nazanin_sh

سلام . من دانشجوی کارشناسی هستم و مدتیه درمورد شبکه های عصبی مطالعه می کنم . تمام مقاله هایی که تا حالا خوندم در مورد انواع شبکه های عصبی و الگوریتم های یادگیریشونه . اما جواب دو تا سوال نتونستم تا حالا پیدا کنم . خواهشا اگه می تونید کمکم کنید :

سوال اول : ورودی هایی که به یک شبکه ی عصبی مصنوعی داده میشه از چه نوعی هستن؟ سیگنال های الکتریکی هستن که با یک مبدل آنالوگ به دیجیتال به صورت صفر و یک کد میشن؟ اگه نه لطفا برام توضیح بدین

سوال دوم : وقتی داریم یک شبکه رو آموزش می دیم چه اتفاقی دقیقا میفته؟ اینکه این شبکه اوزان رو به گونه ای تغییر میده که با اون خروجی مطلوب اختلاف کمی داشته باشه رو می دونم . ولی نمی تونم درک کنم چه ربطی داره ! مثلا برای شبکه ای که در تشخیص چهره به کار گرفته می شه .
آیا این فرآیند یادگیری با فرآیند یادگیری انسان یکسانه؟

ازتون ممنونم که قراره کمکم کنید

mansor50

سلام - شبکه عصبی به هر الگویی به عنوان یک جعبه که چیزی از داخلش نمیدونه رفتار میکنه و با ورودی دادن و خروجی دادن به جعبه رفتار اون رو با تنظیم وزن هاش یادمیگیره و داده های اون هم عدد است این عدد ها یعنی مقداری برای هر ویِژگی که این ویژگی میتونه از یک تصویر یا از یک سیگنال یا هر چیزی استخراج بشه بازم سئوال داشتید میتونید بهم میل بزنید mansor.small@gmail.com

kamran_kenzo

شما با در نظر گرفتن لایه های میانی برای شبکه عصبیتون و با توجه به تعداد ورودی ها و خروجی هاتون تعداد مشخصی وزن خواهید داشت که در مرحله ی یادگیری چون ورودی ها و خروجی ها مشخص هستند این وزن ها یاد گرفته می شوند. برای تفسیر این فرایند که واقعا چرا استفاده از شبکه ی عصبی خوب هست و اصلا چه معنایی داره میتونید اینطوری تصور کنید که شما تصویرهایی که مربوط به یک موضوع هستند را میتونید با المان های مشخصی بازسازی نمود.
به طور مثال تصویر یک شخص خاص با المان های خاصی (چشم، بینی، ...) مشخص میشه . وقتی شبکه برای تصویر این شخص یادگرفته میشه وزن ها طوری یادگرفته میشوند که بتونند با ترکیب این المانها تصویر را به طور مناسبی یاد بگیرند. حالا در مرحله ی تست تصویر شخص دیگری را که وارد شبکه کنیم با این وزن ها ترکیب طوری خواهد بود که اختلاف زیادی بین تصویر ورودی و تصویر مرجع خواهیم داشت.

امیدوارم تونسته باشم قدری از مفهوم رو منتقل کنم
موفق باشید

nazanin_sh

فک کنم فهمیدم! یعنی در واقع با دادن یک الگو شبکه وزن ها رو تغییر می ده تا به یک حالت پایدار برسه و بعد از اون ، اون حالت پایدار متعلق به اون الگو هست و اگر با داده های دیگه ای شبکه رو تست کنیم به سمت وزن هایی همگرا میشه که قبلا برای الگو یادگرفته .....
درست گفتم؟!