مغزِ انسان در خود تعداد بسیار زیادی از نورون‌ها را جای داده است تا اطلاعاتِ مختلف را پردازش کرده و جهانِ اطراف را بشناسد. به صورت ساده، نورون‌ها در مغزِ انسان اطلاعات را از نورون‌های دیگر به وسیله‌ی دندروید‌ها می‌گیرند. این نورون‌ها اطلاعاتِ ورودی را با هم جمع کرده و اگر از یک حدِ آستانه‌ای فراتر رود به اصلاح فعال (Fire) می‌شود و این سیگنالِ فعالْ شده از طریق آکسون‌ها به نرون‌های دیگر متصل می‌شود.

البته که این توضیح در علم پزشکی مفید است ولی در علومِ کامپیوتر و هوش‌مصنوعی ما فقط از نورون‌های مغز برای ساخت الگوریتمی به نام شبکه‌ی‌عصبیِ مصنوعی (Artificial Neural Network) بهره می‌گیریم.

توسط الگوریتمِ شبکه‌های عصبی، می‌توان مدل‌های مختلف و پیچیده‌ای را شناخت. برای مثالِ می‌توان طبقه‌بندی‌هایی با دقتِ خوب انجام داده یا خوشه‌بندی‌هایی بر روی داده‌های بزرگ انجام دهیم.

اجازه بدهید در این درس به سراغ مدل کلی شبکه‌ی عصبی برویم. به تصویر زیر نگاهی بیندازید:

در تصویر بالا پنج عنصر وجود دارد:

اول Xها هستند. اینها همان ورودی‌های ما (نرون های ورودی) هستند که از مجموعه‌ی داده‌ها استفاده می‌کنند. در واقع ورودیِ الگوریتم همین‌ها Xها هستند که در این تصویر از X1  تا Xn وجود دارند.

عناصرِ دومْ وزن‌ها هستند. در شبکه‌های عصبی هر کدام از Xها یک وزن دارد که با W نمایش می‌دهیم. همان‌طور که مشاهده می‌کنید هر کدام از ورودی‌های ما به یک وزن متصل شده است. در واقع هر ورودی بایستی در وزنِ خود ضرب شود. (مثل X1 که یک وزن به اسم W1 دارد)

عنصرِ سوم در شبکه‌ی عصبی تابع جمع (سیگما) است. که حاصلِ ضربِ Xها در Wها را با هم جمع می‌کند.

عنصر چهارم یک تابع فعال‌سازی است که فعلاً در این درس به دلیل ساده‌سازیِ مطلب به آن نمی‌پردازیم (در درس‌های آینده حتماً به تابعِ فعال‌سازی خواهیم پرداخت)

عنصرِ پنجم و آخر نیز خروجیِ شبکه‌ی عصبی است که در واقع نتیجه‌ی این شبکه را مشخص می‌کند.

اجازه بدهید شکلِ بالا را با کمک اعداد توضیح دهیم. فرض کنید که Xهای شما در یک بردار به صورت زیر موجود هستند:

[۸, ۶, ۲, ۱]

یعنی X1 برابر ۸، X2 برابر ۶، X3 برابر ۲ و بلاخره X4 برابر ۱ است. این‌ها می‌توانند برای مثال نمراتِ درس آزمایشگاه برای چهار دانشجو در بازه‌ی صفر تا ده باشند. مثلاً X1 دانشجوی شماره‌ی ۱ است، X2 دانشجوی شماره‌ی ۲ و همین‌طور تا آخر. هر دانشجو یک سری ویژگی دارد، مثلاً نمره‌ی آزمایشگاه، سن مشخص، درآمد مشخص، سال ورود مشخص و از این دست ویژگی‌ها. ولی ما فعلاً فقط با نمره‌ی این دانشجوها کار داریم. پس این‌جا ما چهار ورودی داریم که مجموعه‌ی Xهای ما را می‌سازند.

فرض کنید وزن ها هم به این صورت تعریف شده‌اند:

[۱, ۴, ۳, ۴]

یعنی W1 برابر ۱، W2 برابر ۴، W3 برابر ۳ و بلاخره W4 برابر ۴ است. همان طور که گفتیم اعدادِ موجود در مجموعه‌ی Xها به صورتِ نظیر به نظیر با Wها با هم ضرب می‌شوند و سپس حاصلِ جمع آن‌ها محاسبه می‌شود. یعنی حاصلِ جمعِ ضرب‌ها. که به راحتی به صورت زیر محاسبه می‌شود:

 ۸*۱ + ۶*۴ + ۲*۳ + ۱*۴ = ۴۲

تصویر زیر نیز گویای همین ماجراست:

همان‌طور که می‌بینید، این تصویر مثالی از شکل کلیِ تصویرِ اول بود. ورودی‌ها که همان Xها هستند در وزن‌ها (W) ضرب شده و نتیجه‌ی آن‌ها با یکدیگر جمع می‌شود. در اینجا فرض می‌کنیم که تابعِ فعال‌سازی همان عددِ مجموع را بدون تغییر به ما برمی‌گرداند. پس در واقع در مثالِ تصویر بالا، خروجیِ شبکه‌ی عصبی برابر ۴۲ است. در دروس آینده خواهیم دید که تابعِ فعال‌سازی، معمولاً نتیجه‌ی خروجی را تغییر می‌دهد.

تا اینجای کار با شِمایِ کلیِ شبکه‌های عصبی آشنا شدید. اجازه بدهید در دروس بعدی کمی عمیق‌تر به این شبکه‌ها نگاهی بیندازیم.