را به طور آزمایشی به جای x قرار بدهیم و ببینیم که مقدار سمت چپ، با عدد ۱.۵ چه مقدار فاصله دارد. سپس بر این اساس، اعداد دیگری را چندین مرتبه آزمون می کنیم تا در نهایت به پاسخ درست معادله دست یابیم.
یادگیری در نرم افزار ANN، مشابه یادگیری کودک و آزمون و خطا است. در این نرم افزار، ابتدا مواردی از جفت متغیرهای وابسته و مستقل برای نرم افزار وارد می شود. این نرم افزار با سرعت شگفت آوری این جفت متغیرها را بررسی کرده، رابطه منطقی و ریاضی میان آنها را کشف می نماید.
پس از دستیابی به این رابطه، نرم افزار آماده گرفتن مقدار جدید برای متغیر مستقل است که در این حالت، بلافاصله مقدار متغیر وابسته به عنوان خروجی نرم افزار، گزارش می شود.
