‫دانشگاه خراسان‬

‫هوش محاسباتی با پایتون‬

‫تهیه و تنظیم‪:‬‬

‫علی خرمی‬

‫زمستان ‪1398‬‬

‫‪1‬‬
2
 ‫فهرست مطالب‬

‫فصل اول‪ :‬آَشنایی با زبان برنامه نویسی پایتون‪5 .................................‬‬ ‫‪.1‬‬

‫پایتون چیست؟ ‪5 ................................................................................................................................‬‬

‫دانلود و نصب ‪5 ...................................................................................................................................‬‬

‫ساخت یک برنامه ساده ‪9 ......................................................................................................................‬‬

‫نکاتی در مورد کدنویسی در پایتون ‪19 .....................................................................................................‬‬

‫توضیحات ‪20 ...................................................................................................................................‬‬

‫کاراکترهای کنترلی ‪21 ......................................................................................................................‬‬

‫متغیر ‪23 ........................................................................................................................................‬‬

‫انواع داده ‪24 ..................................................................................................................................‬‬

‫استفاده از متغیرها ‪25 ......................................................................................................................‬‬

‫(‪)Placeholders‬جانگهدار ‪28 .............................................................................................................‬‬

‫عبارات و عملگرها ‪29 .......................................................................................................................‬‬

‫عملگرهای ریاضی ‪30 ........................................................................................................................‬‬

‫عملگرهای تخصیصی (جایگزینی) ‪31 ...................................................................................................‬‬

‫عملگرهای مقایسه ای ‪33 ..................................................................................................................‬‬

‫عملگرهای منطقی ‪34 .......................................................................................................................‬‬

‫عملگرهای بیتی ‪35 ..........................................................................................................................‬‬

‫عملگر بیتی تغییر مکان (‪35 ......................................................................................................)shift‬‬

‫عملگرهای خاص ‪35 .........................................................................................................................‬‬

‫گرفتن ورودی از کاربر ‪37 ..................................................................................................................‬‬

‫‪3‬‬
‫ساختارهای تصمیم ‪37 ......................................................................................................................‬‬

‫دستور ‪39 ........................................................................................................................... if…else‬‬

‫تکرار ‪41 .........................................................................................................................................‬‬

‫حلقه ‪42 ................................................................................................................................... for‬‬

‫فصل دوم ‪ :‬آشنایی با شبکه های عصبی ‪45 ................................................‬‬ ‫‪.2‬‬

‫‪4‬‬
 ‫‪ .1‬فصل اول‪ :‬آَشنایی با زبان برنامه نویسی پایتون‬

‫پایتون چیست؟‬

‫در سال ‪ 1991‬در کشور هلند طراحی شد‪ .‬این زبان از زبانهای برنامهنویسی مفسر بوده و به صورت کامل یک زبان‬

‫شیءگرا است که به زبانهای تفسیری ‪ Perl‬و ‪ Ruby‬شباهت دارد و از مدیریت خودکار حافظه استفاده میکند‪.‬‬

‫پایتون‪ ،‬کد باز (‪ )Open Source‬است‪ ،‬زبانی که گوگل و یا یاهو از آن به عنوان یکی از اصلی ترین ابزارهای توسعه‬

‫استفاده می کنند‪ .‬برنامه های پایتون مثل ‪ PHP‬قابل اجرا روی اغلب سیستم عامل هاست‪ .‬پایتون‪ ،‬دستور زبانی شبیه‬

‫گفتار ساده ی انگلیسی دارد و با دارا بودن ‪ 33‬کلمه کلیدی جزء ساده ترین زبان ها است‪.‬‬

‫سادگی و خوانایی از ویژگیهای بارز زبان برنامهنویسی پایتون است‪ ،‬آنچنان ساده که حتی کودکان نیز قادر به آموختن‬

‫آن هستند و قدرت در کنار این سادگی و خوانایی‪ ،‬معجزه پایتون میباشد‪ .‬از نگاه هر برنامهنویسی‪ ،‬برنامههای پایتون‬

‫مجموعهای از کدهای زیبا هستند‪ ،‬بدون هیچ آشفتگی و پیچیدگی‪ .‬جالب است بدانید مایکروسافت نیز این زبان را با‬

‫نام ‪ IronPython‬در تکنولوژی ‪ .Net‬خود گنجانده است‪.‬‬

‫هم اکنون پایتون در شرکت ها و سازمان های بزرگی مثل ناسا و گوگل و یاهو و … به صورت گسترده مورد استفاده قرار‬

‫می گیرد‪.‬‬

‫دانلود و نصب‬

‫برای برنامه نویسی به زبان های مختلف محیط های توسعه ی یکپارچه یا ‪ IDE‬های مختلفی وجود دارند که به برنامه‬

‫نویسان در نوشتن و ویرایش کدها‪ ،‬پیدا کردن خطاها‪ ،‬نمایش خروجی‪ ،‬و برخی موارد دیگر کمک می کنند‪ .‬برای اجرای‬

‫کدهای ‪ Python‬محیط های مختلفی وجود دارد که ساده ترین آنها ‪ IDEL‬می باشد‪ .‬برای دانلود این محیط کدنویسی‪ ،‬بر‬

‫روی لینک زیر کلیک کنید‪:‬‬

‫‪https://www.python.org/downloads‬‬

‫با کلیک بر روی لینک باال‪ ،‬صفحه ای به صورت زیر باز می شود‪ ،‬که در این صفحه همانطور که در شکل زیر مشاهده می‬

‫کنید‪ ،‬بر روی دکمهای که با فلش نشان داده شده کلیک کرده‪ ،‬تا آخرین نسخه ‪ IDEL‬دانلود شود‪:‬‬

‫‪5‬‬
 ‫شکل ‪ .1‬شروع نصب‬

‫بعد از دانلود فایل مورد نظر به محل ذخیره آن رفته و بر روی فایل دو بار کلیک کنید‪ .‬سپس در صفحه ای که به صورت‬

‫زیر نمایش داده میشود‪ ،‬تیک مورد نظر را زده و سپس بر روی گزینه ‪ Customize installation‬کلیک کنید‪:‬‬

‫شکل ‪.2‬‬

‫‪6‬‬
‫بعد از کلیک بر روی گزینه مذکور صفحه ای به صورت زیر نمایش داده می شود‪ .‬در این صفحه بر روی دکمه ‪ Next‬کلیک‬

‫کنید‪:‬‬

‫شکل ‪.3‬‬

‫در صفحه بعد بر روی دکمه ‪ Install‬کلیک کرده و منتظر بمانید تا برنامه نصب شود‪:‬‬

‫‪7‬‬
 ‫شکل ‪.4‬‬

‫در آخر و بعد از نصب کامل برنامه پیغامی مبنی بر موفقیت آمیز بودن‪ ،‬نصب برنامه به شما نمایش داده می شود و شما‬

‫می توانید دکمه ‪ Close‬را بزنید‪:‬‬

‫‪8‬‬
 ‫شکل ‪.5‬‬

‫ساخت یک برنامه ساده‬

‫اجازه بدهید یک برنامه بسیار ساده به زبان پایتون بنویسیم ‪.‬این برنامه یک پیغام را نمایش میدهد‪ .‬از منوی ‪ Start‬محیط‬

‫برنامه نویسی ‪ IDEL‬را به صورت زیر اجرا کنید‪:‬‬

‫‪9‬‬
 ‫شکل ‪.6‬‬

‫با کلیک بر روی ‪ IDEL‬صفحه ای به صورت زیر نمایش داده می شود‪:‬‬

‫‪10‬‬
 ‫شکل ‪.7‬‬

‫در صفحه باز شده به صورت زیر بر روی منوی ‪ File‬و سپس گزینه ‪ New File‬کلیک کنید‪:‬‬

‫‪11‬‬
 ‫شکل ‪.8‬‬

‫با کلیک بر روی گزینه ‪ New File‬صفحه ای به صورت زیر نمایش داده می شود که شما می توانید کدهای خود را در‬

‫داخل آن بنویسید‪:‬‬

‫‪12‬‬
‫شکل ‪.9‬‬

‫در پنجره باال کدهای زیر را بنویسید‪:‬‬

‫‪13‬‬
‫شکل ‪.10‬‬

‫مانند شکل زیر از منوی ‪ File‬گزینه ‪ Save‬را بزنید‪:‬‬

‫‪14‬‬
 ‫شکل ‪.11‬‬

‫سپس یک مسیر برای ذخیره فایل انتخاب کنید‪ .‬ما در شکل زیر فایل را در درایو ‪ C‬ذخیره کرده ایم‪:‬‬

‫‪15‬‬
 ‫شکل ‪.12‬‬

‫بعد از ذخیره فایل به محیط کدنویسی بر گشته و از منوی ‪ Run‬گزینه ‪ Run Module‬و یا دکمه ‪ F5‬را بزنید‪:‬‬

‫‪16‬‬
 ‫شکل ‪.13‬‬

‫مشاهده می کنید که برنامه اجرا شده و پیغام ‪ !Welcome to Python tutorials‬چاپ می شود‪:‬‬

‫‪17‬‬
 ‫شکل ‪.14‬‬

‫مثال باال سادهترین برنامه ای است که شما میتوانید در ‪ Python‬بنویسید‪ .‬هدف در مثال باال نمایش یک پیغام در صفحه‬

‫نمایش است‪ .‬هر زبان برنامه نویسی دارای قواعدی برای کدنویسی است‪ .‬پایتون دارای متدهای از پیش تعریف شده ای‬

‫است که هر کدام برای مقاصد خاصی به کار می روند‪ .‬هر چند که در آینده در مورد متدها بیشتر توضیح می دهیم ولی‬

‫در همین حد به توضیح متد بسنده می کنیم که ‪)(print‬متدها مجموعه ای از کدها هستند که دارای یک نام بوده و در‬

‫جلوی نام آنها عالمت () قرار می گیرد‪ .‬یکی از این متدها‪ ،‬متد است‪ .‬از متد ()‪ print‬برای چاپ یک رشته استفاده میشود‪.‬‬

‫یک رشته گروهی از کاراکترها است‪ ،‬که به وسیله دابل کوتیشن )“( محصور شده است‪ .‬مانند ‪Welcome to Python ” :‬‬

‫‪ .“!Tutorials‬یک کاراکتر میتواند یک حرف‪ ،‬عدد‪ ،‬عالمت یا … باشد‪ .‬در کل مثال باال نحوه استفاده از متد ()‪print‬‬

‫است‪ .‬توضیحات بیشتر در درسهای آینده آمده است‪ .‬پایتون فضای خالی باال را نادیده میگیرد و از کد زیر اشکال‬

‫نمیگیرد‪:‬‬

‫‪18‬‬
‫همیشه به یاد داشته باشید که ‪ Python‬به بزرگی و کوچکی حروف حساس است ‪.‬یعنی به طور مثال ‪ MAN‬و ‪ man‬در‬

‫‪ Python‬با هم فرق دارند‪ .‬رشتهها و توضیحات از این قاعده مستثنی هستند که در درسهای آینده توضیح خواهیم داد‪.‬‬

‫مثال کدهای زیر با خطا مواجه میشوند و اجرا نمیشوند‪:‬‬

‫تغییر در بزرگی و کوچکی حروف از اجرای کدها جلوگیری میکند‪ .‬اما کد زیر کامالً بدون خطا است‪:‬‬

‫نکاتی در مورد کدنویسی در پایتون‬

‫در زبان هایی مثل جاوا و سی شارپ‪ ،‬از عالمت آکوالد )}{( برای ایجاد یک بالک کد‬

‫ولی در زبان پایتون از ترکیب عالمت دو نقطه )‪ (:‬و تو رفتگی برای اینکار استفاده می شود‪:‬‬

‫ما با دونقطه به پایتون میگوییم که قصد داریم یک بلوک کد را آغاز کنیم و با تو رفتگی ابتدای خطوط دستورات آن‬

‫بلوک را تعریف میکنیم‪ .‬برای تورفتگی میتوانیم از ‪ 3‬یا ‪ 4‬یا ‪ 11‬فضای خالی استفاده کنیم‪ .‬میزان این فضای خالی تا‬

‫زمانی که در تمام کد رعایت شود‪ ،‬اهمیتی ندارد‪ .‬در کد زیر به اهمیت تو رفتگی ها پی می برید‪:‬‬

‫‪19‬‬
‫در کد باال‪ ،‬بالک اول (‪ )Block1‬از خط ‪ 1‬تا ‪ 3‬را شامل می شود‪ .‬به این نکته توجه کنید که خطوط بعد از عالمت ‪ :‬حتما‬

‫باید دارای تو رفتگی باشند‪ .‬بالک دوم (‪ )Block2‬از خط ‪ 4‬شروع و به خط ‪ 11‬ختم می شود‪ .‬نکته ای که باید در اینجا‬

‫دوباره به آن اشاره کنیم این است که دستور یا بالکهایی که دارای فاصله های برابر از سمت چپ هست جزو یک بالک‬

‫میباشند‪ .‬مثال در کد باال خطوط ‪2‬و ‪ 3‬جز ‪ Block1‬هستند چون تو رفتگی آنها از سمت چپ برابر است و اگر مثال فاصله‬

‫های خط ‪ 3‬از سمت چپ را حذف کنیم دیگر جز بالک ‪ 9،Block4‬و در خط ‪ Block2‬را زیر مجموعه ‪ 6،Block3‬محسوب‬

‫نمیشود‪ .‬یک بالک را می توان زیر مجموعه بالک دیگر کرد‪ .‬مثال در خط را زیر مجموعه ‪ Block3‬کرده ایم‪ .‬در نهایت‬

‫خط ‪ 11‬جز هیچکدام از بالک ها نیست و مستقل اجرا می شود‪ .‬گاهی اوقات و هنگام کدنویسی‪ ،‬الزم است که رشته های‬

‫طوالنی را در چند خط بنویسید‪ .‬برای اینکار در پایتون می توان از عالمت \ به صورت زیر استفاده کنید‪:‬‬

‫توضیحات‬
‫وقتی که کدی تایپ می کنید شاید بخواهید که متنی جهت یادآوری وظیفه آن کد به آن اضافه کنید‪ .‬در ‪) Python‬و‬

‫بیشتر زبانهای برنامه نویسی( می توان این کار را با استفاده از توضیحات انجام داد‪ .‬توضیحات متونی هستند که توسط‬

‫مفسر نادیده گرفته می شوند و به عنوان بخشی از کد محسوب نمی شوند‪.‬‬

‫هدف اصلی از ایجاد توضیحات‪ ،‬باال بردن خوانایی و تشخیص نقش کدهای نوشته شده توسط شما‪ ،‬برای دیگران است‪.‬‬

‫فرض کنید که می خواهید در مورد یک کد خاص‪ ،‬توضیح بدهید‪ ،‬می توانید توضیحات را در باالی کد یا کنار آن‬

‫بنویسید‪ .‬از توضیحات برای مستند سازی برنامه هم استفاده می شود‪ .‬در برنامه زیر نقش توضیحات نشان داده شده‬

‫است‪:‬‬

‫‪20‬‬
‫در کد باال‪ ،‬خط اول کد باال یک توضیح درباره خط دوم است که به کاربر اعالم می کند که وظیفه خط دوم چیست ؟ با‬

‫اجرای کد باال فقط جمله ‪ Hello World‬چاپ شده و خط اول در خروجی نمایش داده نمی شود چون مفسر توضیحات‬

‫را نادیده می گیرد‪ .‬همانطور که مشاهده می کنید برای درج توضیخات در پایتون از عالمت ‪ #‬استفاده می شود‪ .‬برای‬

‫توضیحات طوالنی هم باید در ابتدای هر خط از توضیح این عالمت درج شود‪:‬‬

‫کاراکترهای کنترلی‬
‫کاراکترهای کنترلی‪ ،‬کاراکترهای ترکیبی هستند که با یک بک اسلش (\) شروع میشوند و به دنبال آنها یک حرف یا‬

‫عدد میآید و یک ‪ \n‬رشته را با فرمت خاص نمایش میدهند‪ .‬برای مثال برای ایجاد یک خط جدید و قرار دادن رشته‬

‫در آن میتوان از کاراکتر کنترلی استفاده کرد‪:‬‬

‫مشاهده کردید که مفسر بعد از مواجهه با کاراکتر کنترلی ‪ \n‬نشانگر ماوس را به خط بعد برده و بقیه رشته را در خط‬

‫بعد نمایش میدهد‪ .‬جدول زیر لیست کاراکترهای کنترلی و کارکرد آنها را نشان میدهد‪:‬‬

‫‪21‬‬
 ‫جدول ‪.1‬‬

‫ما برای استفاده از کاراکترهای کنترلی‪ ،‬از بک اسلش (\) استفاده میکنیم‪ .‬از آنجاییکه \ معنای خاصی به رشتهها‬

‫میدهد برای چاپ بک اسلش (\) باید از (\\) استفاده کنیم‪:‬‬

‫یکی از موارد استفاده از \\‪ ،‬نشان دادن مسیر یک فایل در ویندوز است‪:‬‬

‫از آنجاییکه از دابل کوتیشن (“) برای نشان دادن رشتهها استفاده میکنیم برای چاپ آن از ”\ استفاده میکنیم‪:‬‬

‫همچنین برای چاپ کوتیشن (‘) از ’\ استفاده میکنیم‪ .‬برای ایجاد فاصله بین حروف یا کلمات از ‪ \t‬استفاده میشود‪.‬‬

‫‪22‬‬
‫برای چاپ کاراکترهای یونیکد میتوان از ‪ \u‬استفاده کرد‪ .‬برای استفاده از ‪ ،\u‬مقدار در مبنای ‪ 16‬کاراکتر را درست بعد‬

‫از عالمت ‪ \u‬قرار میدهیم‪ .‬برای مثال اگر بخواهیم عالمت کپی رایت (©) را چاپ کنیم‪ ،‬باید بعد از عالمت ‪ \u‬مقدار‬

‫‪ 00A9‬را قرار دهیم مانند‪:‬‬

‫متغیر‬
‫متغیر مکانی از حافظه است که شما میتوانید مقادیری را در آن ذخیره کنید‪ .‬میتوان آن را به عنوان یک ظرف تصور‬

‫کرد که دادههای خود را در آن قرار دادهاید‪ .‬محتویات این ظرف میتواند پاک شود یا تغییر کند‪ .‬هر متغیر دارای یک‬

‫نام نیز هست‪ .‬که از طریق آن میتوان متغیر را از دیگر متغیرها تشخیص داد و به مقدار آن دسترسی پیدا کرد‪ .‬همچنین‬

‫دارای یک مقدار میباشد که میتواند توسط کاربر انتخاب شده باشد یا نتیجه یک محاسبه باشد ‪.‬مقدار متغیر میتواند‬

‫تهی نیز باشد‪ .‬متغیر دارای نوع نیز هست بدین معنی که نوع آن با نوع دادهای که در آن ذخیره میشود یکی است‪.‬‬

‫متغیر دارای عمر نیز هست که از روی آن میتوان تشخیص داد که متغیر باید چقدر در طول برنامه مورد استفاده قرار‬

‫گیرد‪ .‬و در نهایت متغیر دارای محدوده استفاده نیز هست که به شما میگوید که متغیر در چه جای برنامه برای شما قابل‬

‫دسترسی است‪ .‬ما از متغیرها به عنوان یک انبار موقتی برای ذخیره داده استفاده میکنیم‪ .‬هنگامی که یک برنامه ایجاد‬

‫میکنیم احتیاج به یک مکان برای ذخیره داده‪ ،‬مقادیر یا دادههایی که توسط کاربر وارد میشوند‪ ،‬داریم ‪.‬این مکان‪ ،‬همان‬

‫متغیر است ‪ .‬برای این از کلمه متغیر استفاده میشود چون ما میتوانیم بسته به نوع شرایط هر جا که الزم باشد‪ ،‬مقدار‬

‫آن را تغییر دهیم‪ .‬متغیرها موقتی هستند و فقط موقعی مورد استفاده قرار میگیرند که برنامه در حال اجراست و وقتی‬

‫شما برنامه را میبندید محتویات متغیرها نیز پاک میشود‪ .‬قبال ذکر شد که به وسیله نام متغیر میتوان به آن دسترسی‬

‫پیدا کرد‪ .‬برای نامگذاری متغیرها باید قوانین زیر را رعایت کرد‪:‬‬

‫‪23‬‬
‫اسامی متغیرها نسبت به بزرگی و کوچکی حروف حساس هستند‪ .‬در پایتون دو حرف مانند ‪ a‬و ‪ A‬دو کاراکتر مختلف به‬

‫حساب میآیند‪ .‬دو متغیر با نامهای ‪ myNumber‬و ‪ MyNumber‬دو متغیر مختلف محسوب میشوند چون یکی از آنها با‬

‫حرف کوچک ‪ m‬و دیگری با حرف بزرگ ‪ M‬شروع میشود‪ .‬متغیر دارای نوع هست که نوع دادهای را که در خود ذخیره‬

‫میکند را نشان میدهد‪ .‬در درس بعد در مورد انواع داده ها در پایتون توضیح می دهیم‪ .‬لیست کلمات کلیدی پایتون‪،‬‬

‫که نباید از آنها در نامگذاری متغیرها استفاده کرد در زیر آمده است‪:‬‬

‫انواع داده‬
‫انواع داده هایی که در پایتون وجود دارند عبارتند از‪:‬‬

‫‪24‬‬
 ‫در مورد انواع داده های باال و نحوه استفاده از آنها در متغیرها‪ ،‬در درس بعد توضیح می دهیم‪.‬‬

‫استفاده از متغیرها‬
‫بر خالف زبان هایی مثل جاوا و سی شارپ‪ ،‬که هنگام تعریف متغیر باید نوع متغیر را هم مشخص می کردیم‪ ،‬در پایتون‬

‫کافیست که فقط نام متغیر را نوشته و به وسیله عالمت مساوی یک مقدار به آن اختصاص دهیم‪:‬‬

‫;‪variableName = Value‬‬

‫در مثال زیر نحوه تعریف و مقداردهی متغیرها نمایش داده شده است‪:‬‬

‫در خطوط ‪ ،1-7‬متغیر ها تعریف شده اند‪ .‬اما نوع این متغیرها چیست؟ پایتون نوع متغیرها را بسته به مقداری که به‬

‫آنها اختصاص داده می شود در نظر می گیرد‪ .‬مثال نوع متغیر ‪ StringVar‬در خط ‪ 4‬از نوع رشته است‪ ،‬چون یک مقدار‬

‫رشته ای به آن اختصاص داده شده است‪ .‬به خطوط ‪ 6 ،5‬و ‪ 7‬کد باال توجه کنید‪ .‬در خط ‪ 5‬یک متغیر تعریف شده‬

‫است و نوع داده ای که به آن اختصاص داده شده است از نوع ‪ list‬است‪ .‬همانطور که در درس قبل اشاره شد‪ ،‬برای‬

‫تعریف ‪ list‬عالمت ][ به کار می رود و آیتم های داخل آن به وسیله کاما از هم جدا می شوند‪.‬‬

‫‪25‬‬
 ‫در خط ‪ 6‬هم یک متغیر تعریف شده است و یک مقدار از نوع ‪ tuple‬به آن اختصاص داده شده است‪ .‬در تعریف ‪tuple‬‬

‫به جای عالمت ][ از )( استفاده می شود‪ .‬تفاوت بین این دو را در درس های آینده بیشتر توضیح می دهیم‪ .‬و اما در‬

‫خط ‪ 7‬یک نوع دیکشنری تعریف شده است‪ .‬برای تعریف دیکشنری بین کلید و مقدار عالمت ‪ :‬و بین کلید‪/‬مقدارها‬

‫هم عالمت ‪ ,‬قرار می گیرد‪:‬‬

‫;}‪dictionaryVar = {Key1:Value1, Key2:Value2, Key3:Value3‬‬

‫مثال در مثال باال یک دیکشنری تعریف کرده ایم که سه آیتم یا کلید‪/‬مقدار دارد که بین آنها عالمت کاما )‪ (,‬قرار داده‬

‫ایم‪ .‬ولی بین یک کلید و مقدار مربوط به آن عالمت ‪ :‬قرار گرفته است‪ .‬برای اختصاص یک مقدار به چند متغیر میتوان‬

‫به صورت زیر عمل کرد‪:‬‬

‫;‪identifier1 = identifier2 = ... indentifierN = Value‬‬

‫مثال‪:‬‬

‫دقت کنید که برای متغیرهای تعریف شده در حالت باال یک خانه حافظه تخصیص داده می شود‪ ،‬یعنی مقدار ‪ 11‬در‬

‫حافظه ذخیره شده و متغیرهای ‪ num1‬و ‪ num2‬و ‪ num3‬و ‪ num4‬و ‪ num5‬به آن خانه از حافظه اشاره می کنند‪.‬‬

‫همچنین می توان چند متغیر را تعریف کرد و برای هر یک از آن ها مقدار جداگانه ای مشخص نمود ‪:‬‬

‫;‪identifier1, identifier2, ... indentifierN = Value1, Value2, ... ValueN‬‬

‫مثال‪:‬‬

‫‪26‬‬
 ‫برای چاپ یک کاراکتر )مثل ‪ (W‬از این رشته کافیست که به صورت زیر عمل کنیم‪:‬‬

‫مثال‪:‬‬

‫مثال‪:‬‬

‫نکته ای که بهتر است در همینجا به آن اشاره کنیم این است که کلید‪/‬مقدارها در دیکشنری می توانند از هر نوعی‬

‫باشند و شما برای چاپ مقدار مربوط به یک کلید باید نام کلید را دقیق بنویسید‪ .‬به مثال زیر توجه کنید‪:‬‬

‫‪27‬‬
 ‫در مثال باال ما مقدار کلید ‘‪ ’1‬را چاپ کرده ایم‪ .‬حال اگر به جای ‘‪’2‬عدد ‪ 2‬را بنویسیم‪ ،‬یعنی عالمت کوتیشن را‬

‫نگذاریم با خطا مواجه می شویم‪:‬‬

‫(‪)Placeholders‬جانگهدار‬

‫به متد ()‪ print‬در خطوط (‪ )9-15‬توجه کنید‪ .‬این متد به دو قسمت تقسیم شده است‪ .‬قسمت اول یک رشته قالب‬

‫بندی شده است و قسمت دوم هم شامل متدی به نام ()‪ format‬است که دارای مقدار یا مقادیری است که توسط‬

‫رشته قالب بندی شده مورد استفاده قرار میگیرند‪ .‬اگر به دقت نگاه کنید رشته قالب بندی شده دارای عدد صفری‬

‫است که در داخل دو آکوالد محصور شده است‪ .‬البته عدد داخل دو آکوالد میتواند از صفر تا ‪ n‬باشد‪ .‬به این اعداد‬

‫جانگهدار می گویند‪ .‬این اعداد بوسیله مقدار یا مقادیری که در داخل متد ()‪ format‬هستند جایگزین میشوند‪ .‬به‬

‫عنوان مثال جانگهدار {‪ }0‬به این معناست که اولین مقدار داخل متد ()‪ format‬در آن قرار میگیرد‪ .‬برای روشن شدن‬

‫مطلب به شکل زیر توجه کنید‪:‬‬

‫جانگهدارها از صفر شروع میشوند‪ .‬تعداد جانگهدارها باید با تعداد مقادیری که در داخل متد ()‪ format‬آورده شده اند‬

‫برابر باشد‪ .‬برای مثال اگر شما چهار جانگهدار مثل باال داشته باشید باید چهار مقدار هم برای آنها بعد از رشته قالب‬

‫‪28‬‬
‫بندی شده در نظر بگیرید‪ .‬اولین جانگهدار با اولین مقدار و دومین جا نگهدار با دومین مقدار جایگزین میشود‪ .‬در‬

‫ابتدا فهمیدن این مفهوم برای کسانی که تازه برنامه نویسی را شروع کردهاند سخت است اما در درسهای آینده‬

‫مثالهای زیادی در این مورد مشاهده خواهید کرد‪.‬‬

‫عبارات و عملگرها‬
‫ابتدا با دو کلمه آشنا شوید‪:‬‬

‫عملگر‪ :‬نمادهایی هستند که اعمال خاص انجام میدهند‪.‬‬ ‫‪‬‬

‫عملوند‪ :‬مقادیری که عملگرها بر روی آنها عملی انجام میدهند‪.‬‬ ‫‪‬‬

‫مثال ‪ :X+Y‬یک عبارت است که در آن ‪ X‬و ‪ Y‬عملوند و عالمت ‪ +‬عملگر به حساب میآیند‪.‬‬

‫زبانهای برنامه نویسی جدید دارای عملگرهایی هستند که از اجزاء معمول زبان به حساب میآیند‪ .‬پایتون دارای‬

‫عملگرهای مختلفی از جمله عملگرهای ریاضی‪ ،‬تخصیصی‪ ،‬مقایسهای‪ ،‬منطقی و بیتی میباشد‪ .‬از عملگرهای ساده‬

‫ریاضی میتوان به عملگر جمع و تفریق اشاره کرد‪.‬‬

‫سه نوع عملگر در پایتون وجود دارد ‪:‬‬

‫یگانی – (‪ )Unary‬به یک عملوند نیاز دارد‬

‫دودویی – (‪ )Binary‬به دو عملوند نیاز دارد‬

‫سه تایی – (‪ )Ternary‬به سه عملوند نیاز دارد‬

‫انواع مختلف عملگر که در این بخش مورد بحث قرار میگیرند‪ ،‬عبارتند از‪:‬‬

‫عملگرهای ریاضی‬ ‫‪‬‬

‫عملگرهای تخصیصی‬ ‫‪‬‬

‫عملگرهای مقایسهای‬ ‫‪‬‬

‫عملگرهای منطقی‬ ‫‪‬‬

‫عملگرهای بیتی‬ ‫‪‬‬

‫‪29‬‬
 ‫عملگرهای ریاضی‬
‫پایتون از عملگرهای ریاضی برای انجام محاسبات استفاده میکند‪ .‬جدول زیر عملگرهای ریاضی پایتون را نشان می‬

‫دهد‪:‬‬

‫جدول ‪.2‬‬

‫در مثال باال از نوع عددی استفاده شده است‪ .‬اما استفاده از عملگرهای ریاضی برای نوع رشتهای نتیجه متفاوتی دارد‪.‬‬

‫اگر از عملگر ‪ +‬برای رشتهها استفاده کنیم دو رشته را با هم ترکیب کرده و به هم میچسباند‪ .‬حال میتوانیم با ایجاد‬

‫یک برنامه نحوه عملکرد عملگرهای ریاضی در پایتون را یاد بگیریم‪:‬‬

‫‪30‬‬
‫برنامه باال نتیجه هر عبارت را نشان میدهد‪ .‬در این برنامه از متد ()‪ print‬برای نشان دادن نتایج در سطرهای متفاوت‬

‫استفاده شده‬

‫است‪ .‬در خط ‪ 9‬برای اینکه ارقام کسری بعد از عدد حاصل دو رقم باشند از {‪ }f.:22‬استفاده میکنیم‪ }f.:22{ .‬در این‬

‫جا بدین‬

‫معناست که عدد را تا دو رقم اعشار نمایش بده‪ .‬پایتون خط جدید و فاصله و فضای خالی را نادیده میگیرد‪ .‬در خط ‪17‬‬

‫مشاهده میکنید “!‪ ”World‬و “‪ “ Hello‬که دو رشته به وسیله عملگر ‪ +‬به هم متصل شدهاند‪ .‬نتیجه استفاده از عملگر‬

‫‪ +‬برای چسباندن دو کلمه رشته ”‪ “!Hello World‬خواهد بود ‪.‬به فاصلههای خالی بعد از اولین کلمه توجه کنید اگر آنها‬

‫را حذف کنید از خروجی برنامه نیز حذف میشوند‪.‬‬

‫عملگرهای تخصیصی (جایگزینی)‬

‫نوع دیگر از عملگرهای پایتون عملگرهای جایگزینی نام دارند ‪.‬این عملگرها مقدار متغیر سمت راست خود را در‬

‫متغیر سمت چپ قرار میدهند‪ .‬جدول زیر انواع عملگرهای تخصیصی در پایتون را نشان میدهد‬

‫‪31‬‬
 ‫از عملگر =‪ +‬برای اتصال دو رشته نیز میتوان استفاده کرد‪ .‬استفاده از این نوع عملگرها در واقع یک نوع خالصه‬

‫نویسی در کد است‪ .‬مثال شکل اصلی کد ‪var1 += var2‬به صورت ‪ var1 = var1 + var2‬میباشد‪ .‬این حالت کدنویسی‬

‫زمانی کارایی خود را نشان میدهد که نام متغیرها طوالنی باشد‪ .‬برنامه زیر چگونگی استفاده از عملگرهای تخصیصی‬

‫و تأثیر آنها را بر متغیرها نشان میدهد‪:‬‬

‫‪32‬‬
 ‫در برنامه از ‪ 3‬عملگر تخصیصی استفاده شده است‪ .‬ابتدا یک متغیر و مقدار ‪10‬با استفاده از عملگر = به آن اختصاص‬

‫داده شده است‪ .‬سپس به آن با استفاده از عملگر =‪ +‬مقدار ‪ 11‬اضافه شده است‪ .‬و در آخر به وسیله عملگر =‪ -‬عدد ‪11‬‬

‫از آن کم شده است‪.‬‬

‫عملگرهای مقایسه ای‬

‫از عملگرهای مقایسهای برای مقایسه مقادیر استفاده میشود ‪.‬نتیجه این مقادیر یک مقدار بولی (منطقی) است‪ .‬این‬

‫عملگرها اگر نتیجه مقایسه دو مقدار درست باشد مقدار ‪ 1‬و اگر نتیجه مقایسه اشتباه باشد مقدار ‪ 1‬را نشان میدهند‪.‬‬

‫این عملگرها به طور معمول در دستورات شرطی به کار میروند به این ترتیب که باعث ادامه یا توقف دستور شرطی می‬

‫شوند‪ .‬جدول زیر عملگرهای مقایسهای در پایتون را نشان میدهد‪:‬‬

‫مثال‪:‬‬

‫‪33‬‬
 ‫در مثال باال ابتدا دو متغیر را که میخواهیم با هم مقایسه کنیم را ایجاد کرده و به آنها مقادیری اختصاص میدهیم‪.‬‬

‫سپس با استفاده از یک عملگر مقایسهای آنها را با هم مقایسه کرده و نتیجه را چاپ میکنیم‪ .‬به این نکته توجه کنید‬

‫که هنگام مقایسه دو متغیر از عملگر == به جای عملگر = باید استفاده شود‪ .‬عملگر = عملگر تخصیصی است و در‬

‫عبارتی مانند ‪ x = y‬مقدار ‪ y‬را در به ‪ x‬اختصاص میدهد‪.‬‬

‫عملگر == عملگر مقایسهای است که دو مقدار را با هم مقایسه میکند مانند ‪. x==y‬‬

‫عملگرهای منطقی‬
‫عملگرهای منطقی بر روی عبارات منطقی عمل می کنند و نتیجه آنها نیز یک مقدار بولی است‪ .‬از این عملگرها اغلب‬

‫برای شرطهای پیچیده استفاده می شود‪ .‬همانطور که قبال یاد گرفتید مقادیر بولی می توانند ‪ False‬یا ‪ True‬باشند‪.‬‬

‫فرض کنید که ‪ var2‬و ‪ var3‬دو مقدار بولی هستند‪.‬‬

‫‪34‬‬
 ‫عملگرهای بیتی‬
‫عملگرهای بیتی به شما اجازه میدهند که شکل باینری انواع دادهها را دستکاری کنید‪ .‬در سیستم باینری (دودویی)‬

‫که کامپیوتر از آن استفاده میکند وضعیت هر چیز یا خاموش است یا روشن‪ .‬برای نشان دادن حالت روشن از عدد ‪ 1‬و‬

‫برای نشان دادن حالت خاموش از عدد ‪ 1‬استفاده میشود‪ .‬بنابراین اعداد باینری فقط میتوانند صفر یا یک باشند‪ .‬یک‬

‫بیت نشان دهنده یک رقم باینری است و هر بایت نشان دهنده ‪ 8‬بیت است‪ .‬به عنوان مثال برای یک داده از نوع ‪int‬‬

‫به ‪ 32‬بیت یا ‪ 4‬بایت فضا برای ذخیره آن نیاز داریم‪،‬‬

‫برای مثال عدد ‪ 100‬وقتی به عنوان یک متغیر از نوع ‪ int‬ذخیره میشود در کامپیوتر به صورت زیر خوانده میشود‪:‬‬

‫‪000000000000000000000000000001100100‬‬

‫عملگرهای بیتی پایتون در جدول زیر نشان داده شدهاند‪:‬‬

‫عملگر بیتی تغییر مکان (‪)shift‬‬

‫این نوع عملگرها به شما اجازه میدهند که بیتها را به سمت چپ یا راست جا به جا کنید‪ .‬دو نوع عملگر بیتی تغییر‬

‫مکان وجود دارد که هر کدام دو عملوند قبول میکنند‪ .‬عملوند سمت چپ این عملگرها حالت باینری یک مقدار و‬

‫عملوند سمت راست تعداد جابه جایی بیت ها را نشان میدهد‪.‬‬

‫عملگرهای خاص‬
‫عالوه بر عملگرهایی که تا کنون ذکر شد‪ ،‬پایتون دارای عملگرهای خاص زیر نیز میباشد‪:‬‬

‫‪35‬‬
 ‫عملگرهای ‪ membership‬که بررسی میکنند آیا متغیر مورد نظر در یک مجموعه (‪ )sequence‬همچون‬ ‫‪‬‬

‫رشته‪ list ،‬یا ‪ Tuple‬وجود دارد یا خیر‪.‬‬

‫عملگرهای ‪ Identity‬که مکانهای قرار گیری دو شیء را با هم مقایسه میکند (بررسی میکنند آیا دوشی با هم‬ ‫‪‬‬

‫برابر هستند یا خیر)‪.‬‬

‫در جدول زیر انواع عملگرهای ‪ membership‬و ‪ Identity‬ذکر شدهاند‪:‬‬

‫مثال‪:‬‬

‫در خط اول کد باال‪ ،‬چک میشود که آیا عدد ‪ 5‬در مجموعه [‪ ]3, 8, 5, 10‬وجود دارد یا نه؟ و چون وجود دارد مقدار‬

‫‪ True‬بر گردانده میشود‪ .‬در خط دوم هم که کام ً‬

‫ال مشخص است که اگر عدد ‪ 5‬در مجموعه وجود نداشته باشد مقدار‬

‫‪ True‬بر گردانده میشود ولی چون عدد ‪ 5‬وجود دارد مقدار ‪ False‬برگردانده میشود‪.‬‬

‫‪36‬‬
 ‫گرفتن ورودی از کاربر‬
‫پایتون متد ‪ )(input‬را برای گرفتن ورودی از کاربر‪ ،‬در اختیار شما قرار میدهد‪ .‬همانطور که از نام این متد پیداست‪،‬‬

‫تمام کاراکترهایی را که شما در محیط برنامه نویسی تایپ میکنید تا زمانی که دکمه ‪ enter‬را میزنید‪ ،‬میخواند‪ .‬به‬

‫برنامه زیر توجه کنید‪:‬‬

‫برنامه از کاربر میخواهد که نام خود را وارد کند (خط ‪ .)1‬در خط ‪ 1‬شما به عنوان کاربر نام خود را وارد میکنید‪ .‬سپس‬

‫برنامه از ما سن را سؤال میکند (خط ‪ .)2‬در خط ‪ 6‬هم یک خط فاصله به وسیله متد ()‪ print‬ایجاد کرده ایم تا بین‬

‫ورودی های شما و خروجی فاصله ای جهت تفکیک ایجاد شود‪ .‬حال برنامه را اجرا کرده و با وارد کردن مقادیر مورد‬

‫نظر نتیجه را مشاهده کنید‪.‬‬

‫ساختارهای تصمیم‬
‫تقریبا همه زبانهای برنامه نویسی به شما اجازه اجرای کد را در شرایط مطمئن می دهند‪ .‬حال تصور کنید که یک‬

‫برنامه دارای ساختار تصمیم گیری نباشد و همه کدها را اجرا کند‪ .‬این حالت شاید فقط برای چاپ یک پیغام در صفحه‬

‫مناسب باشد ولی فرض کنید که شما بخواهید اگر مقدار یک متغیر با یک عدد برابر باشد سپس یک پیغام چاپ شود‬

‫آن وقت با مشکل مواجه خواهید شد‪ .‬پایتون راه های مختلفی برای رفع این نوع مشکالت ارائه می دهد‪ .‬در این بخش‬

‫با مطالب زیر آشنا خواهید شد‪:‬‬

‫دستور ‪if‬‬ ‫‪‬‬

‫‪37‬‬
 ‫دستور ‪if…else‬‬ ‫‪‬‬

‫عملگر سه تایی‬ ‫‪‬‬

‫دستور ‪ if‬چندگانه‬ ‫‪‬‬

‫دستور ‪ if‬تو در تو‬ ‫‪‬‬

‫عملگرهای منطقی‬ ‫‪‬‬

‫دستور ‪if‬‬

‫میتوان با استفاده از دستور ‪ if‬و یک شرط خاص که باعث ایجاد یک کد میشود یک منطق به برنامه خود اضافه کنید‪.‬‬

‫دستور ‪ if‬سادهترین دستور شرطی است که برنامه میگوید اگر شرطی برقرار است کد معینی را انجام بده‪ .‬ساختار‬

‫دستور ‪ if‬به صورت زیر است‪:‬‬

‫‪if (condition) :‬‬

‫‪code to execute‬‬

‫مثال‪:‬‬

‫‪38‬‬
 ‫دستور ‪if…else‬‬

‫دستور ‪ if‬فقط برای اجرای یک حالت خاص به کار میرود یعنی اگر حالتی برقرار بود کار خاصی انجام شود‪ .‬اما زمانی که‬

‫شما بخواهید ‪ if‬استفاده کنید‪ .‬ساختار دستور ‪ if else‬اگر شرط خاصی برقرار شد یک دستور و اگر برقرار نبود دستور‬

‫دیگر اجرا شود باید از دستور‪ else‬در زیر آمده است‪:‬‬

‫‪if (condition) :‬‬

‫‪code to execute if condition is true‬‬

‫‪else :‬‬

‫;‪code to execute if condition is false‬‬

‫مثال‪:‬‬

‫‪39‬‬
 ‫مثال‪:‬‬

‫‪40‬‬
 ‫عملگر شرطی‬

‫عملگر شرطی در پایتون مانند دستور شرطی ‪ if…else‬عمل میکند‪ .‬در زیر نحوه استفاده از این عملگر آمده است‪:‬‬

‫‪condition_is_true if condition else condition_is_false‬‬

‫عملگر شرطی تنها عملگر سه تایی پایتون است که نیاز به سه عملوند دارد‪ ،‬یک مقدار زمانی که شرط درست باشد‪،‬‬

‫شرط و یک مقدار زمانی که شرط نادرست باشد‪ .‬اجازه بدهید که نحوه استفاده این عملگر را در داخل برنامه مورد‬

‫بررسی قرار دهیم‪:‬‬

‫تکرار‬
‫ساختارهای تکرار به شما اجازه میدهند که یک یا چند دستور کد را تا زمانی که یک شرط برقرار است تکرار کنید‪.‬‬

‫حلقهها در پایتون عبارتند از‪:‬‬

‫‪while‬‬ ‫‪‬‬
‫‪for‬‬ ‫‪‬‬

‫‪41‬‬
 ‫حلقه ‪while‬‬

‫ابتداییترین ساختار تکرار در پایتون حلقه ‪ While‬است‪ .‬ابتدا یک شرط را مورد بررسی قرار میدهد و تا زمانیکه شرط‬

‫برقرار باشد کدهای درون بلوک اجرا میشوند‪ .‬ساختار حلقه ‪ While‬به صورت زیر است‪:‬‬

‫‪while(condition) :‬‬

‫;‪code to loop‬‬

‫مثال‪:‬‬

‫اگر میخواهید یک حلقه بی نهایت ایجاد کنید که هیچگاه متوقف نشود باید یک شرط ایجاد کنید که همواره درست‬

‫(‪ )true‬باشد‪:‬‬

‫‪while(True) :‬‬

‫‪# code to loop‬‬

‫این تکنیک در برخی موارد کارایی دارد و آن زمانی است که شما بخواهید با استفاده از دستورات ‪ break‬و ‪ return‬که‬

‫در آینده توضیح خواهیم داد از حلقه خارج شوید‪.‬‬

‫حلقه ‪for‬‬

‫یکی دیگر از ساختارهای تکرار حلقه ‪ for‬است‪ .‬این حلقه عملی شبیه به حلقه ‪ while‬انجام میدهد‪ .‬ساختار حلقه ‪ for‬به‬

‫صورت زیر است‪:‬‬

‫‪42‬‬
‫‪for iterator_var in sequence :‬‬

‫; ‪code to repeat‬‬

‫‪ iterator_var‬یک متغیر موقتی‪ in ،‬کلمه کلیدی و ‪ sequence‬هم یک سری مانند ‪ tuple،list‬و … می باشد‪ .‬می توان‬

‫حلقه ‪ for‬را اینگونه ترجمه کرد‪ ،‬که به ازای یا به تعداد آیتم های موجود در سری‪ ،‬فالن کارها یا کدها را تکرار کن‪ .‬در‬

‫زیر یک مثال از حلقه ‪ for‬آمده است‪:‬‬

‫پایتون به شما اجازه میدهد که از حلقهها به صورت تو در تو استفاده کنید‪ .‬اگر یک حلقه در داخل حلقه دیگر قرار‬

‫بگیرد‪ ،‬به آن حلقه تو در تو گفته میشود‪ .‬در این نوع حلقهها‪ ،‬به ازای اجرای یک بار حلقه بیرونی‪ ،‬حلقه داخلی به طور‬

‫کامل اجرا میشود‪ .‬در زیر نحوه ایجاد حلقه تو در تو آمده است‪:‬‬

‫خارج شدن از حلقه با استفاده از ‪ pass‬و ‪break،continue‬‬

‫گاهی اوقات با وجود درست بودن شرط میخواهیم حلقه متوقف شود‪ .‬سؤال اینجاست که چطور این کار را انجام دهید؟‬

‫با استفاده از کلمه کلیدی ‪ break‬حلقه را متوقف کرده و با استفاده از کلمه کلیدی ‪ continue‬میتوان بخشی از حلقه را‬

‫رد کرد و به مرحله بعد رفت‪ .‬برنامه زیر نحوه استفاده از ‪continue،break‬و ‪ pass‬را نشان میدهد‪:‬‬

‫‪43‬‬
‫ممکن است این سوال برایتان پیش آمده باشد که کاربرد کلمه ‪ pass‬چیست؟ از این دستور زمانی استفاده می کنیم که‬

‫در شرایطی خاص نیاز به انجام هیچ کاری نباشد! مثال برای تعریف یک تابع خالی تا بعدا کدهای آن نوشته شود‪ .‬یا‬

‫زمانی که بخواهیم همانند مثال باال‪ ،‬کدهای بدنه یک دستور شرطی و یا حلقه را بعدا بنویسیم‪ ،‬به کار می رود‪ .‬حال شما‬

‫برای درک بهتر‪ ،‬کلمه ‪ pass‬را از کد باال حذف کرده و کد را اجرا کنید‪ .‬مشاهده می کنید که به شما پیغام خطا نمایش‬

‫داده می شود و از شما می خواهد که بدنه دستور ‪ if‬و ‪ for‬را مشخص کنید ولی اگر کلمه ‪ pass‬را دوباره بنویسید‪ ،‬این‬

‫خطا نادیده گرفته و کد اجرا می شود‪.‬‬

‫‪44‬‬
 ‫‪ .2‬فصل دوم ‪ :‬مقدمه ای بر هوش مصنوعی‬

‫تاریخچه‬

‫آلن تورینﮓ (‪ )1950‬یکی از بحث برانگیزترین پرسشهای فلسفی تاریﺦ را پرسید‪ :‬آیا ماشین میتواند فکر کند؟‬

‫آیا یک کامپیوتر میتواند بازی تقلید را با موفقیت پشت سر بگذارد؟‬

‫• تست تورینﮓ‬

‫شما در یک سوی دیوار با سوی دیگر دیوار به صورت نوشتاری صحبت میکنید حال آنکه در آنسوی دیوار نه انسانی‬

‫دیگر بلکه یک ماشین قرار گرفته است‪.‬‬

‫شکل ‪ .15‬تست تورینﮓ‬

‫• آیا ماشین م یتواند از انسان چنان تقلید کند که در یک آزمون محاورهای نتوانیم تفاوت انسان و ماشین را تشخیص‬

‫دهیم؟ تورینﮓ نتوانست پاسﺦ قطعی این پرسش ها را پیدا کند‪.‬‬

‫• در سال ‪ 1956‬جان مک کارتی‪ ،‬یکی از نظریه پردازان پیشگام آن زمان‪ ،‬اصطالح هوش مصنوعی را برای اولین بار در‬

‫نخستین کنفرانسی که به این موضوع اختصاص یافته بود‪ ،‬به کار برد‪.‬‬

‫• دانشمندان بعدا این تاریﺦ را به عنوان تاریﺦ تولد علم هوش مصنوعی انتخاب کردند‪.‬‬

‫‪45‬‬
‫• تقریبا در همان زمان جان فون نیومان نظریه بازیها را معرفی کرد‪ .‬این نظریه نقش موثری در پیشبرد جنبههای نظری‬

‫و علمی هوش مصنوعی داشت‪.‬‬

‫• مک کارتی در آن زمان معتقد بود که میتوان کاری کرد که ماشین نیز هوشی همانند هوش انسانی داشته باشد‪.‬‬

‫• در سال ‪ 1968‬آرتور سی کالرک‪ ،‬در رمان معروف خود یعنی اودیسه فضایی ‪ 2001‬اصطالح آزمون تورینﮓ را به جای‬

‫باز ی تقلید سر زبانها انداخت‪.‬‬

‫• همه کسانی که نخستین گا مها را در راه معرفی هوش مصنوعی برداشتند‪ ،‬یک هدف را در سرداشتند و آن رساندن‬

‫سطح هوش ماشینی به سطح هوش انسانی بود‪.‬‬

‫هوش مصنوعی‬

‫هنوز تعریف دقیقی که مورد قبول همه دانشمندان این علم باشد برای هوش مصنوعی ارائه نشدهاست‪ .‬هوش مصنوعی‬

‫عبارت است از مطالعه این که چگونه کامپیوترها را میتوان وادار به کارهایی کرد که در حال حاضر انسا نها آنها را بهتر‬

‫انجام میدهند‪ .‬هوش مصنوعی‪ ،‬شاخهایست از علم کامپیوتر که ملزومات محاسباتی اعمالی همچون ادراک‬

‫(‪ ،)Perception‬استدالل (‪ )reasoning‬و یادگیری (‪ )learning‬را بررسی کرده و سیستمی جهت انجام چنین اعمالی ارائه‬

‫میدهد‪ .‬هوش مصنوعی‪ ،‬مطالعه روش هایی است برای تبدیل کامپیوتر به ماشینی که بتواند اعمال انجام شده توسط‬

‫انسان را انجام دهد‪ .‬هوش مصنوعی علم و مهندسی ایجاد ماشینهایی باهوش با به کارگیری از کامپیوتر و الگوگیری از‬

‫درک هوش انسانی و نهایتا دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی میباشد‪ .‬شیوهها و تکنیکهای‬

‫هوش مصنوعی‪ ،‬برای حل آن دسته از مسائل به وجود آمده اند که به طور سهل و آسان توسط برنامهنویسی تابعی‬

‫(‪ ،)Functional programming‬یا شیو ههای ریاضی قابل حل نبوده اند‪ .‬روشهای هوش مصنوعی به درد حوزههایی‬

‫میخورند که مسائل آنها بهخوبی تعریف نمیشوند‪ .‬هوش مصنوعی که همواره هدف نهایی دانش رایانه بوده است و‬

‫اکنون نیز در خدمت توسعه علوم رایانه است‪.‬‬

‫‪46‬‬
 ‫چاﻟﺸﻬای بنیادیﻦ هوش مصنوعی‬

‫مهمترین مشخصه هوشمندی در آزمون تورینﮓ توانایی پردازش و درک زبان طبیعی است‪ .‬آیا صرف اینکه ماشینی‬

‫بتواند نحوه صحبت کردن انسان را شبیهسازی کند‪ ،‬به معنی آن است که هوشمند است؟ انتقادات دیگری نیز به آزمون‬

‫تورینﮓ وارد میشود‪ .‬ازجمله اینکه ممکن است یک ماشین هوشمند باشد‪ ،‬ولی نتواند همچون انسان ارتباط برقرار‬

‫کند‪ .‬ضمن اینکه دانش پیشزمینه یا آرشیو ذهنی یک موجود هوشمند نقش مؤثری در هوشمندی او بازی میکند‪ .‬یکی‬

‫از مشهورترین انتقادات در این زمینه را فیلسوفی به نام جان سیرل (‪ )John Searle‬مطرح کرده است‪ .‬سیرل ابتدا نقد‬

‫خود درباره هوش ماشینی را در ‪ 1980‬مطرح کرد و سپس آن در مقاله کاملتری که در ‪ 1990‬منتشر کرد‪ ،‬بسط داد‪ .‬او‬

‫معتقد است بحث هوشمندی ماشی نهای غیربیولوژیک اساسًا بیربط است‪.‬‬

‫هوش مﺤاسﺒاتی‬

‫در هوش مصنوعی پیوندگرا‪ ،‬قواعد از ابتدا در اختیار سیستم قرار نمیگیرد‪ ،‬بلکه سیستم از طریق تجربه‪ ،‬خودش قوانین‬

‫را استخراج میکند‪ .‬شبکههای عصبی (‪ )Neural Networks‬و نیز بهکارگیری منطق فازی (‪ )Fuzzy Logic‬و الگوریتم‬

‫ژنیتک (‪ )GA‬که با استفاده از ایده تکامل داروینی و انتخاب طبیعی پیشنهاد شده‪ ،‬در این دسته قرار میگیرند‪.‬‬

‫‪47‬‬
 ‫شکل ‪ .16‬شبکه عصبی مصنوعی‬

‫شبکههای عصبی را می توان با اغماض زیاد‪ ،‬مدلهای الکترونیکی از ساختار عصبی مغز انسان نامید‪ .‬مکانیسم فراگیری‬

‫و آموزش مغز اساسًا بر تجربه استوار است‪.‬‬

‫شبکه های عصبی‪)NN( 1‬‬

‫مدلهای الکترونیکی شبکههای عصبی طبیعی نیز بر اساس همین الگو بنا شده اند و روش برخورد چنین مدلهایی با‬

‫مسائل‪ ،‬با روشهای محاسباتی که بهطور معمول توسط سیستمهای کامپیوتری در پیش گرفته شدهاند‪ ،‬تفاوت دارد‪.‬‬

‫شبکههای عصبی شبیه سازی شده یا کامپیوتری‪ ،‬فقط قادرند تا بخش کوچکی از خصوصیات و ویژگیهای شبکههای‬

‫عصبی بیولوژیک را شبیهسازی کنند‪ .‬در حقیقت‪ ،‬هدف از ایجاد یک شبکه عصبی نرمافزاری‪ ،‬بیش از آنکه شبیه سازی‬

‫‪1‬‬
‫‪Neural Networks‬‬

‫‪48‬‬
‫مغز انسان باشد‪ ،‬ایجاد مکانیسمی برای حل مسائل مهندسی با الهام از الگوی رفتاری شبکههای بیولوژیک است‪.‬در‬

‫شبکههای عصبی بیولوژیک‪ ،‬نرونها در ساختا ری سه بعدی به یکدیگر اتصال یافتهاند‪ .‬اتصاالت بین نرونها در‬

‫شبکههای عصبی بیولوژیک آنقدر زیاد و پیچیده است که به هیچ وجه نمیتوان شبکه مصنوعی مشابهی طراحی کرد‪.‬‬

‫تکنولوژی مدارات مجتمع امروزی به ما امکان میدهد که شبکههای عصبی را در ساختارهای دو بعدی طراحی کنیم‪.‬‬

‫شکل ‪ .17‬مدل سازی ساختار عصبی‬

‫منطق فازی (‪)Fuzzy Logic‬‬

‫تئوری مجموعههای فازی و منطق فازی را اولین بار پرفسور لطفیزاده در سال ‪ 1965‬معرفی نمود‪ .‬منطق فازی به‬

‫سیستمهایی اشاره دارد که به جای مقادیر “درست” و “نادرست” که در محیطهای دیجیتال طبیعیترند‪ ،‬میتوانند با‬

‫سطوح متغیر قطعیت کار کنند‪ .‬تئوری مجموعههای فازی مفهوم عضویت باینری عناصر را بسط میدهد و عضویت‬

‫درجهبندی شده را مطرح میکند‪.‬‬

‫شکل ‪ .18‬منطق فازی – دکتر لطفی زاده‬

‫‪49‬‬
‫جالبترین کاربرد منطق فازی‪ ،‬تفسیری است که این علم از ساختار تصمیم گیریهای موجودات هوشمند‪ ،‬و در راس‬

‫آنها‪ ،‬هوش انسانی به دست میدهد‪ .‬شاید یکی از جالبترین کاربردهای منطق فازی هوش مصنوعی در باز یهای‬

‫رایانهای و جلوههای ویژه سینمایی باشد‪ .‬منطق فازی در هوشمند ساختن روباتهای سختافزاری نیز کاربردهای زیادی‬

‫دارد‪.‬‬

‫الگوریتم ژنتیک‪)GA( 2‬‬

‫الگوریتم های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیشبینی یا تطبیق الگو استفاده‬

‫میکنند‪ .‬در حقیقت بدین روش میتوانیم در فضای حالت مسئله حرکتی سریعتر برای یافتن جوابهای احتمالی داشته‬

‫باشیم؛ یعنی میتوانیم با عدم بسط دادن کلیه حاالت‪ ،‬به جوابهای مورد نظر برسیم‪ .‬الگوریتم های ژنتیک الگوریتمهایی‬

‫هستند که دارای قدرت بسیار زیادی در یافتن جواب مسئله هستند‪ ،‬اما باید توجه داشت که شاید بتوان کاربرد اصلی‬

‫این الگوریتم ها را در مسائلی در نظر گرفت که دارای فضای حالت بسیار بزرگ هستند و عمًال بررسی همه حالتها برای‬

‫انسان در زما نهای نرمال (در حد عمر بشر) ممکن نیست‪ .‬از طرفی باید توجه داشت که حتمًا بین حاالت مختلف مسئله‬

‫باید دارای پیوستگی مناسب و منطقی باشیم‪.‬‬

‫کاربرد مﺤاسﺒات هوشمند در مﻬندسی پزشکی‬

‫محاسات هوشمند برای مشکالت بیو مدیکال برنامههای کاربردی گستردهای در آینده ارائه خواهند کرد و در حال حاضر‬

‫به طور موفقیت آمیز در زمینههای مختلف زیر به کار رفته اند‪.‬‬

‫• سامانههای تشخیص‬

‫• آنالیزهای شیمی‪-‬پزشکی‬

‫• آنالیز تصویر و تشخیص الگو‬

‫• پیشرفتهای دارویی‬

‫• داده کاوی پزشکی‬

‫‪2‬‬
‫‪Genetic Algorithm‬‬

‫‪50‬‬
 ‫سامانههای تشخیص‬

‫به طور عادی برای کشف سرطان و مشکالت قلبی کاربرد دارند‪ .‬مزایای استفاده از ‪ ANN‬ها این است که تحت تاثیر‬

‫عوامل خستگی‪ ،‬شرایط کاری و موقعیتهای عاطفی قرار نمیگیرند‪.‬‬

‫• تشخیص سرطان سینه‬

‫• بررسی سیگنال ‪ EEG‬برای تشخیص مراحل خواب‬

‫• تشخیص بیماری سل‬

‫• تشخیص هوشمند بیماری دیابت‬

‫آنالیزهاي شیمﻲ‪-‬ﭘزشﻜﻲ‬
‫• در پزشکی برای آزمایش خون‪،‬‬

‫• نمونه ادرار ‪،‬‬

‫• سطوح شیارهای گلوکز در دیابتیک ها‪،‬‬

‫• تعیین سطوح در مایعات بدن ‪،‬‬

‫• تعیین شرایط پاتولوژی مثل سل‬

‫آنالیز تصویر و تشخیص الگو‬

‫در آنالیز تصاویر پزشکی با کیفیت های متفاوت و متنوع به کار گرفته میشود‪ .‬برنامههای کاربردی در این زمینه شامل‬

‫• کشف تومور در‪Veltra-Sonogram‬‬

‫• دسته بندی ‪ X-Ray‬های سینه ‪،‬‬

‫• دسته بندی بافت و ماهیچه در ‪MRI‬‬

‫• تعیین شکل استخوان بندی از عکسهای ‪X-Ray‬‬

‫‪51‬‬
 ‫• تعیین بلوغ مغزی‬

‫سایر کاربردها در مهندسی ﭘزشکی‬

‫• توسعه داروها برای درمان سرطان و ایدز‬

‫• پروسه مدل کردن بیومولکول ها‬

‫مدل سازی ساختار بدن‪:‬‬ ‫‪‬‬

‫مدل کردن آزمایشی سیستم قلبی‪-‬عروقی انسان‪ .‬تشخیص میتواند به وسیله ساختن یک مدل از سیستم قلبی‪-‬‬

‫عروقی یک شخص منحصر به فرد و مقایسه آن با داده های پزشکی که از بیمار گرفته شده بدست آید‪ .‬مزایای چنین‬

‫سیستم هایی میتواند چک شدن سریع و بدون درد بیماریهای قلبی باشد‪ .‬بنابراین بیماری در مراحل اولیه تشخیص‬

‫داده میشود‪ .‬البته در این سیستم نیاز به پزشکان رد نمیشود‪ .‬تلفیق سنسورها در این روش ما را قادر میسازد تا روابط‬

‫پیچیده میان مقادیر سنسورهای مجزا یاد گرفته شود (در صورت تحلیل شدن به صورت مجزا از بین خواهند رفت)‬

‫بویایی الکترونیکی‪:‬‬ ‫‪‬‬

‫هوش محاسباتی به طورآزمایشی برای پیاده سازی بویایی الکترونیکی استفاده شدهاند‪ .‬بویایی الکترونیکی ظرفیت‬

‫زیادی برای برنامههای کاربردی در پزشکی از راه دور دارد‪ .‬بویایی الکترونیکی میتواند رایحه را در محیطهای جراحی‬

‫متحرک تشخیص دهد‪ .‬این بوی تشخیص داده شده به صورت الکترونیکی به قسمت دیگر منتقل میشود تا به وسیله‬

‫سیستمهای باز تولید بو بازسازی شود‪ .‬با توجه به این که حس بویایی اهمیت زیادی برای جراحی دارد بویایی از راه دور‬

‫حایز اهمیت است‪.‬‬

‫تشخیص الگو‬ ‫‪‬‬

‫پاتولوژی یک تکنیک تصویرگری است که با طبیعت بیماری ها (تغییرات ساختاری و عملکردی در بافت ها ) در ارتباط‬

‫میباشد‪ .‬احتیاج آن به رنﮓ و کیفیت‪ ،‬استفاده از تکنولوژی عکسهای دیجیتالی را برای اجرا دشوار میسازد‪ .‬شناخت‬

‫الگو یک ایده برای دسته بندی دادهای ورودی به کالس های قابل شناسایی بوسیله خصوصیت مهم داده است‪ .‬که این‬

‫مشخصات این طرح از جزئیات بی ربط گرفته میشود‪ .‬دلیل استفاده از شبکه های عصبی در شناخت الگو به خاطر‬

‫توانایی آنها در یادگیری و ذخیره دانش است‪.‬‬

‫‪52‬‬
 ‫پزشک نمونه (کیوسک سالمت)‬ ‫‪‬‬

‫یک برنامه کاربردی که در اواسط سال ‪ 1980‬تولید شد" یک نمونه پزشک" نامیده شد‪ .‬به عنوان یک کمک اتوماتیک‬

‫برای حافظه از شبکه های عصبی برای ذخیره تعداد زیادی از پروندهای پزشکی ‪،‬که هر کدام از آنها شامل اطالعاتی از‬

‫عالئم ‪،‬تشخیص ها و درمان برای یک مورد بخصوص بود‪ ،‬استفاده شد‪ .‬بعد از آموزش‪ ،‬شبکه میتوانست با یک مجموعه‬

‫از عالئم بهترین تشخیص و درمان را ارائه دهد‪.‬‬

‫کاربرد نظریه فازی در مهندسی ﭘزشکی‬

‫استخراج قوانین فازی از ثبتهای پلتیموگرافی برای طبقه بندی خواب نوزاد‬ ‫‪‬‬

‫ارائه فیلتر جدیدی مبنتی بر کنترل فازی برای بهسازی تصاویر ‪MRI‬‬ ‫‪‬‬

‫تشخیص بافت های سه بعدی غیر عادی در تصاویر پزشکی ( ‪CT Scan‬و ‪ ) MRI‬توسط منطق فازی‬ ‫‪‬‬

‫جداساز میکروکالسیفیکاسیونهای مشکوک در تصاویر دیجیتال ماموگرافی بوسیله کاربرد منطق فازی‬ ‫‪‬‬

‫سیستمهای فازی در بیو انفورماتیک‬ ‫‪‬‬

‫‪ o‬مطالعه تفاوت های بین پلی نوکلئیدها‬

‫‪ o‬آنالیز اطالعات تجربی با استفاده از تئوری انطباقی رزونانس فازی‬

‫‪ o‬تنظیم توالی ها بر پایه الگوریتم برنامه نویسی دینامیک در قالب فازی‬

‫‪ o‬ترتیب گذاری ‪ DNA‬با استفاده از سیستم ژنتیکی فازی‬

‫‪ o‬جمع آوری ژن ها بوسیله اطالعات از ریز آرایه ها‬

‫‪ o‬تخمین محل قرارگیری پروتئین های زیر سلولی از ترکیبات دی پپتیدی با استفاده از الگوریتم فازی‬
‫‪k-nearst neighbors‬‬
‫‪ o‬شبیه سازی ویژگی های پیچیده تحت تاثیر با ژن بوسیله تاثیر فازی در جمعیت‬

‫‪ o‬نسبت دادن مقادیر عضویت گروهی به ژن ها با استفاده از متود ‪ c-mean‬فازی‬

‫فازی ژنتیک‬ ‫‪‬‬

‫‪ o‬در سالهای اخیر‪ ،‬دانشمندان زیادی استفاده از الگوریتمهای ژنتیک را بعنوان وسیله ای برای طراحی‬

‫سیستمهای فازی کشف کردند‪ .‬سیستمهای فازی ژنتیک بر روی محاسبات تکاملی و منطق فازی‬

‫‪53‬‬
‫بحث می کند‪ .‬برای دانشمندان و مهندسان از نظر تحقیق و بررسی بر روی کاربردهای موجود در حوزه‬

‫سیستم فازی و الگوریتم ژنتیک زمینه های گسترده ای موجود است‬

‫‪54‬‬
 ‫‪ .3‬فصل سوم‪ :‬شﺒکه های عصﺒی‬

‫موضوعات این فصل‪:‬‬

‫مقدمه‬ ‫‪‬‬

‫معنای شبکه های عصبی‬ ‫‪‬‬

‫انگیزه های بیولوژیکی‬ ‫‪‬‬

‫تشابهات و انتظارات‬ ‫‪‬‬

‫تاریخچه و کاربرد‬ ‫‪‬‬

‫مدل ریاضی نرون‬ ‫‪‬‬

‫مدل تک ورودی و چند ورودی‬ ‫‪‬‬

‫ساختار شبکه های عصبی‪ :‬شبکه های یک و چند الیه‬ ‫‪‬‬

‫مقدمه‬

‫وجود مسائلی بدون راه حل یا به سختی قابل حل‪ ،‬حرکت از تحقیقات صرفا تئوری به تحقیقات کاربردی‪ ،‬توسعه تئوریک‬

‫سیستمهای دینامیکی هوشمند مدل آزاد مبتنی بر داده های تجربی که شبکه های عصبی جزو آنها هستند و استخراج‬

‫دانش نهفته در داده ها‪ ،‬از جمله عوامل ظهور هوش محاسباتی (محاسبات نرم) بوده است‪.‬‬

‫به شبکه های عصبی مصنوعی (‪ )ANN‬سیستمها هوشمند گویند ‪ ،‬چرا که بر اساس محاسبات روی داده های عددی یا‬

‫مثالها ‪ ،‬قوانین کلی را فرا می گیرند‪ .‬این سیستم ها در مدلسازی ساختار نروسیناپتیکی مغز بشر می کوشند‪ .‬البته‬

‫باید در نظر داشت در حال حاضر عدم کفایت دانش موجود بشر از فیزیولوژی عصبی محرز است‪ .‬به عبارت بهتر در این‬

‫زمان مغز بشر دست نیافتنی مینماید‪ .‬نکته بعدی این است که در هنگام صحبت از شبکههای عصبی مصنوعی تعیین‬

‫حدود انتظارات‪ ،‬امکانات و شباهتها ضروری است‪.‬‬

‫ساختار مغز‬

‫‪55‬‬
‫مغز سیستمی پیچیده دارای پردازش اطالعات با ساختار موازی است و با ‪ 2‬درصد وزن بدن‪ ،‬مصرف بیش از ‪ 20‬درصد‬

‫کل اکسیژن بدن را مصرف میکند‪ .‬مغز انسان با جمع آوری و محاسبه حجم عظیمی از اطالعات و سیگنالها هنگام فهم‬

‫این مطالب سروکار دارد‪ .‬محاسبات مغز در ساختاری کامال مغایر با ساختار کامپیوترهای امروزی هستند‪ .‬مغز اجتماعی‬

‫از نرونها محسوب می شود‪.‬‬

‫هر نرون بیولوژیکی‬ ‫‪‬‬

‫‪ o‬دارای پیچیدگی یک میکروپروسسور‬

‫‪ o‬سرعت محاسباتی به مراتب کمتر از میکروپروسسور است‪.‬‬

‫‪ o‬هر نورون امکان ذخیره اطالعات در خود و ارتباطات میان نرونها را دارد‪.‬‬

‫‪ o‬یادگیری در واقع ایجاد ارتباطات جدید میان نرونها و تنظیم ارتباطات موجود است‪.‬‬

‫در مقابل نرونهای طبیعینرونهای شبکه مصنوعی‬ ‫‪‬‬

‫‪ o‬جزیی از یک برنامه کامپیوتری یا تراشه های نیمه هادی‬

‫‪ o‬سرعتی بسیار باالتر از نرون بیولوژیکی (‪ 1،000،000‬برابر)‬

‫‪ o‬ولی فقط دارای کسری از توانایی باالی نرونهای بیولوژیکی‬

‫در این جزوه با شبکهای کوچک از نرونهای مصنوعی ساده که برای حل مسائل پیچیده آموزش پذیر هستند‪ ،‬آشنا‬

‫میشویم‪ .‬شبکه های عصبی تقریبزنهای عمومی (یونیورسال) توابع هستند‪.‬‬

‫مغز دارای ‪ 1011‬نرون با ‪ 1016‬ارتباط میان آنها‬ ‫‪‬‬

‫نرونهای حسی‪ ،‬محرک و ارتباطی‬ ‫‪‬‬

‫نکات مهم در محاسبات نرونی‪ :‬ترتیب نرونها و شدت سیناپسهای میان نرونها‬ ‫‪‬‬

‫ساختارهای عصبی در خالل یادگیری به وجود آمده و از بین می روند‬ ‫‪‬‬

‫بلوکهای ساختاری در هر دو شبکه مصنوعی و بیولوژیکی دستگاههای محاسباتی خیلی سادهای هستند‪.‬‬ ‫‪‬‬

‫نرونهای مصنوعی از سادگی بیشتری برخوردارند‪.‬‬ ‫‪‬‬

‫ارتباط های بین نورونها عملکرد شبکه را تعیین میکند‪.‬‬ ‫‪‬‬

‫دارای ساختار موازی‬ ‫‪‬‬

‫هدف اصلی این درس تعیین ارتباطهای مناسب جهت حل مسائل مشخص است‪.‬‬

‫‪56‬‬
 ‫انتظارات‬

‫‪ )1‬قابلیت یادگیری‬

‫شبکه عصبی طبیعی‬ ‫‪‬‬

‫‪ o‬شبکه عصبی سیستم کامال پیچیده و غیرخطی‬

‫‪ o‬توزیع خاصیت پردازش غیرخطی در کل شبکه‬

‫‪ o‬شبکه عصبی بدون قابلیت یادگیری با افزوده شدن یک مثال جدید توانایی خود را از دست می دهد‪.‬‬

‫قابلیت یادگیری یعنی توانایی تنظیم پارامترهای شبکه (وزنهای سیناپتیکی) در مسیر زمان که محیط شبکه‬ ‫‪‬‬

‫تغییر میکند و شبکه شرایط جدید را تجربه میکند‪ ،‬با این هدف که شبکه بتواند با آموزش مختصر برای‬

‫شرایط جدید نیز کارآمد باشد‪.‬‬

‫‪ )2‬پراکندگی اطالعات‬

‫پردازش اطالعات به صورت متن‬ ‫‪‬‬

‫هر نرون متاثر از فعالیت سایر نرونها (هر وزن مریوط به همه ورودیها)‬ ‫‪‬‬

‫اگر بخشی از نرونهای شبکه حذف شوند یا عملکرد غلط داشته باشند‪ ,‬باز هم احتمال رسیدن به پاسﺦ صحیح‬ ‫‪‬‬

‫وجود دارد‪.‬‬

‫‪ )3‬قابلیت تعمیم‬

‫آموزش شبکه با مثالهای اولیه‬ ‫‪‬‬

‫ارائه خروجی مناسب در مقابل ورودیهای آموزش داده نشده‬ ‫‪‬‬

‫فرایند درونیابی‬ ‫‪‬‬

‫‪57‬‬
‫شبکه تابع را یاد می گیرد‪ ،‬الگوریتم را می آموزد و یا رابطه تحلیلی مناسبی برای نقاطی در فضا به دست می‬ ‫‪‬‬

‫آورد‪.‬‬

‫‪ )4‬پردازش موازی‬

‫پاسﺦ همزمان سلولهای قرار گرفته در یک تراز به ورودیهای آن تراز‬ ‫‪‬‬

‫افزایش سرعت پردازش‬ ‫‪‬‬

‫توزیع وظیفه پردازش بین پردازنده های کوچکتر مستقل‬ ‫‪‬‬

‫‪ )5‬مقاوم بودن‬

‫رفتار مستقل هر سلول‬ ‫‪‬‬

‫تصحیح خطاهای محلی در یک روند همکاری‬ ‫‪‬‬

‫افزایش قابلیت مقاوم بودن (تحمل پذیری خطا) در سیستم‬ ‫‪‬‬

‫تاریخچه‬
‫دیدگاه جدید شبکه های عصبی در دهه ‪ 40‬با استفاده از یک مدل منطقی توسط مک کلوث و والتر پیتز انجام‬ ‫‪‬‬

‫شد‪.‬‬

‫دونالد هب‪ ،‬ادامه راه پاولف در شرط گذاری کالسیک به عنوان خواص نرونها‬ ‫‪‬‬

‫در ‪ 1958‬شبکه پرسپترون توسط روزنبالت معرفی گردید‪ .‬این شبکه قادر به شناسایی الگوها بود‪.‬‬ ‫‪‬‬

‫در ‪ 1960‬توسط ویدرو ( دانشگاه استنفورد ) شبکه عصبی تطبیقی خطی آداالین با قانون یادگیری جدید بوجود‬ ‫‪‬‬

‫آمد که از لحاظ ساختار شبیه شبکه پرسپترون بود‪.‬‬

‫در ‪ 1969‬مینسکی و پاپرت کتابی نوشتند که محدودیتهای سیستمهای تک الیه و چند الیه پرسپترون را‬ ‫‪‬‬

‫تشریح کردند‬

‫در ‪ ،1972‬تئو کوهونن و جیمز اندرسون به طور مستقل شبکه های عصبی جدیدی با کارکرد عناصر ذخیره ساز‬ ‫‪‬‬

‫مطرح شدند‪.‬‬

‫دهه ‪ 80‬رشد تکنولوژی میکروپروسسورها و روند صعودی تحقیقات روی شبکه عصبی‬ ‫‪‬‬

‫ایده شبکه های بازگشتی با جان هاپفیلد ‪1982‬‬ ‫‪‬‬

‫الگوریتم پس انتشار خطا توسط راملهارت و مکلند ‪1986‬‬ ‫‪‬‬

‫‪58‬‬
 ‫کاربردها‬

‫طبقه بندی‪ ،‬شناسایی و تشخیص الگو‬ ‫‪‬‬

‫پردازش سیگنال‬ ‫‪‬‬

‫پیش بینی سریهای زمانی‬ ‫‪‬‬

‫مدلسازی و کنترل‬ ‫‪‬‬

‫بهینه سازی‬ ‫‪‬‬

‫سیستمهای خبره و فازی‬ ‫‪‬‬

‫مسائل مالی و بیمه‬ ‫‪‬‬

‫ساخت وسایل صنعتی و امور حمل ونقل‬ ‫‪‬‬

‫پزشکی‬ ‫‪‬‬

‫مدل ریاضی شﺒکه عصﺒی‬

‫مدل تک ورودی‬ ‫‪‬‬

‫شکل ‪ .19‬مدل ریاضی نرون‬

‫)𝑏 ‪𝑎 = 𝑓(𝑊𝑝 +‬‬

‫در این رابطه ‪ W‬شدت سیناپس‪ n ،‬ورودی خالص‪ f ،‬تابع تحریک و ‪ a‬سیگنال گذرنده از اکسون است‪.‬‬

‫برخی توابع تحریک مرسوم نرون مصنوعی‬ ‫‪‬‬

‫‪59‬‬
 ‫‪ o‬خطی‬

‫‪ o‬دو مقداره حدی‬

‫‪ o‬زیگموئیدی‬

‫شکل ‪ .20‬مدل ریاضی تابع تحریک‬

‫ساده ترین شبکه عصبی‪ ،‬یک شبکه عصبی پرسپترون تک نرونی است‪.‬‬

‫شکل ‪ .21‬ساختار شبکه عصبی تک نرونی‬

‫ویژگی ها‪:‬‬ ‫‪‬‬

‫نیاز به تعریف ساختار شبکه ندارد‪.‬‬

‫تابع محرک‪ ،‬یک تابع پله ای است‪.‬‬

‫قابلیت تصمیم گیری باینری دارد‪.‬‬

‫قابل استفاده در طبقه بندی بین دو کالس که تفکیک پذیر خطی باشند‪.‬‬

‫‪60‬‬
 ‫امکان آموزش با نظارت شبکه وجود دارد‪.‬‬

‫شکل ‪ .22‬تفکیک خطی باینری‬

‫مدل چند ورودی‬ ‫‪‬‬

‫‪ o‬مدل کردن به فرم ماتریسی‬

‫‪ o‬اندیس اول شماره خود نرون‬

‫‪ o‬اندیس دوم نشان دهنده مبدا سیگنال ورودی نرون‬

‫‪ o‬مثال ‪ W12‬شدت سیناپس دومین عنصر ورودی به نرون اول را نشان میدهد‪.‬‬

‫‪ o‬در حالت کلی‪ ،‬هر سطر ماتریس ‪ W‬متناظر با یک نرون است‪.‬‬

‫شکل ‪ .23‬مدل رساضی چند ورودی‬

‫‪61‬‬
 ‫ساختار شبکه عصبی ﭘرسپترون تک الیه‬
‫در شبکه تک الیه بردار ورودی توسط نرونهای الیه با رابطه (‪ a=f(Wp+b‬به بردار خروجی مرتبط می شوند‪ .‬شکل زیر‬

‫شبکه تک الیه با ‪ S‬نرون و ‪ R‬ورودی را نشان میدهد‪.‬‬

‫شکل ‪ .24‬مدل شبکه عصبی تک الیه‬

‫ماتریس ‪ W‬دارای ‪ S‬سطر و ‪ R‬ستون‬

‫شبکه ﭘرسپترون چند الیه‬

‫‪62‬‬
 ‫شکل ‪ .25‬شبکه پیشخور (‪ )feedforward‬سه الیه‬

‫در شبکه های چند الیه‪ ،‬خروجی هر الیه به عنوان بردار ورودی برای الیه بعدی محسوب می شود‪.‬‬

‫‪ ...، W1،W2‬به ترتیب ماتریس وزن الیه اول‪ ،‬دوم و ‪ ....‬را نشان می دهد‪.‬‬ ‫‪‬‬

‫‪ ...، S1،S2‬به ترتیب تعداد نرونهای الیه اول‪ ،‬دوم و ‪ ....‬را نشان می دهد‪.‬‬ ‫‪‬‬

‫‪ ...، f1،f2‬به ترتیب توابع تحریک الیه اول‪ ،‬دوم و ‪ ....‬را نشان می دهد‪.‬‬ ‫‪‬‬

‫‪ ...، n1،n2‬به ترتیب بردار ورودی خالص الیه اول‪ ،‬دوم و ‪ ....‬را نشان می دهد‪.‬‬ ‫‪‬‬

‫‪ ...، a1،a2‬به ترتیب بردار خروجی الیه اول‪ ،‬دوم و ‪ ....‬را نشان می دهد‪.‬‬ ‫‪‬‬

‫‪ ...، b1،b2‬به ترتیب بردار بایاس الیه اول‪ ،‬دوم و ‪ ....‬را نشان می دهد‪.‬‬ ‫‪‬‬

‫در طبقه بندی بین دو کالس‪ ،‬اگر پاسﺦ نرون صفر باشد بیانگر تعلق نمونه ورودی به کالس اول و پاسﺦ یک نشان دهنده‬

‫تعلق نمونه به کالس دیگر می باشد‪ .‬جهت آموزش شبکه‪ ،‬پس از معرفی یک نمونه آموزشی‪ ،‬پاسﺦ شبکه و پاسﺦ مورد‬

‫انتظار مقایسه شده و بر اساس میزان اختالف این دو پاسﺦ‪ ،‬مقادیر وزن نرون و مقدار بایاس تنظیم میشود‪ .‬پارامترهای‬

‫وزن در واقع مشخص کننده معادله مرز بین دوکالس در فضای بردار ویژگی میباشند‪.‬‬

‫‪63‬‬
 ‫چند سوال‪:‬‬

‫‪ )1‬تعداد عناصر بردار ورودی (‪ )R‬چگونه مشخص می شود؟‬

‫‪ )2‬یک نرون چه نوع تابع ورودی‪-‬خروجی را نمایندگی می کند؟‬

‫‪ )3‬آیا می توان بردار ورودی ‪ P‬را به عنوان یک الیه در نظر گرفت؟‬

‫‪ )4‬آیا تعداد عناصر بردار ورودی ‪ R‬و تعداد نرونهای ‪ S‬می توانند با هم برابر نباشند؟‬

‫‪ )5‬آیا همه نرونهای موجود در یک الیه باید دارای توابع تحریک یکسان باشند؟‬

‫‪ )6‬آیا می توان در الیه های مختلف‪ ،‬توابع تبدیل مختلف داشت؟‬

‫ساختار پسخور (‪ )feedback‬در مقابل پیشخور‬

‫تفاوت اصلی در وجود حداقل یک سیگنال برگشتی از یک نرون به همان نرون یا نرونهای همان الیه و یا الیههای قبل‬

‫است‪ .‬البته استفاده از بلوک تاخیر ‪( D‬در شبکه های گسسته) نیز نشانه پسخور بودن ساختار است‪.‬‬

‫شکل ‪ .26‬بلوک تاخیر‬

‫سوال‪ :‬بلوک متناظر با عنصر تاخیر در شبکه های پیوسته چیست؟‬

‫نکته‪ :‬شبکه های پسخور از توانایی بالقوه بیشتری نسبت به شبکه های پیشخور برخوردارند و بهتر می توانند رفتار‬

‫مربوط به ویژگیهای زمانی سیستمها را نشان دهند‪( .‬چرا؟)‬

‫شناسایی الگو‬
‫شناسایی الگو فاکتور مهم در طراحی سیستمهای اطالعاتی است و موضوع مشترک تحقیقاتی برای اکثر رشته ها از‬

‫زبان شناسی تا رشتههای مهندسی است‪.‬‬

‫ساختار کلی یک فرایند شناسایی الگو و تصمیم گیری‪:‬‬ ‫‪‬‬

‫‪ o‬چیزی یا موضوعی اتفاق افتاده است‬

‫‪64‬‬
 ‫‪ o‬اتفاق‪ ،‬توسط سیگنالی نمایندگی می شود‪.‬‬

‫‪ o‬سیگنال مشاهده شده با سیگنال ارسالی یکسان نیست‪.‬‬

‫‪ o‬اتخاذ تصمیم بر مبنای سیگنال مشاهده شده ( نه ارسالی)‬

‫مثال‪( :‬فرد بیمار)‬

‫‪ o‬اتفاق‪ :‬بیماری‬

‫‪ o‬مشاهده کننده ‪ :‬پزشک‬

‫‪ o‬سیگنالها ‪ :‬تستهای آزمایشگاهی یا عالئم بیماری‬

‫‪ o‬سیگنال آمیخته با نویز‪ :‬اشکاالت آزمایشی (چه در وسایل و چه در بدن فرد بیمار)‬

‫‪ o‬تشخیص بیماری بر مبنای سیگنال آمیخته با نویز‬

‫شناسایی الگو چیزی جز جدا سازی داده ها یا الگو های ورودی بین دستجات مختلف نیست‪ .‬مراحل طراحی یک سیستم‬

‫شناسایی الگو را می توان مراحل زیر دانست‪:‬‬

‫کد گذاری‪ :‬بیان ویژگیهای شی مورد نظر ( که از طریق اندازه گیری به دست میآیند)‪ ،‬توسط بردارهای ورودی‬ ‫‪‬‬

‫بیان هندسی‪ :‬تخصیص یک نقطه در فضای چند بعدی اقلیدسی به هر شی‬ ‫‪‬‬

‫استخراج شاخص‪ :‬استخراج مشخصه های مهم از روی بردار های ورودی و کاهش ابعاد الگوها (عناصری از‬ ‫‪‬‬

‫بردارهای مشخصه که در تمامی طبقات مشترکند‪ ،‬حذف می شوند‪).‬‬

‫طبقه بندی الگوها‪ :‬روندی برای تصمیم گیری بهینه اتوماتیک‬ ‫‪‬‬

‫تخصیص الگوهای ورودی به یکی از طبقاتی که فضای اقلیدسی برای تصمیم گیری به تعداد متناهی از آنها تقسیم شده‬
‫است‪.‬‬

‫شبکههای عصبی مستقیما با دادههای واقعی کار می کنند‪ .‬لذا به طراحیهای مدل آزاد یا تخمین زننده های یونیورسال‬

‫مدل آزاد موسومند‪ .‬شبکه های عصبی در مقابل روشهای کالسیک حل مسائل قرار می گیرند‪ .‬در روشهای کالسیک‬

‫باید تمامی الگوهای یادگیری قبل از حل مسئله طبقه بندی الگو در اختیار باشند‪ .‬یعنی‪ ،‬ابتدا باید یک مدل ریاضی از‬

‫مشاهدات داشت تا پس از ارزیابی مدلها بر اساس دادههای واقعی طراحی انجام شود‪ .‬روشهای کالسیک معموال خاص‬

‫مساله توسعه داده می شوند و معموال به مشتقگیری در آنها نیاز است‪.‬‬

‫سوال‪ :‬اطالعاتی که شبکه های عصبی بر مبنای آن عمل تصمیم گیری را انجام می دهد‪ ،‬چگونه و در کجا ذخیره میگردد؟‬

‫‪65‬‬
 ‫بررسی یک مثال‬
‫هدف‪ :‬جداسازی سه نوع میوه سیب‪ ،‬پرتقال و گالبی در یک انبار به طور خودکار‪.‬‬

‫سنسورهای موجود برای ثبت ویژگی میوهها‬

‫کد گذاری‪ :‬نشان دادن سیب‪ ،‬پرتقال و گالبی به ترتیب با بردارهای ‪ p2 ،p1‬و ‪ p3‬به عنوان بردارهای مرجع (مولفه بردارها‬

‫به ترتیب شکل‪ ،‬زبری و وزن می باشد)‬

‫استخراج شاخص‪ :‬عنصر سوم در همه طبقات مشترک است‪ .‬لذا با حذف این مولفه به بردارهای دو بعدی میرسیم‪.‬‬

‫مساله بیان شده یک مسئله ساده شناسایی الگوی باینری است و با دریافت یک بردار ورودی ‪ 2‬بعدی و تصمیم گیری‬

‫درباره نوع میوه به هدف می رسیم‪.‬‬

‫سیب‬

‫گالبی‬

‫پرتقال‬

‫شکل ‪ .27‬تشخیص وزنها از روی خط جدا کننده سه نوع میوه‬

‫با توجه به شکل باال می توان نتیجه گرفت‬

‫‪66‬‬
 ‫‪1 −1‬‬
‫[=𝑊‬ ‫و اوزان نرونها بدست می آید‪] :‬‬
‫‪1 1‬‬

‫حل مساله با ﭘرسپترون تک الیه‬

‫در اینجا از تابع تحریک آستانهای دو مقداره متقارن استفاده شده است‪ .‬این شبکه توانایی تفکیک الگوهای ورودی را‬

‫که بصورت خطی از هم جدا شدهاند‪ ،‬دارد (جداسازی خطی)‪ .‬مرز جدا ساز نواحی در حالت تک نرونی یک فوق صفحه و‬

‫برای حالت دو بعدی یک خط راست است‪.‬‬

‫در حالت کلی برای هر نقطه دلخواه ‪ q‬روی ناحیه مرزی داریم‪:‬‬

‫< ‪ >a,b‬نماد ضرب داخلی دو بردار بوده و همواره تصویر ‪ b‬روی ‪ a‬مضربی از ضرب داخلی دو بردار است‪.‬‬

‫تذکر ‪ :1‬خط مرزی همواره عمود بر بردار وزن بوده و محل قرار گرفتن مرز توسط بردار بایاس تعیین میشود‪.‬‬

‫تذکر ‪ :2‬تصویر بردار سازنده هر نقطه روی خط مرزی بر بردار وزن‪ ،‬برابر با مضربی از منفی جمله بایاس (‪ )-b‬است‪.‬‬

‫(چرا؟)‬

‫نتیجه‪ :‬برای تمام نقاطی که باالی (با توجه به جهت بردار وزن) خط مرزی قرار دارند‪ ،‬ورودی خالص نرون مثبت است‬

‫و برای تمام نقاط زیر آن منفی می باشد‪.‬‬

‫‪67‬‬
 ‫شکل ‪ .28‬جداسازی خطی در پرسپترون تک الیه‬

‫به منظور دسته بندی نمونه ها در بیش از دو کالس میتوان در شبکه عصبی پرسپترون‪ ،‬یک الیه با بیش از یک نرون‬

‫طراحی نمود‪.‬‬

‫سوال‪ :‬در شکل روبرو ورودی خالص نرون چگونه است؟ آیا پاسﺦ یکتاست؟‬

‫آموزش شﺒکه عصﺒی‬

‫‪ .1‬پارامترهای وزن و بایاس نرون‪ ،‬با مقادیر تصادفی کوچک مقداردهی اولیه می شوند‪.‬‬

‫‪ .2‬یک نمونه آموزشی با بردار ورودی ‪ X‬به شبکه معرفی و ورودی خالص نرون برآورد میشود‪.‬‬

‫‪ .3‬خروجی نرون مطابق با تابع پله ای برآورد می شود‪.‬‬

‫‪ .4‬خطای پاسﺦ دهی شبکه‪ ،‬تعیین می شود‪.‬‬

‫‪ .5‬براساس خطای پاسﺦ دهی‪ ،‬پارامترهای وزن و بایاس شبکه تصحیح میشود‪.‬‬

‫‪68‬‬
‫‪ .6‬مراحل ‪ 2‬تا ‪ 5‬برای کلیه نمونه های آموزشی به انجام میرسد‪ .‬یک بار ”‪ epoch‬معرفی کامل نمونه های آموزشی به‬

‫شبکه را یک “اپک گویند‪.‬‬

‫‪ .7‬آموزش شبکه در چندین اپک به انجام میرسد به نحوی که یکی از شرایط زیر حاصل شود‪:‬‬

‫دیگر تغییر محسوسی در پارامترهای وزن و بایاس نرون ایجاد نشود‪.‬‬ ‫‪‬‬

‫تعداد دفعات تکرار از یک حد مشخص شده فراتر رود‪.‬‬ ‫‪‬‬

‫مثال متلب‬
‫‪ -1‬فرض کنید دو دسته داده ‪ x‬و ‪ y‬بصورت زیر تعریف شوند‪:‬‬

‫‪close all, clear all, clc, format compact‬‬

‫‪%number of samples of each class‬‬

‫;‪N = 20‬‬

‫‪%define inputs and outputs‬‬

‫‪offset = 5; % offset for second class‬‬

‫‪x = [randn(2,N) randn(2,N)+offset]; % inputs‬‬
‫‪y = [zeros(1,N) ones(1,N)]; % outputs‬‬

‫)‪%Plot input samples with PLOTPV (Plot perceptron input/target vectors‬‬

‫)‪Figure(1‬‬

‫;)‪plotpv(x,y‬‬

‫نتیجه رسم دو دسته داده در شکل زیر آورده شده است‪:‬‬

‫‪69‬‬
 ‫شکل ‪ .29‬دو دسته داده بصورت خطی جدایی پذیر‬

‫با کدهای زیر می توان ساختار شبکه عصبی را دید‪:‬‬

‫;‪net = perceptron‬‬
‫;)‪net = train(net,x,y‬‬
‫;)‪view(net‬‬

‫شکل ‪ .30‬ساختار شبکه عصبی مورد استفاده در مثال‬

‫نتیجه وزنهای بدست آمده پس از آموزش شبکه خطی به شکل زیر است‪:‬‬

‫‪70‬‬
 ‫ نمایش خط جداساز با توجه به وزن نرونها‬.31 ‫شکل‬

‫[ را در چه گروهی دستهبندی میکند؟‬5] ‫ داده ورودی با مقدار‬،‫ شبکه عصبی آموزش داده شده‬:‫سوال‬
3

‫مثال تعریف ساختار شبکه عصبی در متلب‬

.‫کد زیر ورودی و خروجی را تعریف می کند‬

close all, clear all, clc, format compact

inputs = [1:6]' % input vector (6-dimensional pattern)

outputs = [1 2]' % corresponding target output vector

% create network

net = network( ...

1, ... % numInputs, number of inputs,

2, ... % numLayers, number of layers

[1; 0], ... % biasConnect, numLayers-by-1 Boolean vector,

[1; 0], ... % inputConnect, numLayers-by-numInputs Boolean matrix,

[0 0; 1 0], ... % layerConnect, numLayers-by-numLayers Boolean matrix

[0 1] ... % outputConnect, 1-by-numLayers Boolean vector

);

% View network structure

71
view(net);

.‫ ساختار شبکه عصبی ایجاد شده‬.32 ‫شکل‬

:‫با دستورات زیر معماری و تابع تحریک تعریف شده است‬

% number of hidden layer neurons

net.layers{1}.size = 5;

% hidden layer transfer function

net.layers{1}.transferFcn = 'logsig';

view(net);

% initial network response without training

initial_output = net(inputs)

% network training

net.trainFcn = 'trainlm';

net.performFcn = 'mse';

net = train(net,inputs,outputs);

72
‫‪% network response after training‬‬

‫)‪final_output = net(inputs‬‬

‫شﺒکه عصﺒی همینگ‬

‫شب که همینﮓ از هر دو ساختار پیشخور وپسخور تشکیل می شود‪.‬هدف اصلی در شبکه همینﮓ این است که تشخیص‬

‫کدام الگوی مرجع بیشترین نزدیکی را به الگوی ورودی دارد و سپس آن را در خروجی شبکه ظاهر میکند ‪.‬‬

‫شکل ‪ .33‬ساختار شبکه همینﮓ‬

‫ویژگیها‬

‫• دارای هر دو ساختار پیشخور و پسخور‬

‫• دارای ‪ 3‬الیه‬

‫• برای شناسایی الگوهای باینری‬

‫• تشخیص اینکه کدام الگوی مرجع بیشترین نزدیکی را به الگوی ورودی دارد‪.‬‬

‫‪73‬‬
‫در مواردی که به شبکه بردار ورودی اختیاری (مثال پرتقال بیضوی) اعمال می شود انتظار بر این است که الگوی مرجعی‬

‫که بیشترین نزدیکی را با ورودی دارد‪ ،‬در خروجی ظاهر شود‪ .‬دو پروسه محاسباتی‪ :‬ذخیره سازی الگوها و بازیابی‬

‫اطالعات در این شبکهها انجام می گیرد‪.‬‬

‫در الیه اول‪:‬‬

‫شبکه پیشخور با تابع تبدیل خطی بکار رفته است‪.‬‬

‫همبستگی یا ضرب داخلی بین بردارهای مرجع با بردار ورودی را محاسبه میکند‪ .‬بردارهای مرجع الگوهایی هستند که‬

‫قصد شناسایی آنها را داریم‪.‬‬

‫ذخیره سازی الگوهای مرجع در الیه اول‬

‫تعداد نورونهای این الیه برابر تعداد الگوها‬

‫‪ R‬تعداد عناصر بردار ورودی‬

‫به نوعی فاصله همینﮓ سنجیده می شود‪.‬‬

‫تمامی عناصر بردار خروجی الیه اول مقادیری بین ‪ 0‬و ‪ 2R‬دارند‪ .‬چرا؟‬

‫نرون با بزرگترین مقدار خروجی متناظر با الگوی مرجعی خواهد بود که بیشترین شباهت (کمترین فاصله همینﮓ) را با‬

‫الگوی ورودی دارد‪ .‬چرا؟‬

‫الیه دوم الیه برگشتی است که الیه رقابتی نیز نامیده می شود‪ .‬در این مرحله خروجی ماکزیمم از بقیه جدا میگردد‪.‬‬

‫وزنهای این الیه ‪ W2‬نامیده می شوند که به الگوریتم های بدست آوردن آنها (آموزش) پرداخته نمی شود‪.‬‬

‫‪74‬‬
‫الیه سوم‪ ،‬شبکه پیشخور با تابع تحریک آستانه متقارن دو مقداره است‪ .‬وزن ها در این الیه از رابطه زیر تعیین می‬

‫شود‪:‬‬

‫که در آن 𝑗𝑖𝑝 عنصر ‪ i‬ام از الگوی مرجع ‪ j‬ام می باشد‪.‬‬

‫شﺒکه هاپﻔیلد‬

‫این شبکه دارای ساختار تک الیه بازگشتی است و در آن عملکرد همه نرونها مشابه یکدیگر است و نرون ورودی یا‬

‫خروجی در آن وجود ندارد‪ .‬مقادیر اولیه نرونها توسط ورودی تعیین میشود و سپس شبکه با تکرار به یکی از الگوهای‬

‫مرجع همگرا می شود‪.‬‬

‫شکل ‪ .34‬ساختار شبکه هاپفیلد‬

‫انتظار داریم که اگر در لحظه ‪ 0‬به شبکه الگوی سیب [‪ ]1;1‬اعمال شود‪ ،‬شبکه به سمت [‪ ]1;1‬همگرا گردد‪.‬‬

‫یک انتخاب خوب برای ‪ W ,b‬عبارتست از‪:‬‬

‫عیب شبکه هاپفیلد ‪ :‬همگرایی به الگویی غیر از الگوهای مرجع است‪.‬‬

‫‪75‬‬
‫شبکه همینﮓ به پاسﺦ مناسب منتهی میشود و همواره به یکی از الگوهای مرجع همگرا میشود‪ ،‬و الگوی دارای‬

‫بیشترین تشابه به ورودی را بر میگزیند‪ ،‬در حالی که شبکه هاپفیلد پاسﺦ را کد میکند‪ .‬پاسﺦ هاپفیلد ممکن است‬

‫جزو الگوهای ذخیره شده نباشد‪.‬‬

‫انواع الگوریتمهای یادگیری برای تنظیم پارامترها از تفاوتهای مهم انواع شبکه ها با یکدیگر است‪.‬‬

‫آموزش و یادگیری‬

‫سیستمهای یادگیر صرفا با مشاهده عملکردشان رفتار خود را جهت رسیدن به هدفی خاص بهبود می بخشند‪ .‬اگر‬

‫مقاصد و اهداف به طور کامل تعریف شده باشد‪ ،‬دیگر احتیاجی به فرایند یادگیری نیست‪ .‬یادگیری به علت عدم قطعیت‬

‫در شرایط محیطی الزم می گردد‪ .‬رفتار سیستمهای یادگیر توسط الگوریتمهای بازگشتی بیان می شود‪ .‬با الگوریتمهای‬

‫آموزش شاخص اجرایی مشخص شده ای بهینه می گردد‪ .‬در حالت کلی دو نوع یادگیری داریم‪ :‬با ناظر ‪ -‬بدون ناظر‪.‬‬

‫یادگیری با ناظر‬

‫در این حالت در هر تکرار الگوریتم یادگیری جواب مطلوب سیستم یادگیرنده از قبل آماده است‪ ،‬به عبارت دیگر‬

‫الگوریتم به جواب مطلوب دسترسی دارد‪ .‬مثال اگر هدف یادگیری تابع ‪ y=x2‬باشد‪ ،‬پاسﺦ مطلوب به ورودی ‪ 0,5‬برابر‬

‫‪ 0,25‬میباشد‪ .‬به طور کل جوابی را که سیستم یادگیر با وضعیت فعلی پارامترهایش می دهد‪ ،‬جواب واقعی در نظر‬

‫میگیریم‪ .‬بنابر این الگوریتم هم به جواب مطلوب و هم به جواب واقعی دسترسی دارد‪ .‬یعنی خطای یادگیری که تفاوت‬

‫این دو مقدار می باشد‪ ،‬در دسترس است‪.‬‬

‫یادگیری بدون ناظر‬

‫در این حالت جواب مطلوب برای سیستم یادگیرنده موجود نیست‪ ،‬یعنی ‪ :‬عدم دسترسی به خطای یادگیری‬

‫سوال‪:‬‬

‫چگونه میتوان یک سیستم یادگیرنده را آموزش داد‪ ،‬اگر ندانیم که این سیستم قرار است چه کاری انجام دهد؟‬

‫بیشتر الگوریتمهای بدون ناظر عمل خوشه بندی را انجام میدهند‪ ،‬یعنی میآموزند که الگوهای ورودی را به تعداد‬

‫متناهی از گروهها تقسیم کنند‪ .‬سیستم یادگیرنده توسط محیط تحریک شود‪ .‬قانون یادگیری با رجوع به نتیجه تحریک‪،‬‬

‫پارامترهای سیستم یادگیری را تغییر دهد‪ .‬سیستم یادگیرنده به خاطر تغییراتی که در ساختار داخلی آن اتفاق افتاده‬

‫است‪ ،‬پاسﺦ مناسبتری به محیط بدهد‪.‬‬

‫‪76‬‬
‫شبکه عصبی توانایی تجربه اندوزی از گذشته و بهبود رفتار خود را داراست‪ .‬بهبود یادگیری در طول زمان باید بر اساس‬

‫معیاری سنجیده شود‪ .‬معیار بهبود‪ ،‬هدف یادگیری را مدل میکند‪ .‬قانون یادگیری‪ ،‬روندی است که در آن ماتریس وزنها‬

‫و بردارهای بایاس شبکه عصبی تنظیم میشوند‪ .‬این قوانین توسط روابط بازگشتی و عموما به صورت معادالت تفاضلی‬

‫بیان میشوند‪ .‬نوع یادگیری در چگونگی این روند دخالت دارد‪.‬‬

‫معادله یادگیری‬
‫یک نرون با یک بردار پارامتر ‪ w‬و بردار ورودی ‪ p‬قابل نمایش است‪.‬‬

‫هر نرون توانایی تنظیم بردار پارامتر خود بر اساس ورودی و یک سیگنال معلم را داراست‬

‫در یادگیری با ناظر‪ :‬سیگنال معلم همان سیگنال خطا است‬ ‫‪‬‬

‫در یادگیری بدون ناظر‪ :‬سیگنال معلم تغییر بردار حالت خود نرون است‬ ‫‪‬‬

‫قانون کلی یادگیری برای یک نرون‬

‫– حالت پیوسته‪:‬‬

‫– حالت گسسته‪:‬‬

‫‪ α‬نشان دهنده تاثیر از گذشته و ‪ η‬نرخ یادگیری میباشد‪ L .‬سیگنال یادگیری بوده و در حالت کلی تابعی از ‪p, w, t‬‬

‫(برای حالت با ناظر) میباشد‪ .‬مثال در قانون یادگیری پرسپترون بوده و سیگنال معلم همان سیگنال خطا و برابر ‪L=t-a‬‬

‫است‪.‬‬

‫• برای هر نرون شبکه عصبی نیز داریم‪:‬‬

‫– حالت پیوسته‪:‬‬

‫– حالت گسسته‪:‬‬

‫)𝑘( 𝑗𝑖𝑤∆ ترم اصالحی میباشد‪.‬‬

‫الگوریتم های ‪ LMS‬و پس انتشارخطا از انواع آموزش با ناظر هستند‪.‬‬

‫‪77‬‬
‫در یادگیری ‪ offline‬به کمک داده های یادگیری طراحی شبکه عصبی و آموزش آن انجام می شود و پس از آن به عنوان‬

‫یک سیستم استاتیکی عمل می کند‪ .‬ولی در حالت ‪ online‬مثل یک سیستم دینامیکی همواره در حال یادگیری است‪.‬‬

‫در یادگیری تشدیدی معموال مقادیر خروجی مطلوب در دسترس نیست و در آن به شبکه اعالم میشود که مثال عملکرد‬

‫آن ‪ %50‬درست است یا اصال مطلوب نیست‪ .‬سیگنال برگشتی از نوع نقادی است در صورتیکه در یادگیری با ناظر جنبه‬

‫دستوری دارد (چون ‪ t‬معلوم است)‪ .‬سیگنال نقاد پارامترهای شبکه را تنظیم میکند با این امید که سیگنال نقاد بهتری‬

‫در آینده جهت تنظیم پارامترها تولید شود‪.‬‬

‫یادگیری بدون ناظر (خود سازماندهنده)‬

‫در این نوع یادگیری‪ ،‬هیچ سیگنالی که اطالعاتی در مورد مطلوبیت جواب شبکه به خود شبکه وارد نماید موجود نیست‪.‬‬

‫شبکه در اینجا بایستی تنها با ارائﺔ صرف بردارهای ورودی‪ ،‬ارتباطات موجود بین الگوهای ورودی را پیدا کرده و در‬

‫خروجی شبکه ُکد نماید‪.‬‬

‫شﺒکههای آداﻻیﻦ‬

‫شبکه آداالین با قانون یادگیری ویدرو – هوف ( معروف به قانون ‪ )LMS‬در سال ‪ 1960‬و بعد از شبکه پرسپترون با قانون‬

‫یادگیری ‪ SLPR‬به وجود آمد‪ .‬شبکه آداالین شبیه پرسپترون است ولی با تابع تبدیل خطی ( به جای آستانه دو مقداره)‪.‬‬

‫مناسب برای تقریب خطی یک تابع یا اجرای عمل شناسایی الگو‬ ‫‪‬‬

‫دارای منحنی سطح خطای اجرایی سهموی‬ ‫‪‬‬

‫دارای مزیت برخورداری از یک نقطه مینیمم‬ ‫‪‬‬

‫یادگیری از نوع با ناظر‬ ‫‪‬‬

‫پارامترهای شبکه به نحوی تنظیم می شوند که شاخص اجرایی میانگین مربعات خطا بهینه شود‪.‬‬ ‫‪‬‬

‫قانون یادگیری ‪ LMS‬است‪.‬‬ ‫‪‬‬

‫مﺒانی بﻬینهسازی‬

‫بسیاری از مسائل مهندسی را میتوان بصورت یک مساله بهینه سازی بیان کرد‪ .‬یادگیری شبکه های عصبی نیز میتواند‬

‫یک مساله بهینه سازی باشد‪ .‬در یادگیری عملکردی پارامترهای شبکه به نحوی تنظیم می شوند که عملکرد شبکه‬

‫بهینه شود‪.‬‬

‫‪78‬‬
‫قدم اول‪ :‬تعریف عملکرد و تعیین شاخص عملکرد است که از لحاظ اجرایی این شاخص معموال میانگین مربعات خطا‬

‫(‪ )MSE‬است‪.‬‬

‫قدم دوم‪ :‬جستجو در فضای پارامترهای شبکه برای تنظیم آنها به طوریکه معیار اجرایی عملکرد کاهش یابد‪.‬‬

‫در الگوریتمهای بهینه سازی‪ ،‬تخمین بعدی نقطه بهینه از روی تخمین بهینه فعلی بدست میآید‪.‬‬

‫الگوریتم بیشترین نزول برابر است با‪:‬‬

‫پرسپترون چند الیه‬

‫شبکه های بدون نظارت‬

‫اضافه کردن جزوه دوم‬

‫در ادامه سه شبکه عصبی پرسپترون (پیشخور)‪ ،‬همینﮓ (رقابتی) و هاپفیلد (حافظه انجمنی بازگشتی) و استفاده از‬

‫آنها در حل مسئله معرفی میشوند‪.‬‬

‫‪79‬‬