آیا تاکنون به فرآیند فکر کردن خود فکر کرده‌اید؟ یا این‌که چه‌طور چیز جدید یاد می‌گیرید؟ یا حتا این‌که چه‌طور می‌توانید بعد از گذشت چند سال چهره‌ی هم‌کلاسی‌ها‌ی دبستان خود را بشناسید؟ یا چه‌طور می‌توانید دست‌خط آدم‌های مختلف با تمام تفاوت‌های میان خط‌هایشان را به‌راحتی بخوانید؟(البته به‌جز دست‌خط پزشک‌ها!)

پاسخ تمام این پرسش‌ها در نحوه‌ی کارکرد  مغز نهفته  است.  قدرت  شگفت‌انگیز  مغز  به‌خاطر وجود تعداد زیادی
 نُرُن (Nuron) در آن و ارتباط میان نُرُن‌ها است. این نُرُن‌ها اصولاً با سازوکارهای الکتروشیمیایی اطلاعات را منتقل می‌کنند.

مغز انسان حدود 10 میلیارد سلول عصبی (نُرُن) دارد. هر نُرُن با دیگر نُرُن‌ها به‌طور میانگین از طریق 10000 سیناپس(synapses) ارتباط دارند. شبکه‌ی سلول‌های عصبی در مغز یک سامانه‌ی بزرگ پردازش اطلاعات موازی تشکیل می‌دهند. این بر خلاف نحوه‌‌ی کارکرد رایانه‌هاست که در آن‌ها یک پردازش‌گر به‌طور منفرد مجموعه‌ای از دستور‌العمل‌ها را انجام می‌دهد.

	هوش‌مند	آموزش پذیر	روش محاسبه	سرعت پردازش	انرژی مصرفی	اندازه‌ی عنصر	عناصر پردازش‌گر
	اغلب	بله	موازی،توزیعی	100هرتز	30 وات	6 -10 متر	1014سیناپس
	تاکنون نه	بسیار کم	متوالی،مرکزی	109 هرتز	30 وات(cpu)	6 -10 متر	108 ترانزیستور

همان‌طور که کامپیوتر برای پردازش اطلاعات از روش پردازش ‌اطلاعات در حافظه‌ی انسان مدل برداری کرد، فناوری نوین شبکه‌های عصبی مصنوعی ساختار محاسباتیِ موازی مغز او را مدل می‌کند.

درسال 1943 دو پژوهش‌‌‌گر به‌ نام‌های وارن مک کالچ Waren Mc Culloch و والتر پیتز Waltter Pitts مقاله‌ای در مورد شبکه‌های عصبی نوشتند. این مقاله نخستین جرقه‌ی طراحی شبکه‌های عصبی مصنوعی بود.

از آن زمان تاکنون انواع گوناگونی از شبکه‌ها به‌وجود آمده‌اند ولی همه‌ی آن‌ها در دو چیز مشترک‌اند: مجموعه‌ای از گره‌ها و رابطه‌های میان گره‌ها. گره‌ها می‌توانند به عنوان واحدهای محاسبات در نظر گرفته شوند. ورودی‌ها به آن‌ها وارد می‌شوند و پردازش می‌شوند تا در نهایت یک خروجی به‌دست آید. این پردازش‌ها ممکن است بسیار ساده باشند (مانند جمع زدن ورودی‌ها) یا کاملاً پیچیده باشند (یک گره شامل یک شبکه‌ی دیگر باشد...). رابطه‌های میان گره‌ها اطلاعات جاری میان گره‌ها را تعیین می‌کنند. تعامل میان گره‌ها به‌وسیله‌ی این رابطه‌ها منجر به یک رفتار سراسری در شبکه می‌شود که آن‌را برآیند می‌نامند(چیزی شبیه کارکرد شبکه‌ی عصبی مغز!).

نُرُن‌های زیستی پیام‌ (سیگنال‌)‌هایی از میان سیناپس‌هایی که روی دندریت‌ها یا روی غشای سلول عصبی جای‌ گرفته‌اند، دریافت می‌کنند. وقتی که ‌پیام‌های دریافتی به‌اندازه‌ی‌کافی قوی باشند (یعنی از یک حد آستانه قوی‌تر باشند.) نُرُن فعال می‌شود یک پیام به اکسون می‌فرستد. این پیام به سیناپس دیگری فرستاده می‌شود و نُرُن دیگری را فعال می‌کند.

شبکه‌های عصبی مصنوعی تنها بخش کوچکی از ویژگی‌های شبکه‌های عصبی زیستی (طبیعی) را شبیه‌سازی می‌کنند. در واقع از دید متخصصان این رشته هدف از ایجاد یک شبکه‌ی عصبی نرم‌افزاری ایجاد یک سازوکار برای حل مسایل مهندسی با الهام از الگوی رفتاری شبکه‌های زیستی است.

ساختار نُرُن‌های مدل‌شده خیلی ساده‌تر از مشابه طبیعی‌شان است. آن‌ها اساساً شامل ورودی‌هایی (مانند سیناپس) هستند که در وزن نُرُن ضرب می‌شوند (قدرت هر سیگنال)‌ وسپس به‌وسیله‌ی یک تابع ریاضی که فعالیت نُرُن را تعیین می‌کند محاسبه می‌شوند. تابع دیگری (که ممکن است تابع همانی باشد) خروجی‌های نُرُن مصنوعی را محاسبه می‌کنند. در نهایت برای پردازش اطلاعات شبکه‌های عصبی نتایج نُرُن‌های مصنوعی را با هم تلفیق می‌کنند.

هرچه قدرت ورودی بیشتر باشد وزن نُرُن مصنوعی بیشتر خواهد بود و برعکس. با تغییر و درنهایت تعدیل وزن‌های یک سلول عصبی می‌توانیم برای یک ورودی‌ِ مشخص، خروجیِ دل‌خواه را به‌دست‌آوریم. ولی وقتی شبکه‌ی عصبی شامل صدها یا هزاران نُرُن باشد تغییر وزن نُرُن‌ها بدون ابزار‌ بسیار پیچیده و شاید ناممکن باشد. فرآیند تطبیق وزن‌ها آموزش یا یادگیری نامیده می‌شود. شبکه‌های مصنوعی و کاربرد‌های آن‌ها بسیار متنوع است. تفاوت میان آن‌ها از تفاوت میان توابع آن‌ها، مقادیر پذیرفته شده، توپولوژی، و الگوریتم یادگیری و... ناشی می‌شود.

شبکه‌ها در مسایل متنوعی از شناخت الگوی فکر کردن گرفته تا تفسیر توالی نوکلئوتیدها، طبقه‌بندی سرطان‌ها ، پیش‌بینی ژنتیک و حتا در تحلیل داده‌های استخراج نفت و هواشناسی به‌کار می‌آیند.

شبکه‌ها برای مدل‌سازی طیف گسترده‌ای از پدیده‌ها در فیزیک، علوم کامپیوتر، بیوشیمی، کردارشناسی (Ethology)، ریاضی، جامعه‌شناسی، اقتصاد، ارتباط‌های دور‌برد، و بسیاری دیگر از زمینه‌ها استفاده می‌شود. استفاده‌ی گسترده از این زمینه‌ی جدید دانش و فناوری به این دلیل است که به بسیاری از سامانه‌ها می‌توان به ‌مثابه یک شبکه نگریست. پروتئین‌ها، کامپیوتر‌ها، جوامع و ... نمونه‌هایی از این سامانه‌ها هستند. کمی‌ فکر کنید. چه سامانه‌های دیگری را می‌توانید به عنوان شبکه نام ببرید؟ چرا؟

سامانه‌های عصبی کجا به کار می‌آیند؟

- جایی که نمی‌توانیم یک راه‌حل را به صورت الگوریتم فرمول‌بندی کنیم.
- جایی که تنها می‌توانیم مثال‌های متعدد ومتنوعی از رفتاری که نیازمندیم به‌دست‌آوریم.
- وقتی که نیاز داریم که ساختار را از داده‌های موجود انتزاع کنیم.
- درحل مسایلی که شامل اطلاعات و ورودی‌های ناقص یا نادرست هستند.

برخی از کاربردهای مهم این زمینه از دانش و فناوری در ادامه می‌آید. در اغلب این کاربردها ممکن است الگوریتمی ناشناخته برای حل مسئله وجود داشته باشد یا این‌که متغیرهای زیادی داشته باشد. در هر حال به‌تر است که اجازه دهیم شبکه آن را از طریق مثال بیاموزد!

پردازش علایم: شامل ریخت‌شناسی و تجزیه وتحلیل علایم مربوط به زمین‌لرزه‌ها

شناسایی الگوها (Pattern recognition): شامل تشخیص چهره، اثر انگشت، تشخیص نوع صدا و نوع صحبت کردن، دست‌خط و... به‌عنوان مثال از این سازوکار در بانک‌ها در مقایسه‌ی امضای شخص مراجعه کننده برای دریافت وجه از یک حساب و امضایی که در پرونده‌ی حساب ثبت شده‌است استفاده می‌شود. این یکی از نخستین کاربردهای فراگیر تراشه‌های شبکه‌های عصبی است.

پزشکی(Medicine): در تجزیه وتحلیل وتشخیص علایم دست‌گاه ضربان‌نگار قلب (الکتروکاردیوگراف)، ونیز شبکه‌ی آموزش‌دیده‌ای که می‌تواند بیماری را تشخیص دهد و حتا دارو نیز تجویز کند.

کاربردهای تجاری: انجام هرگونه تصمیم‌گیری که در دنیای تجارت به ‌سهولت انجام ‌پذیر نیست، مثلاً تصمیم‌گیری‌هایی که نیاز به اطلاعات وسیعی در محدوده‌ی هدف مورد نظر دارند. مثلاً در تلاش برای پیش‌بینی نوسانات سهام ازروی اطلاعات قبلی در بورس از شبکه‌ها به‌وفور استفاده می‌شود.

هوش مصنوعی: بسیاری از کارشناسان هوش مصنوعی معتقدند شبکه‌ها‌ی عصبی مصنوعی بهترین وشاید تنها امید طراحی یک ماشین هوش‌مند هستند.

فشرده‌کردن اطلاعات تصویری برای کاهش حجم اطلاعات

حذف نُفه (Noise) در خطوط مخابراتی

سیستم‌های نظامی: شامل ردیابی مین‌های زیردریایی، حذف صداهای ناهنجار در سیستم‌های ردیابی رادارها و...

در ساخت و بهره‌برداری سازه‌های ساختمانی: به دلیل سرعت زیاد شبکه‌های عصبی در پردازش و تحلیل داده‌ها زمان مورد نیاز برای کشف سازه‌ی بهینه کاهش می‌یابد.

در بازاریابی: شبکه‌ها برای فروش بیشتر و گزیده‌تر در تبلیغات اینترنتی استفاده می‌شوند.

در دیده‌بانی و بررسی (In Monitoring) : به‌عنوان مثال با بررسی ترازهای صوتی که از فضاپیماها مخابره می‌شود خطر‌های پیش روی فضاپیما پیش‌بینی می‌شود. این روش در ریل‌ها برای بررسی صداهای تولید شده از موتورهای دیزلی نیز آزموده شده است.