مغز انسان دارای تعداد بسیار و بسیار زیادی نورون (Neuron) است که اطلاع ها را از نورون های دیگر دریافت می کند.  مغز انسان توسط شبکه ای از نورون ها می تواند حجم بالایی از اطلاع ها را پردازش کند که این اطلاع ها توسط انسان حس (Senses) شده اند. به طور مثال چشم انسان محیط را می بینید و سپس اطلاع ها را به مغز می فرستد و مغز تصویر دریافت شده را پردازش می کند.

اطلاع ها (تصویر های ورودی از چشم) به نورن های مغز ارسال می شوند و همچنین پردازش توسط نورون ها انجام می شود. در نهایت با فعال سازی یک سیگنال الکتریکی و شیمیایی، اطلا ها به نورون های دیگر فرستاده می شود، پس می بینیم که مغز انسان شامل یک شبکه پیچیده ای از نورون های متصل به هم هستند که از اطلاع ها میان نورون ها منتقل می شوند. شکل زیر ساختار یک نورون مغز انسان را نشان می دهد.

۱- دندریت ها

دندریت (Dendrites) نقطه ورودی برای هر نورون هستند که بر اثر فعال سازی سیگنال الکترونیکی، ورودی را از نورون دیگر دریافت می کند. در واقع دندریت ها پیام عصبی (اطلاع یا داده یا ورودی) را از نورون دیگر دریافت و سپس به جسم سلولی (Cell Body) ارسال می کنند.

۲ – جسم سلولی یا هسته نورون

جسم سلولی یا هسته نورون که سوما (Soma) نیز نامیده می شود، استنتاج ها و نتیجه گیری ها (Inferences) را از روی ورودی های دندریت ها ایجاد می کند و تصمیم می گیرد که چه عکس العملی (Action) باید رخ دهد.

۳ – انتهای آکسون

انتهای آکسون (Axon Terminal) خروجی ها را بر اساس یک سیگنال الکترونیکی به یک نورون دیگر انتقال می دهد.

 

توجه کنید که توضیح بیشتر در مورد اجزی نورون مربوط به حوزه پزشکی و خارج از این مطلب و این سایت است ولی به عنوان خلاصه باید بگوییم که در شبکه های عصبی مصنوعی (Artificial Neural Network یا به اختصار ANN) یا به اختصار شبکه های عصبی و یادگیری ماشین یک سری ورودی ها داریم که در مغز از طریق دندریت ها وارد می شوند و سپس یک پردازش روی ورودی ها انجام می شود که منجر به ایجاد استنتاج و نتیجه گیری هایی می شود و در نهایت خروجی ها تولید می شوند.

بنابراین یک شبکه عصبی (Artificial Neural Network یا به اختصار ANN) حداقل از سه لایه، لایه ورودی (Input Layer)، لایه پردازش (Hidden Layer) و لایه خروجی (Output Layer) تشکیل شده است. در مباحث یادگیری ماشین از مفهوم شبکه های عصبی برای ایجاد الگوریتم های یادگیری استفاده می شود.

به طور مثال الگوریتمی به نام پرسپترون (Perceptron) وجود دارد که مطابق شکل زیر چندین ورودی دودویی …,x1,x2 را دریافت می کند و سپس یک تک خروجی دودویی را ایجاد می کند. در مطالب بعدی بیشتر و به طور کامل در مورد شبکه های عصبی صحبت می کنیم.

ارتباط نورون ها با یکدیگر

همانطور که توضیح دادیم نورون های مغز (یا به عبارت کاملتر نورون های زیستی Biological Neuron) و چگونگی اراتباط میان آنها، انگیزه ای برای ایجاد شبکه های عصبی مصنوعی (یا AAN) شده است. بنابراین در مغز انسان یک شبکه عصبی (Neural Network) وجود دارد که از ارتباط میان نورون های مختلف پدید آمده است. به عبارت دیگر در مغز انسان هر نورون به نورون دیگر می تواند پیام ارسال کند. شکل زیر و در ناحیه قرمز رنگ می توانید ارتباط میان دو نورون را ببینید.

هر نورون از طریق پایانه آکسون خودش به دندریت های نورون دیگر پیام (یا اصطلاحا سیگنال) ارسال می کند. بنابراین سیگنال های ورودی از طریق دندریت های نورون با وزن سیناپسی (Synaptic Weights) ضرب می شوند و سپس به جسم سلولی (Cell Body) ارسال و در آنجا انباشه (Accumulated) می شوند. اگر قدرت (Strength) سیگنال حاصل از آن بالاتر از یک آستانه (Threshold) مشخص باشد، نورون پیام را به آکسون (Axon) می فرستد.

با توجه به عملکر نورون های مغز، تابع فعال سازی تصمیم می گیرد که آیا یک سگنال به آکسون منتقل شود یا نه؟ زمانی که چیز جدید را یاد می گیریم، آستانه و وزن سیناسپی برخی از نورون ها تغییر می کند و این باعث یک ارتباط جدید میان نورون ها می شود (ناحیه قرمز رنگ شکل بالا)  که در واقع به معنی یادگیری چیزهای جدید در مغز ما انسان ها است.

در مطلب های بعدی در مطلبی مجزا در مورد تابع فعال سازی و استفاده از برخی توابع غیر خطی ریاضی مانند تابع سیگموئید (Sigmoid Function) صحبت شده است.