شبکه عصبی چیست؟

شبکه عصبی مجموعه‌ای از الگوریتم‌ها است که تلاش می‌کند روابط زیربنایی در مجموعه‌ای از داده‌ها را از طریق فرآیندی که عملکرد مغز انسان را تقلید می‌کند، شناسایی کند. در این معنا، شبکه‌های عصبی به سیستم‌هایی از نورون‌ها اشاره دارند، چه به‌صورت ارگانیک و چه مصنوعی.

شبکه‌های عصبی می‌توانند با ورودی‌های متغیر سازگار شوند، بنابراین شبکه بهترین نتیجه ممکن را بدون نیاز به بازطراحی معیارهای خروجی تولید می‌کند. مفهوم شبکه‌های عصبی، که ریشه در هوش مصنوعی دارد، به‌سرعت در توسعه سیستم‌های معاملاتی محبوبیت یافته است.

نکات کلیدی

• شبکه‌های عصبی مجموعه‌ای از الگوریتم‌ها هستند که عملکرد مغز حیوان را تقلید می‌کنند تا روابط بین حجم عظیمی از داده‌ها را شناسایی کنند.
• به همین دلیل، آن‌ها شبیه اتصالات نورون‌ها و سیناپس‌های موجود در مغز هستند.
• در خدمات مالی، از پیش‌بینی و تحقیقات بازاریابی گرفته تا تشخیص تقلب و ارزیابی ریسک، کاربردهای متنوعی دارند.
• شبکه‌های عصبی با چندین لایه پردازش به‌عنوان شبکه‌های "عمیق" شناخته می‌شوند و برای الگوریتم‌های یادگیری عمیق استفاده می‌شوند.
• موفقیت شبکه‌های عصبی در پیش‌بینی قیمت بازار سهام متفاوت است.

شناخت شبکه‌های عصبی

شبکه‌های عصبی در دنیای مالی به توسعه فرآیندهایی مانند پیش‌بینی سری‌های زمانی، معاملات الگوریتمی، طبقه‌بندی اوراق بهادار، مدل‌سازی ریسک اعتباری، و ساخت شاخص‌های اختصاصی و مشتقات قیمتی کمک می‌کنند.

شبکه عصبی مشابه شبکه عصبی مغز انسان عمل می‌کند. یک "نورون" در شبکه عصبی یک تابع ریاضی است که اطلاعات را بر اساس معماری خاصی جمع‌آوری و طبقه‌بندی می‌کند. این شبکه شباهت زیادی به روش‌های آماری مانند تطبیق منحنی و تحلیل رگرسیون دارد.

شبکه عصبی شامل لایه‌هایی از گره‌های متصل به هم است. هر گره به‌عنوان یک پرسپترون (Perceptron) شناخته می‌شود و شبیه به رگرسیون خطی چندگانه است. پرسپترون سیگنال تولیدشده توسط رگرسیون خطی چندگانه را به یک تابع فعال‌سازی (Activation Function) وارد می‌کند که ممکن است غیرخطی باشد.

تاریخچه شبکه‌های عصبی

اگرچه مفهوم ماشین‌های یکپارچه‌ای که می‌توانند فکر کنند قرن‌ها وجود داشته است، بزرگ‌ترین پیشرفت‌ها در شبکه‌های عصبی در ۱۰۰ سال گذشته رخ داده است. در سال ۱۹۴۳، وارن مک‌کالوک و والتر پیتس از دانشگاه ایلینوی و دانشگاه شیکاگو مقاله‌ای با عنوان "محاسبه منطقی ایده‌های ذاتی در فعالیت عصبی" منتشر کردند. این تحقیق بررسی کرد که چگونه مغز می‌تواند الگوهای پیچیده تولید کند و می‌توان آن را به یک ساختار منطقی باینری با اتصالات صرفاً درست/غلط ساده‌سازی کرد.

فرانک رزنبلات از آزمایشگاه هوانوردی کرنل در سال ۱۹۵۸ با توسعه پرسپترون اعتباری کسب کرد. تحقیقات او وزن‌هایی را به کارهای مک‌کالوک و پیتس اضافه کرد و رزنبلات نشان داد که چگونه یک کامپیوتر می‌تواند از شبکه‌های عصبی برای تشخیص تصاویر و استنتاج استفاده کند.

اگرچه در دهه ۱۹۷۰ به دلیل کمبود بودجه تحقیقاتی، دوره‌ای کم‌فعال بود، پل وربوس اغلب به دلیل رساله دکتری خود در این دوره به‌عنوان مشارکت‌کننده اصلی شناخته می‌شود. سپس، جان هاپفیلد در سال ۱۹۸۲ شبکه هاپفیلد (Hopfield Net) را ارائه کرد، مقاله‌ای در مورد شبکه‌های عصبی بازگشتی. علاوه بر این، مفهوم پس‌انتشار (Backpropagation) دوباره مطرح شد و بسیاری از محققان پتانسیل آن را برای شبکه‌های عصبی درک کردند.

اخیراً، پروژه‌های شبکه عصبی خاص‌تری برای اهداف مستقیم تولید شده‌اند. برای مثال، دیپ بلو (Deep Blue) که توسط IBM توسعه یافت، با پیشبرد توانایی کامپیوترها برای انجام محاسبات پیچیده، دنیای شطرنج را فتح کرد. اگرچه این ماشین‌ها به‌طور عمومی برای شکست دادن قهرمان شطرنج جهان شناخته شده‌اند، اما همچنین برای کشف داروهای جدید، تحلیل روند بازار مالی و انجام محاسبات علمی عظیم استفاده می‌شوند.

نکته مهم:
تحلیل اخیر از کتابخانه ملی لوس آلاموس به تحلیلگران اجازه می‌دهد شبکه‌های عصبی مختلف را مقایسه کنند. این مقاله به‌عنوان بخش مهمی در حرکت به سمت توصیف رفتار شبکه‌های عصبی قوی در نظر گرفته می‌شود.

پرسپترون چندلایه

در یک پرسپترون چندلایه (Multi-Layered Perceptron - MLP)، پرسپترون‌ها در لایه‌های متصل به هم قرار می‌گیرند. لایه ورودی الگوهای ورودی را جمع‌آوری می‌کند. لایه خروجی شامل طبقه‌بندی‌ها یا سیگنال‌های خروجی است که الگوهای ورودی ممکن است به آن‌ها نگاشت شوند. برای مثال، الگوها ممکن است شامل لیستی از مقادیر برای شاخص‌های فنی در مورد یک اوراق بهادار باشد؛ خروجی‌های احتمالی می‌توانند "خرید"، "نگهداری" یا "فروش" باشند.

لایه‌های مخفی وزن‌های ورودی را تنظیم می‌کنند تا حاشیه خطای شبکه عصبی به حداقل برسد. فرض بر این است که لایه‌های مخفی ویژگی‌های برجسته در داده‌های ورودی را که قدرت پیش‌بینی در مورد خروجی‌ها دارند، استخراج می‌کنند. این فرآیند استخراج ویژگی را توصیف می‌کند که کاربردی مشابه تکنیک‌های آماری مانند تحلیل مؤلفه‌های اصلی (Principal Component Analysis) دارد.

انواع شبکه‌های عصبی

شبکه‌های عصبی پیش‌خور (Feed-Forward Neural Networks)

شبکه‌های عصبی پیش‌خور یکی از ساده‌ترین انواع شبکه‌های عصبی هستند. اطلاعات را در یک جهت از طریق گره‌های ورودی منتقل می‌کنند؛ این اطلاعات به‌صورت تک‌جهت پردازش می‌شوند تا به حالت خروجی برسند. این شبکه‌ها ممکن است لایه‌های مخفی برای عملکرد داشته باشند و اغلب برای فناوری‌های تشخیص چهره استفاده می‌شوند.

شبکه‌های عصبی بازگشتی (Recurrent Neural Networks)

نوع پیچیده‌تری از شبکه عصبی، شبکه‌های عصبی بازگشتی خروجی یک گره پردازش را می‌گیرند و اطلاعات را به شبکه بازمی‌گردانند. این منجر به "یادگیری" نظری و بهبود شبکه می‌شود. هر گره فرآیندهای تاریخی را ذخیره می‌کند و این فرآیندهای تاریخی در آینده در طول پردازش دوباره استفاده می‌شوند.

این امر به‌ویژه برای شبکه‌هایی که پیش‌بینی نادرست دارند حیاتی است؛ سیستم تلاش می‌کند تا دلیل وقوع نتیجه درست را بیاموزد و بر این اساس تنظیم کند. این نوع شبکه عصبی اغلب در برنامه‌های تبدیل متن به گفتار استفاده می‌شود.

شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks)

شبکه‌های عصبی کانولوشنی، که به ConvNets یا CNNs نیز معروف هستند، دارای چندین لایه هستند که داده‌ها را به دسته‌ها مرتب می‌کنند. این شبکه‌ها دارای یک لایه ورودی، یک لایه خروجی و چندین لایه کانولوشنی مخفی در بین آن‌ها هستند. لایه‌ها نقشه‌های ویژگی (Feature Maps) ایجاد می‌کنند که نواحی یک تصویر را ثبت می‌کنند و تا زمانی که خروجی‌های ارزشمندی تولید کنند، تجزیه می‌شوند. این لایه‌ها می‌توانند تجمیع‌شده (Pooled) یا کاملاً متصل (Fully Connected) باشند و این شبکه‌ها به‌ویژه برای برنامه‌های تشخیص تصویر مفید هستند.

شبکه‌های عصبی ناکانولوشنی (Deconvolutional Neural Networks)

شبکه‌های عصبی ناکانولوشنی به‌سادگی برعکس شبکه‌های عصبی کانولوشنی عمل می‌کنند. کاربرد این شبکه شناسایی اقلامی است که ممکن است تحت یک شبکه عصبی کانولوشنی به‌عنوان مهم شناخته شده باشند. این اقلام احتمالاً در فرآیند اجرای شبکه عصبی کانولوشنی کنار گذاشته شده‌اند. این نوع شبکه عصبی نیز به‌طور گسترده برای تحلیل یا پردازش تصویر استفاده می‌شود.

شبکه‌های عصبی مدولار (Modular Neural Networks)

شبکه‌های عصبی مدولار شامل چندین شبکه هستند که به‌صورت مستقل از یکدیگر کار می‌کنند. این شبکه‌ها در طول فرآیند تحلیل با یکدیگر تعامل ندارند. در عوض، این فرآیندها برای انجام فرآیندهای محاسباتی پیچیده و دقیق به‌طور مؤثرتری انجام می‌شوند. مشابه سایر صنایع مدولار مانند املاک مدولار، هدف استقلال شبکه این است که هر ماژول مسئول بخش خاصی از تصویر بزرگ‌تر باشد.

کاربرد شبکه‌های عصبی

شبکه‌های عصبی به‌طور گسترده‌ای استفاده می‌شوند، با کاربردهایی در عملیات مالی، برنامه‌ریزی سازمانی، معاملات، تحلیل‌های تجاری و نگهداری محصول. شبکه‌های عصبی همچنین در برنامه‌های تجاری مانند راه‌حل‌های پیش‌بینی و تحقیقات بازاریابی، تشخیص تقلب و ارزیابی ریسک به‌طور گسترده‌ای پذیرفته شده‌اند.

یک شبکه عصبی داده‌های قیمتی را ارزیابی می‌کند و فرصت‌هایی برای تصمیم‌گیری‌های تجاری بر اساس تحلیل داده‌ها کشف می‌کند. این شبکه‌ها می‌توانند وابستگی‌ها و الگوهای غیرخطی ظریفی را که سایر روش‌های تحلیل فنی نمی‌توانند تشخیص دهند، شناسایی کنند. طبق تحقیقات، دقت شبکه‌های عصبی در پیش‌بینی قیمت سهام متفاوت است. برخی مدل‌ها قیمت‌های صحیح سهام را بین ۵۰ تا ۶۰ درصد مواقع پیش‌بینی می‌کنند. با این حال، برخی دیگر معتقدند که بهبود ۱۰ درصدی در کارایی تمام چیزی است که یک سرمایه‌گذار می‌تواند از یک شبکه عصبی انتظار داشته باشد.

در زمینه مالی، شبکه‌های عصبی می‌توانند صدها هزار بیت داده تراکنش را پردازش کنند. این می‌تواند به درک بهتری از حجم معاملات، دامنه معاملات، همبستگی بین دارایی‌ها یا تنظیم انتظارات نوسان برای سرمایه‌گذاری‌های خاص منجر شود. از آنجا که یک انسان ممکن است نتواند به‌طور مؤثر سال‌ها داده (که گاهی تا فواصل ثانیه‌ای جمع‌آوری شده‌اند) را بررسی کند، شبکه‌های عصبی می‌توانند برای شناسایی روندها، تحلیل نتایج و پیش‌بینی حرکات ارزش کلاس دارایی در آینده طراحی شوند.

واقعیت سریع:
همیشه مجموعه‌های داده و کلاس‌های وظیفه‌ای وجود دارند که با استفاده از الگوریتم‌های توسعه‌یافته قبلی بهتر تحلیل می‌شوند. این الگوریتم نیست که اهمیت دارد؛ داده‌های ورودی آماده‌شده با دقت برای شاخص هدفمند است که در نهایت سطح موفقیت یک شبکه عصبی را تعیین می‌کند.

مزایا و معایب شبکه‌های عصبی

مزایا

• شبکه‌های عصبی می‌توانند به‌طور مداوم کار کنند و کارآمدتر از انسان‌ها یا مدل‌های تحلیلی ساده‌تر هستند.
• شبکه‌های عصبی می‌توانند برای یادگیری از خروجی‌های قبلی برنامه‌ریزی شوند تا نتایج آینده را بر اساس شباهت به ورودی‌های قبلی تعیین کنند.
• شبکه‌های عصبی که از خدمات ابری آنلاین استفاده می‌کنند، از کاهش ریسک سیستماتیک در مقایسه با سیستم‌هایی که به سخت‌افزار محلی وابسته هستند، بهره‌مند می‌شوند.
• شبکه‌های عصبی می‌توانند چندین وظیفه را به‌طور همزمان انجام دهند (یا حداقل وظایف را برای انجام توسط شبکه‌های مدولار توزیع کنند).
• شبکه‌های عصبی به‌طور مداوم در حال گسترش به برنامه‌های جدید هستند. در حالی که شبکه‌های عصبی نظری اولیه بسیار محدود به کاربرد در زمینه‌های مختلف بودند، شبکه‌های عصبی امروزی در پزشکی، علم، مالی، کشاورزی یا امنیت استفاده می‌شوند.

معایب

• اگرچه شبکه‌های عصبی ممکن است به پلتفرم‌های آنلاین وابسته باشند، همچنان یک جزء سخت‌افزاری مورد نیاز است که شبکه عصبی را ایجاد می‌کند. این امر ریسک فیزیکی شبکه را که به سیستم‌های پیچیده، نیازهای راه‌اندازی و نگهداری فیزیکی بالقوه وابسته است، ایجاد می‌کند.
• پیچیدگی شبکه‌های عصبی یک نقطه قوت است، اما ممکن است به این معنا باشد که توسعه الگوریتم خاصی برای یک وظیفه خاص ماه‌ها (اگر نگوییم بیشتر) طول بکشد.
• ممکن است تشخیص خطاها یا کمبودها در فرآیند دشوار باشد، به‌ویژه اگر نتایج تخمینی یا دامنه‌های نظری باشند.
• شبکه‌های عصبی ممکن است برای حسابرسی دشوار باشند. برخی فرآیندهای شبکه عصبی ممکن است مانند یک "جعبه سیاه" به نظر برسند که ورودی وارد می‌شود، شبکه‌ها فرآیندهای پیچیده‌ای انجام می‌دهند و خروجی گزارش می‌شود. همچنین ممکن است برای افراد دشوار باشد که ضعف‌های محاسبات یا فرآیند یادگیری شبکه را اگر شبکه فاقد شفافیت کلی در مورد نحوه یادگیری یک مدل بر اساس فعالیت‌های قبلی باشد، تحلیل کنند.

اجزای یک شبکه عصبی چیست؟

سه جزء اصلی وجود دارد: لایه ورودی، لایه پردازش و لایه خروجی. ورودی‌ها ممکن است بر اساس معیارهای مختلف وزن‌دهی شوند. در لایه پردازش، که از دید مخفی است، گره‌ها و اتصالات بین این گره‌ها وجود دارند که قرار است مشابه نورون‌ها و سیناپس‌های مغز حیوان باشند.

شبکه عصبی عمیق چیست؟

شبکه عصبی عمیق، که به‌عنوان شبکه یادگیری عمیق نیز شناخته می‌شود، در ساده‌ترین حالت شبکه‌ای است که شامل دو یا چند لایه پردازش است. شبکه‌های عصبی عمیق به شبکه‌های یادگیری ماشینی وابسته هستند که با مقایسه نتایج تخمینی با نتایج واقعی به‌طور مداوم تکامل می‌یابند و سپس پیش‌بینی‌های آینده را اصلاح می‌کنند.

سه جزء یک شبکه عصبی چیست؟

همه شبکه‌های عصبی سه جزء اصلی دارند. اول، ورودی داده‌ای است که برای تحلیل به شبکه وارد می‌شود. دوم، لایه پردازش از داده‌ها (و دانش قبلی از مجموعه‌های داده مشابه) برای فرموله کردن یک نتیجه مورد انتظار استفاده می‌کند. این نتیجه جزء سوم است و محصول نهایی مورد نظر از تحلیل است.

نتیجه‌گیری

شبکه‌های عصبی سیستم‌های پیچیده و یکپارچه‌ای هستند که می‌توانند تحلیل‌هایی عمیق‌تر و سریع‌تر از توانایی‌های انسانی انجام دهند. انواع مختلفی از شبکه‌های عصبی وجود دارند که اغلب برای اهداف و خروجی‌های هدفمند مختلف مناسب هستند. در مالی، شبکه‌های عصبی برای تحلیل تاریخچه تراکنش‌ها، درک حرکت دارایی‌ها و پیش‌بینی نتایج بازار مالی استفاده می‌شوند.