تفاوتهای شبکههای عصبی با روشهای محاسباتی متداول و سیستمهای خبره
گفتیم که شبکههای عصبی روش متفاوتی برای پردازش و آنالیز اطلاعات ارائه میدهند. اما نباید این گونه استنباط شود که شبکههای عصبی میتوانند برای حل تمام مسائل محاسباتی مورد استفاده واقع شوند. روشهای محاسباتی متداول همچنان برای حل گروه مشخصی از مسائل مانند امور حسابداری، انبارداری و محاسبات عددی مبتنی بر فرمولهای مشخص، بهترین گزینه محسوب میشوند. جدول ۱، تفاوتهای بنیادی دو روش محاسباتی را نشان میدهد.
سیستمهای خبره، انشعابی از روش محاسباتی متداول محسوب میشود و در مواردی هم به آن نسل پنجم محاسبات نام دادهاند (نسل اول از کلید و سیمبندی استفاده میکرد، نسل دوم با اختراع ترانزیستور ایجاد شد، نسل سوم از فناوری مدارات مجتمع استفاده میکرد، نسل چهارم با به وجود آمدن زبانهای سطح بالا آغاز شد و نسل پنجم شامل هوش مصنوعی میشود). به طور معمول، یک سیستم خبره شامل دو بخش عمده میشود. یک بخش یا موتور استنتاجی و یک پایگاه دانایی (Knowledge base). موتور استنتاجی، بخشی است که رابط کاربر را مدیریت میکند و بر فایلها و دسترسی به برنامهها و برنامهریزی کنترل دارد. پایگاه دانایی شامل اطلاعاتی در ارتباط با یک مسئله مشخص است. این پایگاه به متخصصان اجازه میدهد که قواعد فرایند مشخصی را تعریف نماید. چنین متخصصی نیازی به دانستن روشهای برنامهنویسی نخواهد داشت. او تنها باید کاری که از کامپیوتر میخواهد را درک کند و شناخت کافی از روش عمل سیستم داشته باشد. درواقع پوسته سیستم بخشی است که به کامپیوتر میگوید چهکار باید انجام دهد. برنامه لازم برای حل مسئله توسط خود سیستم تولید خواهد شد.
تلاشهایی که برای اجرایی کردن سیستمهای خبره به کار گرفته شدهاند، با مشکلات مشترکی مواجه بودهاند. با افزایش سطح پیچیدگی سیستمها، منابع کامپیوتری مورد نیاز سیستم به شدت افزایش مییابند و سیستم با کندی بیش از حد روبرو میشود. در حقیقت تجربه نشان داده است که در وضعیت فعلی، سیستمهای خبره تنها میتوانند در مواقعی مفید واقع شوند که هدف محدود و مشخصی تعیین شده باشد.
شبکههای عصبی در مسیری گام برمیدارند که ابزارها توانایی فراگیری و برنامهریزی خود را داشته باشند. ساختارشبکههای عصبی به گونهای است که قابلیت حل مسئله را بدون کمک فرد متخصص و برنامهریزی خارجی داشته باشند. شبکههای عصبی قادر به یافتن الگوهایی در اطلاعات هستند که هیچکس، هیچگاه از وجود آنها اطلاع نداشته است.
درحالیکه سیستمهای خبره در عمل به موفقیتهای بسیاری دست یافتهاند، شبکههای عصبی در کاربردهایی همچون دید مصنوعی، تشخیص و تولید پیوسته گفتار، فراگیری ماشینی و نظایر آن با مشکلاتی روبرو بودهاند. در حال حاضر شبکههای عصبی کاملاً وابسته به سرعت پردازنده سیستم اجرا کننده هستند.
بینایی ماشین
از میان همه شاخههای هوش مصنوعی، شاید کاربردیترین آنها کامپیوتری و مکانیزه کردن سیستمهای بینایی باشد. دامنه کاربرد این شاخه از فناوری در حال رشد، بسیار وسیع است و از کاربردهای عادی و معمولی مثل کنترل کیفیت خط تولید و نظارت ویدئویی گرفته تا تکنولوژیهای جدید مثل اتومبیلهای بدون راننده را دربرگرفته است. دامنه کاربردهای این تکنولوژی براساس تکنیکهای مورد استفاده در آنها تغییر میکند. ما سعی داریم به شما نشان دهیم که سیستمهای بینایی ماشین چگونه کار میکنند و مروری کوتاه بر اهداف، تکنیکها و تکنولوژیهای موجود داشته باشیم و سعی داریم با نحوه کار بینایی ماشین و پیشرفت آنها که مطابق با سیستم بینایی انسان است، آشنا شویم. در این متن، بررسی خود را با دو مثال انجام میدهیم. اولی سیستم کنترل کیفیت خط تولید است که شامل نحوه عکسبرداری و ذخیره و شیوه تفسیر عکسهای گرفته شده بهصورت خودکار است و دیگری بهعنوان یک مثال پیچیدهتر، چگونگی بینایی یک ربات را توضیح میدهد.
از شما دوستان عزیز که این مطلب آموزشی را دنبال نموده اید تشکر می کنیم و شما را دعوت میکنیم که برای فراگیری هوش مصنوعی مطالب ما را دنبال کنید.این مطالب برای افزایش دانش شما در سایت قرار داده شده و کمک زیادی در یادگیری شما در انجام پروژه هوش مصنوعی خواهد نمود.
فریلنسر هستم و مهارت انجام پروژه ای را دارم!
اگر شما فریلنسر هستید و توانایی انجام پروژه ای را در یک رشته یا حوزه ای خاص دارید برای فعالیت در سایت کافه پروژه و کسب درآمد می توانید در سایت ثبت نام کنید و پروژه هایی با مهارت انتخاب خود را مشاهده کنید.جهت ثبت نام و ثبت رزومه خود در سایت از طریق دکمه پایین صفحه در سایت عضو شوید:
نحوه سفارش پروژه در سایت کافه پروژه :
اگر پروژه ای دارید که میخواهید آن را برون سپاری کنید کافی است در سایت کافه پروژه ثبت نام کنید و پروژه خود را ثبت نمایید.پروژه شما هر چه که باشد حتما مجری برای آن وجود دارد.جهت ثبت نام و ثبت سفارش پروژه خود برروی دکمه زیر کلیک نمایید.
بدون دیدگاه