شبکه عصبی مصنوعی (ANN)

شبکه عصبی مصنوعی

شبکه عصبی به صورت یکی از بخش های پیچیدۀ مغز انسان به عنوان یک ساختار یادگیری غیر قابل درک مشهور شده است. این شناخت و درک ساختار بیولوژی مغز انسان می تواند ما را در ایجاد شبکه های عصبی مصنوعی به عنوان یک ابزار کارا در حل مسائل یاری رساند.

در حال حاضر دانشمندان در ابتدای راه شناخت شبکه های عصبی هستند و تنها بر نحوۀ عملکرد این مجموعه تمرکز کرده اند. در ده سال اخیر هزاران مقاله در این زمینه نگارش شده و شبکه های عصبی دارای کاربرد بسیار زیادی شده اند.

شبکه های عصبی مصنوعی در برخی از عملیات ها مانند پیش بینی و دسته بندی در مقایسه با سایر روش ها دارای مزایای نسبی بوده و معمولاً در کارهای تجربی ترجیح داده می شوند. از جمله مواردی که از این روش استفاده می شود زمانی است که با داده های مغشوش مواجهیم یا دانش بسیار کمی در مورد مسئله وجود دارد.

از مزایای این روش می توان نتیجه گرفت که این روش می تواند به عنوان روشی مناسب در ایجاد و برخورد با داده های متفاوت سازمانی در حوزه ها و پروژه های متفاوت داده کاوی به کار گرفته شوند، از این رو در اقتصاد کاربردهای ویژه ای دارند.

به عنوان مثال در عملیات پیش بینی سری های زمانی و داده های پیچیده بازارهای مالی روش شبکه عصبی مورد استفاده قرار می گیرند. اخیراً رساله ها و تحقیقات کاربردی بسیاری در خصوص پیش بینی قیمت سهام، انرژی، طلا، نرخ ارز و ... با استفاده از این روش صورت گرفته است که نتایج نشان داد شبکه عصبی قادر است پیش بینی های دقیق تری نسبت به روش های معمول سری زمانی ارائه نماید.

برای طراحی یک مدل شبکه عصبی می بایست مراحل زیر را طی نمود:

-تعیین واحدهای لایه ورودی و یا به عبارت دیگر متغیرهای توضیحی مدل، برحسب خصوصیات آماری که بدین منظور از روش اقتصادسنجی که اغلب مدل های ARMA هستند برای تعیین لایه ورودی استفاده می شود.

-تعیین حجم نمونه برای بخش یادگیری و بخش آزمون

-تعیین تعداد واحدهای خروجی و لایه میانی. تعداد واحدهای لایه خروجی براساس مسئله تحقیق می باشد. به عنوان مثال، اگر پیش بینی یک متغیر خاص باشد لایه خروجی تنها یک می باشد. تعداد واحدهای لایه میانی از طریق روش آزمون و خطا تعیین می گردد.

این عمل از طریق مقایسه معیار ارزیابی پیش بینی (RMSE) انجام می پذیرد و در مرحله ای که کمترین مجذور میانگین مربعات خطا حاصل می شود به عنوان لایه میانی انتخاب می گردد.

-مشخص کردن قاعده یادگیری که الگوریتم های متفاوتی در این زمینه وجود دارد. دو نوع یادگیری در این ادبیات وجود دارد: یادگیری تحت نظارت و یادگیری بدون ناظر.

یادگیری تحت نظارت که به یادگیری با معلم نیز معروف است با استفاده از الگوریتم های مختلف تکرار وزن ها شبکه را تعدیل می کند که مشهورترین آنها الگوریتم پس از انتشار خطا است.