شماره 267 ماهنامه شبکه با سرمقاله جذاب هوش مصنوعی، انقلاب سیستمی آغاز می‌شود، در فصل هوش مصنوعی با گوگل‌بارد و قابلیت‌ها و تفاوت‌های آن با ChatGPT آشنا می‌شوید، در فصل فناوری شبکه درباره ممیزی مرکز داده و اهمیت آن می‌خوانید، در فصل امنیت راه‌های مقابله با حمله  دوقلوی شیطانی (Evil Twin) را می‌آموزید، در فصل عصر شبکه راهکارهایی داده شد برای اینکه از زمان خود به بهترین شکل برای انجام کارها استفاده کنید، در فصل کارگاه با زبان برنامه‌نویسی ابداعی گوگل (کربن) آشنا می‌شوید و در نهایت در پرونده ویژه این شماره به سراغ شبکه‌های عصبی رفتیم.

پرونده ویژه

در پرونده ویژه شماره 267 ماهنامه شبکه، با مفهوم شبکه‌های عصبی، کاربردها و دلایل استفاده از آن‌ها آشنا می‌شویم؛ انواع مختلف شبکه‌های عصبی مصنوعی را بررسی می‌کنیم؛ نگاهی به سلول‌ها و لایه‌ها در شبکه‌های عصبی می‌اندازیم؛ نحوه پیاده‌سازی یک شبکه عصبی ساده را بررسی می‌کنیم؛ با روش خوشه‌بندی داده‌ها در یادگیری عمیق آشنا خواهیم شد و در نهایت با چیستی و چرایی شبکه‌های عصبی ‌CNN و نحوه پیاده‌سازی آن‌ها با تنسورفلو آشنا می‌شویم.

Untitled-1پرونده-267.jpg

  • مغزهای مصنوعی در خدمت هوش مصنوعی 
  • شبکه‌های عصبی چیستند و چه کاربردهایی دارند؟ 
  • شبکه عصبی پیچشی (‌CNN) چیست و چگونه با تنسورفلو آن‌را پیاده‌سازی کنیم؟ 
  • در دنیای هوش مصنوعی چه شبکه‌های عصبی پرکاربردی وجود دارند؟
  • خوشه‌بندی داده‌ها در یادگیری عمیق چیست‌ و چگونه انجام می‌شود؟
  • چگونه یک شبکه عصبی ساده را پیاده‌سازی کنیم؟
  • آشنایی با انواع سلول‌ها و لایه‌ها در شبکه‌های عصبی 

هوش مصنوعی

Untitled-1هوش-267.jpg

  • گوگل‌بارد چیست و چه قابلیت‌ها و تفاوت‌هایی با ChatGPT دارد؟
  • MLOps چیست و چرا مهندسان یادگیری ماشین به آن نیاز دارند؟

فناوری شبکه

Untitled-1فناوری-267.jpg

  • ممیزی مرکز داده چیست و چرا اهمیت زیادی دارد؟‌ 
  • چگونه از زیرساخت ابری کسب درآمد کنیم؟

امنیت

Untitled-1امنیت-267.jpg

  • هوش تهدید چیست، چگونه به سازمان‌ها کمک می‌کند و پیاده‌سازی می‌شود؟  
  •  حمله  دوقلوی شیطانی (Evil Twin) چیست و  چگونه با آن مقابله کنیم؟

عصر شبکه

Untitled-1عصر-267.jpg

  • یادگیری شناختی چیست و چگونه به دانش‌آموزان و متخصصان کمک می‌کند مطالب را بهتر یاد بگیرند؟  
  • چگونه از زمان خود به بهترین شکل برای انجام کارها استفاده کنیم؟

کارگاه

Untitled-1کارگاه-267.jpg

  •  کربن، زبان برنامه‌نویسی ابداعی گوگل چیست و چه قابلیت‌هایی دارد؟ 
  • چگونه «تست واحد» را در زبان برنامه‌نویسی پایتون انجام دهیم؟ 

مغزهای مصنوعی در خدمت هوش مصنوعی

شبکه‌های عصبی مصنوعی را باید پیشرفته‌ترین فناوری عصر جدید توصیف کنیم که با الگوبرداری از مغز انسان و بر پایه پیچیده‌ترین محاسبات ریاضی قادر به یادگیری و انجام وظایف مختلف هستند. شبکه‌های عصبی مصنوعی اولین بار توسط وارن مک‌کالک و والتر پیترز در سال 1943 پیشنهاد شدند. مک‌کالک و پیترز یک مدل ریاضی از نورون‌های مغز ایجاد کردند که می‌توانست برای محاسبه الگوهای پیچیده استفاده شود، اما به‌لحاظ ساختاری قابل مقایسه با نمونه‌های امروزی نبود. 

این شبکه‌ها در گذر زمان پیشرفت‌های خیره‌کننده‌ای داشتند، به‌طوری که امروزه برای انجام کارهای پیچیده‌ای از آن‌ها استفاده می‌شود. شبکه‌های عصبی مصنوعی راهکارهای قدرتمندی برای حل طیف گسترده‌ای از مشکلات در اختیار ما قرار می‌دهند که راهکارهایی سنتی به‌سختی قادر به ارائه چنین راه‌حل‌هایی هستند. شبکه‌های عصبی مصنوعی بر پایه شبکه‌ای از سلول‌های عصبی کار می‌کنند که می‌توانند برای یادگیری و انجام وظایف استفاده شوند. عملکرد این نورون‌ها شبیه به مغز انسان است. آن‌ها به یک‌دیگر متصل هستند و اطلاعات را از طریق کانال‌های ارتباطی با یک‌دیگر مبادله می‌کنند. 

شبکه‌های عصبی مصنوعی همانند دیگر مدل‌های هوش مصنوعی بر مبنای مجموعه داده‌ها آموزش می‌بینند. در فرآیند آموزش، شبکه عصبی مصنوعی یاد می‌گیرد که چگونه ورودی‌ها را به خروجی‌های مورد نظر تبدیل کند. این کار با تنظیم وزن‌های مرتبط با هر اتصال انجام می‌شود.

در شرایطی که این شبکه‌ها قادر به انجام انواع مختلفی از محاسبات هستند، اما پیاده‌سازی و استفاده از آن‌ها هزینه‌بر و پیچیده است. همچنین، فرآیند آموزش آن‌ها برای حل مسائل خاص به منابع محاسباتی سنگین و صرف انرژی زیاد نیاز دارد. همین مسئله باعث شده تا سازمان‌ها برای حل مسائل پیچیده و پیشرفته از این مدل شبکه‌ها استفاده کنند. پرسش مهمی که مطرح می‌شود این است که اساسا چرا به شبکه‌های عصبی مصنوعی نیاز داریم؟ از دلایل مهم در این زمینه به موارد زیر باید اشاره کرد:

  •  آن‌ها می‌توانند برای حل مشکلاتی استفاده شوند که با رویکردهای سنتی قابل حل نیستند.
  •  آن‌ها می‌توانند برای حل مشکلاتی که پیچیده و داده‌محور هستند استفاده شوند.
  •  آن‌ها می‌توانند برای حل مشکلاتی استفاده شوند که باید در زمان کوتاهی پاسخی برای آن‌ها ارائه کرد. 
  •  آن‌ها می‌توانند برای حل مشکلاتی که ماهیت پویا دارند و مدل باید انعطاف‌پذیری لازم برای حل آن‌ها را داشته باشد، استفاده شوند.

این دلایل باعث شده‌اند تا شبکه‌های عصبی مصنوعی در زمینه تشخیص تصویر، پردازش زبان طبیعی، پیش‌بینی بازارهای مالی، تشخیص و شناسایی بیماری‌ها، ساخت خودران‌ها، و پهپادهای هوشمند مورد استفاده قرار گیرند. اگر در نظر داشته باشیم برخی از کاربردهای شبکه‌های عصبی در دنیای واقعی را بررسی کنیم، موارد زیر شاخص‌‌ترین کاربردهای این فناوری در جهان امروز هستند:

  • پزشکی: شبکه‌های عصبی می‌توانند برای توسعه ابزارهای تشخیصی جدید، مانند الگوریتم‌هایی برای تشخیص سرطان یا بیماری‌های قلبی استفاده شوند. همچنین می‌توانند برای توسعه روش‌های درمانی و ساخت داروهای جدید استفاده شوند.
  • مالی: شبکه‌های عصبی می‌توانند برای توسعه ابزارهای جدید پیش‌بینی بازار، مانند الگوریتم‌هایی که می‌توانند قیمت سهام یا ارز را با دقت بالایی پیش‌بینی کنند استفاده شوند. همچنین، می‌توانند برای توسعه ابزارهای مدیریت ریسک نیز مورد استفاده قرار گیرند تا سرمایه‌گذاران بتوانند ریسک سرمایه‌گذاری خود را به‌دقت ارزیابی کنند. 
  • حمل و نقل: شبکه‌های عصبی می‌توانند برای توسعه خودروهای خودران، سیستم‌های حمل‌ونقل هوشمند و سیستم‌های حمل‌ونقل عمومی کارآمدتر استفاده شوند. همچنین، می‌توانند برای توسعه ابزارهای مدیریت ترافیک استفاده شوند تا روند نظارت بر ترافیک دقیق‌تر شده و تصادفات کاهش پیدا کنند. 
  • خدمات مشتری: شبکه‌های عصبی می‌توانند برای توسعه چت‌بات‌های پیشرفته، ابزارهای تشخیص کلاهبرداری و سیستم‌های پشتیبانی مشتری استفاده شوند و به سازمان‌ها در توسعه ابزارهای شخصی‌سازی تجربه مشتری کمک کنند تا الگوریتم‌ها جذاب‌ترین پیشنهادها را به کاربران ارائه دهند. 
  • آموزش: شبکه‌های عصبی می‌توانند برای توسعه ابزارهای یادگیری جدید، مانند الگوریتم‌هایی که می‌توانند یادگیری را برای دانش‌آموزان شخصی‌سازی کنند استفاده شوند. 
  • تولید: شبکه‌های عصبی می‌توانند برای توسعه ابزارهای کنترل کیفیت، ابزارهای پیش‌بینی خرابی و سیستم‌های تولید خودکار استفاده شوند. 

این فهرست تنها چند مثال رایج از کاربردهای شبکه‌های عصبی را نشان می‌دهد. به‌طور کلی، شبکه‌های عصبی به‌دلیل قابلیت یادگیری پویا و کارایی بالا، در بسیاری از حوزه‌های مختلف به‌عنوان راهکار اصلی یادگیری ماشین استفاده می‌شوند. یادگیری عمیق در سال‌های اخیر توجه بسیاری از محافل دانشگاهی و تجاری را به خود جلب کرده است. موسسه McKinsey در سال 2022 میلادی، یک نظرسنجی در مورد وضعیت شبکه‌های عصبی و هوش مصنوعی انجام داد که نشان داد پذیرش هوش مصنوعی در سال‌های آتی رشد چشم‌گیری خواهد داشت. در حالی که فناوری فوق برای ورود گسترده به دنیای تجارت هنوز هم با موانعی روبه‌رو است، اما نوآوری‌های انجام‌شده در این زمینه امیدوار‌کننده بوده‌اند. به‌طوری که اکنون این پرسش مهم مطرح می‌شود که آیا یادگیری عمیق آینده یادگیری ماشین است؟ با این مقدمه، به سراغ پرونده ویژه این شماره مجله شبکه می‌رویم که مبحث شبکه‌های عصبی را نشانه رفته است. در پرونده ویژه این شماره، با مفهوم شبکه‌های عصبی، کاربردها و دلایل استفاده از آن‌ها آشنا می‌شویم؛ انواع مختلف شبکه‌های عصبی مصنوعی را بررسی می‌کنیم؛ نگاهی به سلول‌ها و لایه‌ها در شبکه‌های عصبی می‌اندازیم؛ نحوه پیاده‌سازی یک شبکه عصبی ساده را بررسی می‌کنیم؛ با روش خوشه‌بندی داده‌ها در یادگیری عمیق آشنا خواهیم شد و در نهایت با چیستی و چرایی شبکه‌های عصبی ‌CNN و نحوه پیاده‌سازی آن‌ها با تنسورفلو آشنا می‌شویم

ماهنامه شبکه را از کجا تهیه کنیم؟
ماهنامه شبکه را می‌توانید از کتابخانه‌های عمومی سراسر کشور و نیز از دکه‌های روزنامه‌فروشی تهیه نمائید.

ثبت اشتراک نسخه کاغذی ماهنامه شبکه     
ثبت اشتراک نسخه آنلاین

 

کتاب الکترونیک +Network راهنمای شبکه‌ها

  • برای دانلود تنها کتاب کامل ترجمه فارسی +Network  اینجا  کلیک کنید.

کتاب الکترونیک دوره مقدماتی آموزش پایتون

  • اگر قصد یادگیری برنامه‌نویسی را دارید ولی هیچ پیش‌زمینه‌ای ندارید اینجا کلیک کنید.