https://virgool.io/feed/@farhad.azadjoo70 دانشجوی دکتری مهندسی کامپیوتر دانشگاه تهران، علاقه‌مند به حوزه علوم شناختی و اعصاب شناختی، فلسفه، هوش مصنوعی، علوم داده، بصری سازی داده، روان‌شناسی، اقتصاد و مالی fa 2026-06-10 15:26:35 https://files.virgool.io/upload/users/31348/avatar/Z3iA6S.png?height=120&width=120 https://virgool.io/@farhad.azadjoo70 https://virgool.io/@farhad.azadjoo70/%D9%BE%DB%8C%D8%B4%D8%B1%D9%81%D8%AA-%D8%A8%D8%A7-%D8%A7%DB%8C%D8%AF%D9%87-%D9%87%D8%A7%DB%8C-%D8%B3%D8%A7%D8%AF%D9%87-%D9%88%D9%84%DB%8C-%D8%A7%D9%86%D9%82%D9%84%D8%A7%D8%A8%DB%8C-sia4kdk5tfpk این روزها همه ما کم و بیش در مورد پیشرفت های حوزه تکنولوژی مطالب زیادی میشنویم و یا از منابع مختلف مطالعه میکنیم. تکنولوژی های مختلف در صنایع مختلف در طول زمان طرفدارهای زیادی پیدا میکنند. ولی یک نکته بسیار جالبی که وجود دارد این است که مثل ارتباطات ما انسان ها با هم در ساختار تکنولوژی ها هم رمز و راز هایی وجود دارد. این روزها در حوزه کامپیوتر دستاوردهای الگوریتمی و نرم افزاری به دلیل فعال بودن شرکت های نرم افزاری به سرعت در سرتاسر جهان پخش می شود. ولی من در این پست میخواهم کمی در مورد تکنولوژی هایی صحبت کنم که بدون اون ها هیچ کدوم از این دستاوردهای امروز ما قابل دستیابی نبود. و جالب تر اینکه خیلی در مورد پیشرفت های آنها اخبار گسترده ای نمیشنویم.اگر از من بپرسید که سه تکنولوژی برتر این روزها در حوزه کامپیوتر رو بر اساس حجم فعالیت های علمی و تجاری انجام شده که اخبار اون ها هم به سرعت منتشر میشه رو نام ببرم من این سه حوزه تکنولوژی رو لیست میکنم:۱- هوش مصنوعی (ابزارها، مدل ها، استفاده در حوزه های کاربردی)۲- بیگ دیتا (ابزارهای تحلیلی، طراحی امکانات پردازشی بزرگ)۳- اینترنت اشیا و پردازش ابری (امکانات پردازشی، استفاده در حوزه های کاربردی، ابزارها)این سه حوزه در بسیاری از جاها با هم همپوشانی های جدی هم دارند ولی در فضای آکادمیک و تجاری سه حوزه متفاوت در نظر گرفته می‌شوند. به نظر من یکی از مهم ترین دلیل های پیشرفت و فراگیر شدن این سه حوزه، زیاد شدن قدرت پردازشی سیستم های پردازشی بوده است. بسیاری از مدل ها و الگوریتم هایی که این روزها از آنها صحبت میکنیم قدمت ۳۰ تا ۴۰ ساله دارند ولی به دلیل نبود قدرت پردازشی کافی از پیاده سازی آنها به صورت عملی ناتوان بوده‌ایم.پس این حقیقت که قدرت پردازشی بالا امکانی را برای ما فراهم میکند که بتوانیم محاسبات بیشتری را در مدت زمان کم تری انجام دهیم بر کسی پوشیده نیست. ولی سوال اصلی اینجاست که آیا تلاشی که برای بهبود عملکرد ابزارهای پردازشی صورت میگیرد تا سرعت محاسباتی آنها افزایش پیدا کند، به اندازه تکنولوژی های جدید در فضای عمومی جامعه مورد توجه قرار میگیرد؟از نظر من جواب این سوال خیر است و البته دلایل مختلف زیادی هم دارد. مهم ترین دلایل میتونه اینها باشه که اولا این تکنولوژی ها به صورت انحصاری در دنیا وجود دارد و به جز شرکت های محدودی، هیچ شرکت جدیدی توان ورود به این بازار و رقابت موفق را در حال حاضر ندارد. دوما اینکه این تکنولوژی ها تکنولوژی های مادر هستند و در سطح پایین اتفاق می افتند و معمولا توضیح و بررسی این تکنولوژی ها برای سواد عموم جامعه کار سختی می‌باشد. سوما اینکه دستاوردهای عظیم این حوزه به صورت مستقیم قابل بهره برداری نیست و اکثرا در محصول نهایی آنها مستتر هستند. من قصد دارم در این پست یک سیر ساده از اینکه این قدرت پردازشی از کجا آمده و چرا این تکنولوژی ها انحصاری هستند را توضیح بدم. بگذارید داستان رو اینطور شروع کنم: همه چیز از یک ترانزیستور شروع شد.ترانزیستور چیست؟ با تعریف ساده، ترانزیستورها ابزارهای الکترونیکی هستند که مانند سوییچ عمل میکنند و با کنترل ورودی آنها میتوانیم جریان و ولتاژ خروجی آنها را کنترل کنیم. این تعریف دو جمله ای ساده پشت سر خود یک دنیا کار و تلاش و نوآوری به همراه دارد. برای اینکه زودتر به هدف بحث برسم، دوران ترانزیستورهای ساخته شده با لامپ خلا رو رد میکنم و میرسم به دورانی که ترانزیستورهای BJT ساخته شده بودند. این ترانزیستورها به کمک جریان ورودی کنترل شده ای که داشتند، در خروجی یک جریان و ولتاژ ایجاد می‌کردند. سرعت آنها زیاد بود ولی توان زیادی مصرف میکردند. به نظر من یکی از انقلاب هایی که در حوزه الکترونیک اتفاق افتاد، ساخت ترانزیستورهای MOSFET بوده است. این ترانزیستورها هدفشان نگه داشتن سرعت ترانزیستورهای نسل قبل ولی با توان مصرفی بسیار پایین تر بوده و میتوان گفت که در این کار بسیار موفق عمل کردند. تفاوت این ترانزیستورها به این صورت بود که به جای اعمال جریان به ورودی، ولتاژ اعمال میکرد و چون جریانی در ورودی قرار نداشت، توان مصرفی آن پایین تر بود. اگر بخوام خیلی ساده توضیح بدم که این ترانزیستور چطور کار میکنه ترجیح میدم عملکرد اون رو اینطور توصیف بکنم:ترانزیستور MOSFETدر شکل بالا یک ترانزیستور ماسفت را مشاهده میکنیم که از قسمت های مختلفی تشکیل شده است. گیت که با رنگ سبز نشان داده شده است، ورودی ترانزیستور می‌باشد.در زیر گیت یک لایه خاکستری وجود دارد که به آن اکسید گفته میشود و از نظر جنس هدایت، یک عایق است و جریان از آن عبور نمیکند. source و drain دو قسمت هستند که از کریستالهای سیلیکونی با ناخالصی های نوع n ساخته شده اند. مواد با ناخالصی های نوع n موادی هستند که الکترون های آزادی دارند که با اعمال میدان به آن ها میتوان آن الکترون ها را به راحتی حرکت داد. body یکی دیگر از قسمت های ترانزیستور است که ترانزیستور روی آن ساخته میشود و در اینجا از کریستالهای سیلیکونی با ناخالصی نوع p ساخته شده است. مواد با ناخالصی های نوع p موادی هستند که در کنار اتم هایشان حفره های خالی وجود دارد و این حفره ها باعث جذب الکترون ها میشوند. این جذب باعث حرکت الکترون ها میشود. وجود اکسید بین گیت و بدنه که دارای حامل آزاد هستند یک خازن ایجاد میکند.همانطور که گفتیم در این ترانزیستور ها جریان خروجی را با اعمال ولتاژ به ورودی کنترل میکنند. اگر یک ولتاژ مثبتی بر روی گیت قرار دهیم باعث می‌شود که حامل های الکترونی در زیر گیت جمع شوند و تشکیل یک کانال الکترونی را بدهند.ترانسیستور MOSFET زمانی که ولتاژ مثبتی روی گیت قرار میگیرد باعث ایجاد کانال الکترونی میشودبا شکل گیری این کانال و وجود حامل های الکترونی در طول مسیر بین source و drain با اعمال یک میدان افقی می توان جریانی بین این دو پایه ایجاد کرد. پس اگر دوباره مثال سوییچ را ببینیم میبینیم که اگر به گیت ولتاژی اعمال نکنیم، کانالی وجود ندارد و در نتیجه نمیتوان با اعمال میدان بین source و drain جریانی ایجاد کرد. زمانی که به گیت ولتاژ اعمال میکنیم، اگر این ولتاژ به اندازه کافی بزرگ باشد باعث ایجاد کانال در زیر گیت شده و یک مسیر پر از حامل های الکترونی بین source و drain ایجاد میشود. در نتیجه با اعمال میدان بین این دو پایه میتوان جریان برقرار کرد و شدت این جریان نیز به قدرت میدان اعمال شده بین این دو پایه بستگی دارد.توضیحی که من در مورد عملکرد این ترانزیستور دادم خیلی ساده بود و شاید بسیاری از نکات رو هم نگفتم ولی برای دانستن اینکه از نظر فیزیکی چه اتفاقی دارد میافتد که یک ترانزیستور روشن و خاموش میشود را توضیح دادیم. تراشه های پردازشی از کنار هم قرار دادن تعدادی زیادی از این ترانزیستورها به نوعی که بتوانند یک تابع منطقی را پیاده سازی کنند شکل میگیرند. از پردازنده های کامپیوتر و لپ تاپ و گوشی های موبایل و تبلت گرفته تا کارت های حافظه و پردازنده های گرافیکی و غیره و غیره همگی تراشه هایی هستند که از مجتمع کردن این ترانزیستورها به وجود آمده اند. اینکه ورودی و خروجی این ترانزیستورها چگونه به هم متصل شده باشند، نوع عملکرد آن مدار مجتمع را نشان میدهد. برای ساخت این تراشه های ترانزیستوری فرآیند بسیار پیچیده و بسیار بسیار دقیقی باید صورت بگیرد. قبل از ساخت تراشه ها مهندسان باید طراحی این تراشه ها را انجام دهند که کار بسیار پیچیده و زمان بری می‌باشد. برای اینکه یک دیدی از سختی طراحی این تراشه ها بدست بیاورید این مثال را مشاهده بکنید. تراشه Apple A14X Bionic در سال ۲۰۲۰ ساخته شده است و درون آن ۱۵ میلیارد ترانزیستور به کار رفته است. تمام این ترانزیستورها باید با دقت از نظر اندازه و ویژگی های فیزیکی طراحی و برای انجام عملیات لازم به ترانزیستورهای مشخص دیگری متصل شود. بعد از اینکه طراحی layout یا طرح مداری آماده شد، این طرح به کارخانه سازنده تراشه یا fab میرسد. fab ها یکی از high tech ترین نقاط جهان هستند. فرآیند ساخت تراشه ها مانند چاپ با شابلون می‌باشد. برای ساخت یک لایه ترانزیستوری ۷ الی ۸ شابلون مختلف نیاز است. در این fab ها ابتدا باید کریستال سیلیکونی را آماده کنند. سپس با دقت بسیار بالا به کمک علم شیمی و مواد ناخالصی های لازم را به اندازه درست و دقیق درون کریستالهای سیلیکونی ایجاد کنند. بعد از ساخت ترانزیستورها در مراحل بعدی سیم بندی و اتصال آنها را در طی مراحل مختلف انجام میدهند تا در نهایت یک تراشه تولید میشود. برای اینکه دقت عملیات ساخت ترانزیستورها را لمس کنید کافی است بدانید که تراشه Apple که در بالا به آن اشاره کردم دارای اندازه گیت ۵ نانومتر است. قطر اتم سیلیسیم برابر ۰.۲ نانومتر است. همین دو عدد کافی است تا متوجه شویم برای ساخت ترانزیستورها به دستگاه هایی با چه دقت احتیاج است. و میتوان فهمد که چرا تنها تعداد محدودی کمپانی این تکنولوژی را در دست دارند. به فرآیند ساخت ترانزیستور لیتوگرافی هم گفته می‌شود. این تراشه های کوچکی که سایز آنها به زور به چند سانتیمتر میرسد و حاوی میلیاردها ترانزیستور هستند، این روزها به راحتی در دسترس هستند و با پرداخت هزینه ناچیز در مقابل فرآیند پیچیده ساخت میتوان آنها را تهیه کرد، باعث شده اند تا بتوانیم منابعی با قدرت پردازشی بالا داشته باشیم. اینکه میتوانیم با کنار هم قرار دادن پردازنده های گرافیکی بسیار قوی قدرت پردازشی بسیار بالایی برای آموزش الگوریتم های یادگیری ماشین داشته باشیم، از دستاوردهای پیشرفت انقلابی تکنولوژی طراحی و ساخت تراشه ها است. ساخت کارت های حافظه با چند صد گیگابایت فضا، ساخت حافظه های نهان چند ده گیگابیتی در کنار پردازنده ها. ساخت پردازنده های پردازشی با تعداد بسیار زیادی هسته پردازشی و ... این قدرت را به ما داده است که گلوگاه پردازشی را این روزها کم تر احساس کنیم. دستیابی به تکنولوژی های ساخت و طراحی با این دقت، نیازمند هزینه های بسیار هنگفت و تیم مهندسی بسیار قوی می باشد. علاوه بر این تکنولوژی های به روز دیگر در حوزه های بسیار زیادی مانند مهندسی شیمی، شیمی، علم مواد، الکترونیک، فیزیک دستیابی به این تکنولوژی ها را سخت تر میکند و با حظور فعالان غولی مثل intel، AMD یا nVidia خیلی سخت است تا شرکتی تصمیم به رقابت با این کمپانی ها بگیرد. به همین دلیل این فضا انحصاری شده است. معمولا این شرکت ها شرکت های کوچکی که وارد این عرصه میشوند و ایده های جدی دارند را خریداری میکنند و این موضوع باعث میشود سال ها ما به جز این شرکت ها شرکت فعال به صورت جدی در بازار را مشاهده نکنیم.تعدادی از کارهای جدی که در نهایت منجر به ساخت تراشه هایی با این قدرت شده است را لیست میکنم:۱- نوآوری هایی در حوزه فیزیک و شیمی اتمی برای ساخت مواد نیمه هادی با ناخالصی های بهتر۲- نوآوری هایی در استفاده از مواد هادی و نیمه هادی و عایق برای ساخت ترانزیستورهای سریع تر۳- نوآوری هایی در راستای کم کردن توان مصرفی ترانزیستورها و مدارهای مجتمع۴- نوآوری هایی در راستای طراحی مدارهای مجتمع با تعداد ترانزیستورهای بسیار زیاد۵- نوآوری هایی در فرآیند لیتوگرافی۶- نوآوری هایی در فرآیند ساخت با هدف افزایش میزان تراشه های خروجی سالم۷- نوآوری هایی در فرآیند تست و ارزیابی تراشه های ساخته شده۸- نوآوری هایی در سایزینگ و کولینگ تراشه هادر نهایت برای نتیجه گیری نباید فراموش کنیم که اگر امروزه میتوانیم به راحتی بر روی لپ تاپ معمولی خود که از نظر قدرت پردازشی معادل سوپر کامپیوترهای ۲۰ سال پیش هستند، مدل های یادگیری ماشین را آموزش دهیم. یا اینکه به راحتی میتوانیم در فضای پردازشی ابری، با سرعت بالا پردازش هایی را انجام دهیم همگی به این دلیل است که انقلاب تکنولوژی در حوزه الکترونیک و مدارهای مجتمع اتفاق افتاده است. وقتی به عظمت فرآیند ساخت یک تراشه کوچک نگاه میکنیم میتوانیم شکوه و جلال تکنولوژی را در آن با ذره ذره وجود لمس کنیم. farhad.azadjoo70 farhad.azadjoo70 Thu, 27 Aug 2020 11:05:28 +0430 https://virgool.io/hooshteam/%DA%86%DA%AF%D9%88%D9%86%DA%AF%DB%8C-%DA%A9%D8%A7%D8%B1-%D8%A8%D8%A7-%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85-%D8%AF%D8%B1%D8%AE%D8%AA-%D8%AA%D8%B5%D9%85%DB%8C%D9%85-%D8%A8%D9%87-%DA%A9%D9%85%DA%A9-%DA%A9%D8%AA%D8%A7%D8%A8%D8%AE%D8%A7%D9%86%D9%87-scikit-learn-bs4gylkorcvn در این پست می‌خواهیم یک مثال واقعی از یک مساله طبقه‌بندی را به کمک الگوریتم درخت تصمیم(Decision Tree) حل کنیم و برای این کار از کتابخانه Sci kit-Learn در پایتون استفاده می‌کنیم. تمامی کدهای نوشتن برنامه نیز در اینجا قرار می‌گیرد و هر پردازش و یا تغییری که در هر قسمت از فرآیند اجرای آن انجام داده‌ام نیز در اینجا ذکر می‌شود. تا جایی که امکان داشته باشد سعی می‌کنم مطالب را بسیار ساده و روان توضیح بدهم که در فهم و درک آن هیچ مشکلی وجود نداشته باشد. بنابراین تا پایان این پست با خیال آسوده مطالب را دنبال کنید.در این مساله می‌خواهیم بر اساس اطلاعاتی که از یک تعدادی از دانش‌آموزان یک مدرسه داریم، مدلی بسازیم که بتواند پیش‌بینی کند که یک دانش‌آموز بر اساس نمرات قبلی امتحانات، آیا در امتحان نهایی قبول می‌شود یا رد می‌شود؟ در اصل مساله طبقه‌بندی دانش‌آموزان در دو دسته قبول و رد می‌باشد. مجموعه داده‌ای که برای این مساله در نظر گرفته شده است را می‌توانید از لینک زیر دانلود کنید.https://archive.ics.uci.edu/ml/datasets/student+performanceاین مجموعه داده شامل اطلاعات ۶۴۹ دانش‌آموز می‌باشد. برای هر دانش‌آموز ۳۰ داده‌ی مختلف ذخیره شده است که این داده‌ها شامل جنسیت و سن و تحصیلات والدین و محل و زندگی و ... می‌باشد. در قسمت زیر این اطلاعات به علاوه جنس داده‌ی آن‌ها را می‌توانیم مشاهده کنیم.داده‌های ذخیره شده برای هر دانش‌آموزهمانطور که مشاهده می‌کنیم، جنس داده‌ها متفاوت می‌باشد. تعدادی از داده‌ها عددی می‌باشند. تعدادی دیگر طبقه‌بندی شده هستند و به صورت رشته حرفی هستند. بعضی از داده‌ها باینری هستند و این تفاوت جنس داده‌ها کمی کار را دشوار می‌کند. معمولا زمانی که در هنگام استفاده از الگوریتم درخت تصمیم با این مدل داده‌ها سر و کار داریم باید ابتدا داده‌ها را پردازش اولیه بکنیم و مجموعه داده‌ی جدیدی بسازیم که در تحلیل کار آسان تر شود. برای همین ابتدا سعی می‌کنیم با روش‌هایی که توضیح می‌دهیم تمامی اطلاعات مربوط به دانش‌آموزان را به صورت عددی در بیاوریم. از طرفی وقتی کمی مجموعه داده‌ها را بررسی کنید متوجه می‌شوید که تعدادی از این داده‌ها اطلاعات دقیق‌تری را برای پیش‌بینی در اختیار ما قرار می‌دهند. برای مثال تعداد غیبت‌های دانش‌آموز یا تعداد امتحانات رد شده قبلی هر دانش‌آموز تاثیر بیشتری در دقت پیش‌بینی ما خواهد داشت. البته قبل از تست واقعی این گفته‌ها، در حد حدس و گمان ولی با احتمال بالا می‌باشد. الگوریتم درخت تصمیم هم به ترتیب به دنبال ویژگی‌هایی می‌گردد که بیشترین میزان پیش‌بینی پذیری را برای ما ایجاد می‌کند.برای اینکه بتوانیم در هر مرحله خروجی را مشاهده کنیم، از ابزار Jupyter برای برنامه‌نویسی استفاده می‌کنیم، ولی شما می‌توانید از هر IDE پایتونی برای نوشتن کدها و اجرای آن استفاده کنید. ابتدا با دستور زیر داده‌ها را که در یک فایل csv ذخیره شده است به کمک کتابخانه pandas لود کرده و برای اینکه اطمینان داشته باشیم که همه داده‌ها لود شده است، طول داده‌های لود شده را چک می‌کنیم.همانطور که مشاهده می‌کنیم تعداد داده‌های لود شده ۶۴۹ است که درست می‌باشد. در مجموعه داده‌ی اصلی سه نمره وجود دارد که مجموع نمرات این سه درس معیاری برای موفقیت و یا عدم موفقیت دانش‌اموز می‌باشد. اگر مجموعه این سه نمره از ۳۵ بیشتر باشد دانش‌آموز موفق و اگر کم‌تر باشد دانش‌آموز ناموفق بوده است. بنابراین ما از این سه نمره استفاده کرده و یک ستون به عنوان لیبل می‌سازیم که در آن مقدار ۱ به معنای موفقیت دانش‌آموز و مقدار ۰ به معنای عدم موفقیت می‌باشد. این کار را با تکه کد زیر انجام می‌دهیم. در اصل ما در تکه کد زیر مجموع سه نمره دانش‌آموز را محاسبه کرده و بررسی می‌کنیم که اگر مجموع این نمرات بیشتر از ۳۵ باشد، دانش‌آموز قبول و در غیر این صورت دانش‌آموز مردود شده است. نتیجه را در یک ستون ذخیره می‌کنیم و آن را به عنوان لیبل استفاده می‌کنیم.برای اجرای آنچه که گفتیم باید این محاسبه مجموع سه نمره و بررسی مقدار آن را برای هر سطر از داده انجام دهیم. برای این کار از تابع apply که یکی از توابع کتابخانه pandas می‌باشد استفاده می‌کنیم. axis=1 به معنی این است که این تابع را برای هر سطر انجام بده. بعد از اینکه ستون جدید به نام pass را با داده‌ی محاسبه شده برای هر سطر پر کردیم می‌توانیم به کمک تابع drop سه ستون مربوط به سه تمره را از داده‌ها حذف کنیم.همانطور که مشاهده می‌کنیم مجموعه داده‌ی ما دارای ۳۱ ستون است که یکی از آن‌ها با عنوان pass نشان‌دهنده لیبل و مقادیر ۰ و ۱ دارد. یکی از کارهای مهمی که در رابطه با هر مجموعه داده‌ای باید انجام دهید، این است که میزان بایاس یا بالانس بودن داده‌ها را بررسی کنید. بالانس بودن داده به این معنی است که برای مثال اگر می‌خواهید یک مساله طبقه‌بندی دو کلاسه را انجام دهید، باید در مجموعه داده‌های آموزش از هر کلاس به تعداد کافی و تقریبا برابر داده داشته باشید. در مجموعه داده‌ای که ما با آن کار می‌کنیم بعد از لیبل زدن به داده‌ها می‌توان این موضوع را بررسی کرد. در تکه کد زیر ما تعداد داده‌هایی که دارای لیبل ۱ به معنی قبول و تعداد داده‌هایی با لیبل ۰ به معنی مردود را محاسبه کرده و نسبت آن‌ها را به تعداد کل داده‌ها محاسبه کردیم.همانطور که مشاهده می‌شود تقریبا ۵۰ درصد داده‌ها دارای لیبل ۱ و ۵۰ درصد دیگر داده‌ها دارای لیبل صفر هستند. بنابراین داده‌های ما بالانس می‌باشد و می‌توانیم فرآیند یادگیری را اجرا کنیم. زمانی که داده‌ها بالانس نیستند و اصطلاحا بایاس به یک طبقه می‌شوند یادگیری دقیق نمی‌باشد. بایاس به یک طبقه به این معنی است که در مجموعه داده‌ی ما اکثر داده‌ها دارای یک لیبل خاص هستند و مابقی لیبل‌ها تعداد کمی داده دارند.در قسمت دوم فرآیند آماده‌سازی داده باید ویژگی‌هایی که دارای مقدار عددی نیستند را به مقدار عددی تبدیل کنیم. یکی از روش‌های بسیار محبوب و مناسب برای این‌کار استفاده از روش one-hot می‌باشد. این روش به این صورت است که برای هر ستون که دارای مقادیر غیر عددی است ابتدا تمام حالات ممکن مقدار را پیدا می‌کند و به ازاری هر مقدار یک ستون به داده‌ها اضافه می‌کند. مقدار این ستون جدید صفر یا یک می‌باشد. برای درک بهتر با یک مثال در مساله خودمان توضیح می‌دهیم. ویژگی Mjob نشان‌دهنده شغل مادر برای دانش‌آموز بوده است. با کمک تکه کد زیر می‌توانیم مقادیر منحصر به فرد این ویژگی را مشاهده کنیم.اگر بخواهیم به کمک روش one-hot این ستون را به مقادیر عددی تبدیل کنیم، به جای ستون Mjob پنج ستون به داده اضافه می‌کنیم و آن‌ها را Mjob_at_home، Mjob_health، Mjob_other، Mjob_services و Mjob_teacher می‌نامیم. سپس برای هر دانش‌آموز فقط مقدار یکی از ستون‌ها برابر با یک و مابقی برابر با صفر خواهد بود. برای مثال برای دانش‌آموزی که مقدار ستون Mjob او health می‌باشد، بعد از one-hot کردن مقدار ستون Mjob_health برابر با یک و بقیه ستون‌ها برابر با صفر خواهند بود. برای انجام این کار از تابع get_dummies کتابخانه pandas استفاده می‌کنیم و لیست ستون‌هایی که می‌خواهیم عملیات one-hot روی آن‌ها انجام شود را به عنوان ورودی می‌دهیم. خروجی یک مجموعه داده‌ی جدید خواهد بود که تمامی ستون‌های خواسته شده به کمک روش one-hot به شکل جدید در آمده‌اند. تکه کد زیر این کار را نشان می‌دهد و ما ۵ سطر اول را بعد از اجرای کد نشان داده‌ایم.همانطور که مشاهده می‌کنیم بعد از عملیات one-hot تعداد ستون‌ها از ۳۱ به ۵۷ تا رسیده است. حالا بعد از آماده‌سازی مجموعه داده و عددی کردن مقادیر باید یک بار داده‌ها را shuffle کرده و داده‌های آموزش و تست را جدا کنیم. کتابخانه Scikit learn تابع آماده برای shuffle کردن داده دارد ولی ما در اینجا از توابع کتابخانه pandas برای این کار استفاده می‌کنیم. در تکه کد زیر ما ابتدا به کمک تابع sample داده‌ها را shuffle میکنیم. مقدار frac=1 نشان‌دهنده این است که چه درصدی از داده‌ها را به عنوان خروجی برگرداند که ما با مقدار ۱ مشخص می‌کنیم که کل داده‌ها را می‌خواهیم. سپس ۵۰۰ داده‌ی اول را به عنوان داده‌ی آموزش و مابقی که ۱۴۹ تا می‌باشد را به عنوان داده‌ی تست مشخص می‌کنیم. بعد از آن ستون pass را که به عنوان لیبل می‌باشد را از ویژگی‌ها جدا کرده و این کار را هم برای داده‌های آموزش و هم برای داده‌های تست انجام می‌دهیم. بعد از آماده شدن داده‌های آموزش و تست زمان آن است که مدل درخت تصمیم را به کمک کتابخانه scikit learn بسازیم. برای این کار از تابع DecisionTreeClassifier استفاده می‌کنیم. برای بدست آوردن information gain از entropy استفاده می‌کنیم. و مدل را طوری تنظیم می‌کنیم که درخت حداکثر تا عمق ۵ لایه پایین برود. سپس مدل را بر روی داده‌ی آموزش fit می‌کنیم. تکه کد زیر این کار را انجام می‌دهد.بعد از اینکه مدل روی داده‌های آموزش، آموزش دید باید آن را بر روی داده‌های تست، تست کنیم تا میزان دقت نهایی را بدست بیاوریم. تکه کد زیر این کار را انجام می‌دهد.همانطور که مشاهده می‌کنیم دقت مدل بر روی داده‌ی تست برابر با ۶۹ درصد می‌باشد. اولین کاری که بعد از تست انجام می‌دهیم cross validation می‌باشد تا اطمینان پیدا کنیم که داده‌ها بایاس نمی‌باشد. cross validation به این صورت می‌باشد که هر بار یک تکه‌ی متفاوتی از داده را به عنوان داده‌ی تست انتخاب می‌کند مدل را آموزش می‌دهد و دقت را اندازه‌گیری می‌کند و در نهایت میانگین دقت‌ها را گزارش می‌کند. با این کار اطمینان پیدا می‌کنیم که مدل بر روی داده‌های خیلی بد و یا خیلی خوب آموزش ندیده است و اصطلاحا بایاس نشده است. این کار را به کمک تابع cross_val_score انجام می‌دهیم. مدل، کل داده و لیبل را به این تابع می‌دهیم و مشخص می‌کنیم که cross validation چندتایی می‌خواهیم. ما در کد این مقدار را ۵ تنظیم کرده‌ایم. عدد ۵ نشان می‌دهد که تابع داده‌ها را به ۵ قسمت مساوی تقسیم می‌کند. هر بار یک قسمت را به عنوان داده‌ی تست و مابقی را به عنوان داده‌ی آموزش در نظر می‌گیرد و دقت مدل را محاسبه می‌کند. تکه کد زیر این کار را انجام می‌دهد. (دقت داشته باشید که کل داده که ویژگی‌ها و لیبل آن جدا شده است به عنوان ورودی به تابع داده شده است).تابع cross validation هم یک میانگین برای دقت و هم یک انحراف معیار برای دقت محاسبه می‌کند که ما آن‌ها را در خروجی کد بالا چاپ کرده‌ایم. دقت میانگین برابر با ۶۹ درصد و انجراف معیار مثبت و منفی ۶ درصد می‌باشد.یکی از پارامترهایی که برای ساخت مدل استفاده کردیم حداکثر عمق درخت بوده که آن را ۵ در نظر گرفته بودیم. سوال این است که آیا برای بهبود مدل این مقدار تاثیر گذار است؟ می‌توانیم جواب این سوال را تست کنیم. ما مدل‌هایی می‌سازیم که دارای عمق ۱ تا عمق ۲۰ متغییر باسند و دقت هر کدام را به وسیبه cross validation اندازه‌گیری می‌کنیم. سپس بهتریم مقدار را مشخص می‌کنیم. تکه کد زیر این کار را انجام می‌دهد.همانطور که مشاهده می‌شود با افزایش عمق درخت دقت کم‌تر می‌شود. احتمالا به این دلیل است که افزایش عمق درخت باعث ایجاد over fit می‌باشد. over fit به زبان ساده به معنی حفظ کردن داده می‌باشد نه یادگیری آن. به همین دلیل زمانی که داده‌ را حفظ کنیم اگر داده‌ی جدیدی به عنوان ورودی به ما داده شود دقت پایین می‌آید.برای نمایش میزان دقت بر اساس عمق درخت می‌توانیم از ابزار بصری‌سازی پایتون استفاده کنیم. در تکه کد زیر ابتدا یک مجموعه داده جدید درست می‌کنیم و مقادیر اندازه‌ی عمق درخت، میانگین دقت و انجراف معیار را در آن وارد می‌کنیم.سپس به کمک توابع matplotlib که ابزار بصری‌سازی پایتون می‌باشد یک errorBar رسم می‌کنیم. تکه کد زیر این کار را انجام می‌دهد.توضیح پیاده‌سازی مدل درخت تصمیم در این جا به اتمام رسیده است. اگر بخواهیم مراحل کار را به صورت خلاصه مرور کنیم به این صورت است که ما ابتدا مجموعه داده‌ی ورودی را گرفته و آن را بررسی اولیه می‌کنیم. داده‌ها و نوع آن‌ها را مورد بررسی قرار می‌دهیم. سپس شروع به آماده‌سازی مجموعه داده برای مناسب‌سازی آموزش می‌کنیم. در نهایت مدل را با داده‌های آموزش، آموزش داده و دقت مدل را با داده‌های تست، تست می‌کنیم. بعد از آن هم برای بهبود دقت مدل سعی در تغییر پارامترهای تاثیرگذار در مدل و فرآیند آموزش می‌کنیم. farhad.azadjoo70 farhad.azadjoo70 Fri, 26 Jul 2019 12:05:55 +0430 https://virgool.io/dataio/%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85-%D8%AF%D8%B1%D8%AE%D8%AA-%D8%AA%D8%B5%D9%85%DB%8C%D9%85-cv8f1qghlrgw در این پست می‌خواهم با یک مثال ساده نحوه‌ی عملکرد الگوریتم درخت تصمیم(Decision Tree) را که یکی از الگوریتم‌های مهم در یادگیری ماشین برای طبقه‌بندی است را توضیح بدهم. اگر بخواهم به ساده‌ترین شکل این الگوریتم را در یک جمله توصیف کنم، باید بگویم این الگوریتم شبیه بازی ۲۰ سوالی می‌باشد. ما در طول حل مساله یک گراف درخت رسم می‌کنیم که گره‌های میانی آن سوال‌ها هستند و گره‌های برگ آن خروجی طبقه‌بندی را مشخص می‌کنند. یک گراف ساده را که یک الگوریتم درخت تصمیم را نشان می‌دهد بررسی می‌کنیم. فرض کنید می‌خواهیم زنده ماندن یا نبودن مسافران کشتی تایتانیک را پیش‌بینی کنیم. برای این‌کار گراف درخت تصمیم را بر اساس سوالات زیر به این صورت رسم می‌کنیم. سوال اول: آیا مسافر کشتی مرد بوده است یا زن؟ اگر زن بوده است، احتمالا نجات پیدا کرده و زنده مانده است. اگر مسافر مرد بوده آیا سن او بیشتر از ۹/۵ سال بوده است؟ اگر بالای ۹/۵ سال بوده است احتمالا جان سالم به در نبرده و زنده نمانده است. ولی اگر کمتر از ۹/۵ سال سن داشته است، آیا بیشتر از ۲ خواهر یا برادر داشته است؟ اگر بیشتر داشته است احتمالا زنده نمانده است، ولی اگر کم‌تر از ۲ خواهر یا برادر داشته است احتمالا جان سالم به در برده است و زنده مانده است. شکل زیر گراف درخت تصمیم را برای این مساله نشان می‌دهد.درخت تصمیم برای مساله کشتی تایتانیکاینکه در برگ‌های درخت بالا از کلمه‌ی احتمالا استفاده کرده‌ایم به این دلیل است که معمولا این تصمیم‌ها صددرصد قطعی نیستند و امکان خطا در آن‌ها وجود دارد. یعنی ممکن است حالتی پیدا شود که با تصمیم نهایی مطابقت نداشته باشد( مانند مردهایی که مسافر کشتی تایتانیک بوده‌اند ولی جان سالم به در برده‌اند و زنده مانده‌اند). باید توجه داشته باشیم که الگوریتم درخت تصمیم هم مانند تمامی الگوریتم‌های یادگیری ماشین دارای مقداری خطا می‌باشد. این میزان خطا می‌تواند با توجه به مجموعه داده‌های مساله و پیچیدگی آن بسیار کم و یا بسیار زیاد باشد. یکی از مهارت‌هایی که یک متخصص یادگیری ماشین باید داشته باشد این است که بر اساس شناختش از داده و بررسی داده‌ها باید بهترین الگوریتم را انتخاب کند. بنابراین الگوریتم درخت تصمیم برای بسیاری از مسایل مدل خوبی به حساب نمی‌آید.حالا می‌خواهیم ببینیم که درخت تصمیم چگونه ساخته می‌شود و این الگوریتم به چه صورت کار می‌کند. در ابتدا باید دسته‌بندی اولیه را انجام دهیم. این الگوریتم یک الگوریتم با نظارت می‌باشد و برای طبقه‌بندی استفاده می‌شود. بنابراین مجموعه داده‌ باید دارای لیبل باشد. فرض کنید که یک مجموعه داده از تعداد زیادی از مسافران کشتی تایتانیک در اختیار داریم. در شکل زیر قسمتی از این مجموعه داده را مشاهده می‌کنیم.قسمتی از مجموعه داده مریوط به مسافران کشتی تایتانیکدر مجموعه داده‌ی بالا یک ستون به نام survived وجود دارد که همان لیبل ما در مساله است که نشان می‌دهد هر مسافر با اطلاعات مشخص زنده مانده است یا خیر. علاوه بر این اطلاعات دیگری مانند جنسیت، سن، تعداد خواهر یا برادر و ... نیز برای هر مسافر وجود دارد.فرآیند ساختن درخت تصمیم به این صورت است که ابتدا ویژگی یا ستونی که بیشترین آنتروپی یا information gain را دارد انتخاب می‌کنیم. این یعنی چه؟ به زبان ساده اگر با داشتن مقادیر یک ویژگی بتوانیم با بیشترین دقت طبقه‌بندی را انجام دهیم، آن ویژگی دارای بیشترین information gain می‌باشد. پس ابتدا ویژگی را پیدا می‌کنیم که بتوانیم فقط به کمک آن طبقه‌بندی را با بیشترین دقت انجام دهیم. برای مجموعه داده بالا دانستن جنسیت مسافر می‌تواند طبقه‌بندی را با بیشترین دقت انجام دهد. بنابراین ستون جنسیت دارای بیشترین information gain می‌باشد. در مرحله‌ی اول محموعه داده را بر اساس ستون جنسیت تقسیم می‌کنیم. حاصل این تقسیم دو مجموعه داده می‌باشد که قسمتی از آن‌ها را در شکل زیر مشاهده می‌کنیم.مجموعه داده تقسیم شده بر اساس ستون جنسیتهمانطور که در شکل بالا مشخص است، بعد از اولین تقسیم دو مجموعه داده داریم که در یکی فقط جنسیت زن و در دیگری فقط جنسیت مرد وجود دارد. به همین دلیل در هر مجموعه داده دیگر ستون جنسیت دارای اطلاعات ارزشمندی نیست و آن را با رنگی متفاوت مشخص کرده‌ایم. حال مرحله‌ی دوم را همانند مرحله‌ی اول ولی این بار برای هر دو مجموعه داده انجام می‌دهیم. یعنی در هر دو مجموعه داده به دنبال ویژگی می‌گردیم که بیشترین information gain را داشته باشد. در مجموعه داده مربوط به زن‌ها هیچ ویژگی وجود ندارد که بتواند با یک حداقل دقت مناسب طبقه‌بندی را انجام دهد.(اکثر داده‌ها دارای لیبل زنده بودن می‌باشد) بنابراین فرآیند تقسیم برای مجموعه داده‌ی زن‌ها در این مرحله متوقف می‌شود و اولین برگ گراف در اینجا تولید می‌شود و آن برگ نشان‌دهنده زنده بودن می‌باشد. ولی در مجموعه داده‌ی مربوط به مردها ویژگی سن دارای حداقل دقت طبقه‌بندی و دارای بیشترین information gain می‌باشد. یعنی اگر ویژگی سن را بر اساس مقادیر کوچکتر از ۹/۵ سال و بزرگ‌تر از ۹/۵ سال دسته‌بندی کنیم، می‌توانیم با دقت خوبی طبقه‌بندی را انجام دهیم. در شکل زیر بخشی از مجموعه داده‌های مردان را بعد از تقسیم بر اساس سن مشاهده می‌کنیم.تقسیم مجموعه داده‌ی مردان بر اساس سنفرآیند پیدا کردن ویژگی با بیشترین information gain را دوباره برای هر دو مجموعه داده‌ی بالا انجام می‌دهیم. این فرآیند را برای مجموعه داده‌های بدست آمده تا زمانی ادامه می‌دهیم که یا دیگر ویژگی با information gain خوب وجود نداشته باشد( مانند مجموعه داده‌ی مربوط به زن‌ها) یا اینکه دیگر ویژگی جدیدی وجود نداشته باشد و همه ویژگی ها را بررسی کرده باشیم. و به این ترتیب برگ‌های گراف بر اساس لیبل بدست آمده در هر مجموعه داده را مشخص می‌کنیم. در این مساله خاص نتیجه نهایی درخت تصمیم همانند شکل اول خواهد بود که دوباره آن را در زیر آورده‌ایم.حال سوالی که پیش می‌آید این است که این information gain مربوط به هر ویژگی چگونه محاسبه می‌شود؟ روش‌های آماری وجود دارد که با محاسبات ریاضی این مقادیر را بدست می‌آورند که هدف من در اینجا توضیح ریاضی آن نیست. برای کسانی که علاقه‌مند به یادگیری حل ریاضی آن هستند، کتاب‌های مرجع زیادی وجود دارد. ولی کسانی که می‌خواهند از این الگوریتم‌ها استفاده کنند و به دنبال یادگیری حل ریاضی آن نیستند، کتابخانه‌هایی در زبان‌های برنامه نویسی مانند پایتون وجود دارد که تمامی این محاسبات را برای آن‌ها انجام می‌دهد. یکی از این کتاب‌خانه‌ها scikit learn می‌باشد که برای زبان برنامه‌نویسی پایتون است و کار شما را برای کار با این الگوریتم بسیار راحت کرده است. سعی می‌کنم در پست بعدی یک مثال عملی با زبان پایتون و نحوه‌ی استفاده از الگوریتم درخت تصمیم را به کمک کتابخانه scikit learn توضیح بدهم. farhad.azadjoo70 farhad.azadjoo70 Wed, 05 Jun 2019 13:20:55 +0430 https://virgool.io/@farhad.azadjoo70/%D8%A8%D8%A7%D8%B2%D8%A7%D8%B1-%D9%85%D8%A7%D9%84%DB%8C-%D9%88-%D8%B3%D8%AE%D8%AA%DB%8C%D9%87%D8%A7%DB%8C%D8%B4-neth6iy3pxtr تقریبا ۷ ماه پیش بود که با یکی از دوستانم شروع به مطالعه بازارهای مالی کردیم. هدف ما خرید و فروش و کسب درآمد بود. البته شروع کار ما با بازارهای مالی کریپتو مثل بیت کوین و اتریوم بود. تو این ۷ ماه خیلی چیزها از بازارهای مالی یاد گرفتم و فکر میکنم الان به سطحی از دانش رسیده‌ام که بتوانم یک سری از تجربیاتم رو با بقیه به اشتراک بگذارم. بنابراین قصد دارم در پست‌های مختلف در مورد کارهایی که انجام داده‌ایم و نتایجی که بدست آوردیم یکم حرف بزنم. یکی از بزرگترین چالش‌هایی که تا الان با اون مواجه شدم، تحلیل بازارهای مالی هست. یک مساله بسیار پیچیده با پارامترهای تاثیرگذار بسیار زیاد و طبیعتی غیر قابل پیش‌بینی در اکثر مواقع. ما به عنوان یک مهندس و تحلیل‌گر داده بدون شناخت مفاهیم مالی و بازارهای مالی، سعی کردیم با داشتن داده‌های بازارهای مالی، آن را تحلیل کنیم. یک چالش بسیار بزرگ.قبل از اینکه ادامه بدهم میخواهم مشخص کنم که ما از چه جهتی وارد بازی شدیم. در حالت کلی تحلیل‌گران بازارهای مالی به دو دسته تقسیم می‌شوند. به دسته اول تحلیل‌گران بنیادی و به دسته‌ی دوم تحلیل‌گران تکنیکال گفته می‌شود. به صورت خیلی خلاصه در دسته‌ی اول شما به اخبار و جهت‌گیری‌های اقتصادی و مالی در سطح ملی و جهانی برای تحلیل نیازمند هستید. برای مثال اگر یک تحلیل‌گر بنیادی هستید و در بورس ایران فعالیت می‌کنید، باید بتوانید تحلیل کنید که افزایش قیمت دلار و قطع واردات توع خاصی از فولاد به کشور در ماه‌های آینده باعث افزایش تولید فولاد داخلی و احتمالا افزایش درآمد شرکت فولاد خوزستان خواهد شد. در نتیجه ارزش سهام شرکت فولاد خوزستان ممکن است در ماه‌های آینده رشد خوبی داشته باشد. برای اینکه تحلیل‌گر بنیادی خوبی باشید نیاز دارید که به منابع اطلاعات موثق دسترسی داشته باشید. در همه‌جای دنیا دسترسی به این نوع اطلاعات سخت است. و معمولا سازمان‌های بزرگ و صندوق‌های سرمایه‌گذاری بزرگ و کارگذاری‌ها عوامل نفوذی و به اصطلاح مخبر های خود را در سازمان‌های مختلف برای جمع‌آوری داده دارند. دسته دوم تحلیل‌گران که به تحلیل‌گران تکنیکال معروف هستند، سعی می‌کنند که با مطالعه سیگنال‌های قیمت بازارهای مختلف و سهام‌های مختلف، تصمیم‌های درست هرید و فروش بگیرند. آن‌ها معتقد هستند که هر اتفاقی در خارج بازار مالی تاثیر خودش را بر روی سیگنال قیمت نشان می‌دهد و اگر شما بتوانید که سیگنال قیمت را به درستی تحلیل کنید می‌توانید در خرید و فروش در بازار‌های مالی موفق باشید. این دسته از تحلیل‌گران با مطالعه رفتار سیگنال و شاخص‌هایی که استفاده می‌کنند سعی می‌کنند که صعود و نزول بازار را با احتمال خوبی پیش‌بینی کنند و بر اساس آن پیش‌بینی‌ها اقدام به خرید یا فروش بکنند.ما در مرحله اول با روش تحلیل تکنیکال شروع به تحلیل بازار مالی کردیم. این کار رو با بازار بیت کویین شروع کردیم. نمودار زیر سیگنال قیمت بیت کوین رو در یک سال گذشته نشان می‌دهد.سیگنال قیمت بیت کوین در یک سال گذشتهدر تحلیل تکنیکال یک سری شاخص یا اندیکاتور وجود دارد که یک نوع تحلیل بر روی سیگنال قیمت می‌باشند. این شاخص‌ها انواع مختلفی دارند. تعداد بسیار زیادی اندیکاتور استاندارد وجود دارد. علاوه بر آن اشخاص مختلف و تحلیل‌گران بزرگ نیز اندیکاتورهای جدید و ترکیبی مخصوص به خود را برای تحلیل بازار دارند. این اندیکاتورها را می‌توان در چند دسته تقسیم‌بندی کرد. یک سری از این اندیکاتورها برای تحلیل ترند استفاده می‌شوند. یعنی به زبان ساده سعی می‌کنند ترند حرکت قیمت را نشان دهند. یک سری از اندیکاتورها برای تحلیل حجم معامله هستند. این نوع از اندیکاتورها بر اساس تعداد معاملات و حجم پولی معاملات سعی می‌کنند اطلاعاتی را در مورد رفتار بازار در حال حاضر و آینده بدهند. یک سری از اندیکاتورها برای تحلیل نوسانات بازار هستند. منظور از نوسان بازار بالا و پایین رفتن قیمت‌ها در بازه‌های زمانی مشخص است. این نوع اندیکاتورها سعی می‌کنند که میزان نوسان بازار را تحلیل کرده و به کمک تحلیل‌های دیگر خرید و فروش‌‌های بهتری را انجام دهند.در مرحله اول ما سعی کردیم با مطالعه بر روی این اندیکاتورها با تحلیل‌های مختلف و قدرت تحلیل آن‌ها آشنا شویم و نقاط قوت و ضعف هر کدام را پیدا کنیم. گفتن این نکته مهم است که هیچ اندیکاتوری وجود ندارد که همیشه تحلیل درست انجام دهد. برای همین باید با ترکیب اندیکاتورهای مختلف که هر کدام جنبه‌های مختلفی از داده‌ها را مشاهده می‌کنند میزان دقت تصمیم‌گیری را افزایش داد. فرآیند یادگیری اندیکاتورهای مختلف، پیاده‌سازی آن‌ها در پایتون و گرفتن تست از داده‌های گذشته تقریبا ۳ ماه زمان از ما گرفت. به علاوه که در این مدت یک سیستم توسعه داده شد که بتواند بر اساس الگوریتم و استراتژی مشخص در بازار مالی واقعی خرید و فروش را به صورت خودکار انجام دهد.به نظر من بعد از گذشت حدود ۴ ماه و شناخت نسبی ما از بازارهای مالی و ابزارهایی که در دست داشتیم تازه شروع چالش ما اتفاق افتاد. از این‌جا به بعد کار تبدیل به حل یک مساله پیچیده شد. ما مدل‌هایی داشتیم که می‌توانستند بر اساس اطلاعات اندیکاتورهای مختلف و اندیکاتورهای جدیدی که خودمان توسعه داده‌ بودیم خرید و فروش انجام دهند. هر کدام از استراتژی‌هایی که تست می‌کردیم مزایا و معایب متفاوتی داشتند. چالش اول پیدا کردن یک متریک دقیق برای اندازه‌گیری کارایی و دقت استراتژی‌ها بود. به بیان ساده‌تر با چه متری باید تشخیص دهیم که کدام استراتژی معاملاتی بهتر است؟ برای مثال فرض کنید که دو استراتژی مختلف دارید که در حال خرید و فروش در یک بازار مالی هستند. یکی از آن‌ها ۷۰ درصد تصمیماتش برای خریدهای سودده درست بوده است و در نهایت بعد از یک سال ۸۰ درصد سود خالص داشته است. استراتژی دیگر در ۶۱درصد مواقع تصمیم درست برای خریدهای سودده داشته ولی در پایان سال ۹۷ درصد سود خالص داشته است. کدام یک از این استراتژی‌ها بهتر است؟ این سوال را نمی‌توان به راحتی پاسخ داد. بسته به اینکه میزان ریسک‌پذیری شما در معاملات چقدر است و چگونه می‌خواهید سرمایه را مدیریت کنید، پاسخ می‌تواند متفاوت باشد. باید یک متر دقیق برای اندازه‌گیری دقت و کارایی عملکرد استراتژی‌ها داشته باشیم. پیدا کردن این متر یک چالش بزرگ بود. چالش اصلی بعدی بهبود استراتژی‌ها برای تصمیم‌گیری‌های بهتر بود. اینکه شما بتوانید در اکثر مواقع در جاهای درست خرید و در جاهای درست فروش داشته باشید، کار بسیار دشواری است. دلیل اصلی هم این است که بازارهای مالی تقریبا غیر قابل پیش‌بینی هستند. یعنی ممکن است تمام اطلاعات صعود بازار را نشان دهند ولی به دلایلی بازار ناگهان نزول داشته باشد. یا اینکه ممکن است بازار در عرض ۲ ساعت پرش‌های بسیار بزرگ و یا نزول‌های بسیار بزرگ داشته باشد که هیچ اندیکاتوری توانایی تشخیص در لحظه‌ی آن را نداشته باشد. برای مثال به شکل زیر نگاه کنید.قسمتی از نمودار قیمت بیت کویین در چند روز گذشتهبه این نوع نمودارها به اصطلاح کندل(candle) گفته می‌شود. هر کدام از این ستون‌های رنگی در نمودار یک معنای دارند و حاوی ۴ اطلاعات می‌باشند. هر کدام از این ستون‌ها مربوط به ۴ ساعت است. این نمودار نشان می‌دهد که در ابتدای این ۴ ساعت قیمت کجا بوده است، در انتهای ۴ ساعت قیمت کجا بوده است. و در طول ۴ ساعت بیشترین و کم‌ترین قیمت چه بوده است. در این پست قصد توضیح نمودارهای کندل را ندارم. اگر به مودار بالا خوب نگاه کنید می‌بینید که در یک بازه‌ی ۴ ساعته قیمت افت بسیار شدیدی داشته است( در حدود ۱۰۰۰ دلار) و دو روز بعد در عرض ۴ ساعت دوباره قیمت ۱۰۰۰ دلار صعود داشته است. تشخیص این صعود و نزول‌های شدید که در یک بازه‌ی زمانی کوتاه اتفاق می‌افتد به کمک اندیکاتورها کار بسیار سخت و پیچیده‌ای است. این مشکل را می‌توان به کمک تحلیل سیگنال قیمت در بازه‌های زمانی کوچکتر تا حدود بسیار خوبی برطرف کرد. برای مثال یک کندل ۴ ساعته نزولی زمانی که با بازه‌های زمانی ۵ دقیقه دیده می‌شود به صورت شکل زیر در می‌آید.سیگنال قیمت با تایم فریم ۵ دقیقه مربوط به کندل ۴ ساعته نزولیتحلیل بازار مالی در تایم فریم‌های کوچک بسیار پر خطا می‌باشد. یکی از چالش‌های دیگر مجتمع کردن تایم فریم‌های مختلف برای تصمیم‌گیری بهتر بوده است.مرحله‌ی بعدی کاری که انجام شد استفاده از مدل‌های یادگیری ماشین برای پیش‌بینی قیمت بوده است. بر اساس داده‌های سیگنال قیمت و تحلیل‌هایی که از اندیکاتورها بدست آمد، مجموعه داده‌ای ساخته شد که ابعاد مختلف داده را نمایش می‌دهد. این مرحله از کار هنوز به صورت کامل به پایان نرسیده و مدل کردن مساله برای یدست آوردن دقت مورد نظر در پیش‌بینی برای بازار مالی بسیار پیچیده است. چالش دیگر همین مدل کردن مساله پیش‌بینی قیمت به کمک ابزار یادگیری ماشین بوده است.در پست‌های آینده سعی می‌کنم هر کدام از این چالش‌ها را با جزییات بیشتر توضیح بدهم تا شاید کمکی باشه برای کسانی که در این زمینه فعالیت می‌کنند و با این چالش‌ها برخورد کرده‌اند. farhad.azadjoo70 farhad.azadjoo70 Mon, 27 May 2019 19:48:44 +0430 https://virgool.io/@farhad.azadjoo70/%D8%AA%D8%AD%D9%84%DB%8C%D9%84-%D8%B3%DB%8C%DA%AF%D9%86%D8%A7%D9%84%D9%87%D8%A7%DB%8C-%D9%85%D8%BA%D8%B2%DB%8C-idskl1qcfo1i تو این پست میخوام فرآیند تحلیل و پردازش سیگنال‌های مغزی رو توضیح بدم. ممکنه یک قسمت‌هایی از این پست نیاز به دانش تخصصی داشته باشه ولی سعی میکنم تا جایی که میشه ساده و روان توضیح بدم که روشن و قابل فهم باشه. امیدوارم تا آخر این پست رو دنبال کنید.مغز ما از سلول‌های عصبی ساخته شده است که به آن‌ها نرون گفته می‌شود. برای انجام فعالیت‌های مختلفی که ما در طول روز انجام می‌دهیم این نرون‌ها هستند که با هم ارتباط برقرار می‌کنند و ارتباط آن‌ها با هم معانی مختلفی دارد. اولین چیزی که باید در تحلیل رفتار سلولی مغز بدانیم مفهومی است به نام Action Potential که به آن Spike هم گفته می‌شود. حال این Spike چیست؟فعالیت‌های مغزی از دو نوع الکتریکی و شیمیایی می‌باشد. سلول‌های عصبی توسط یک لایه چربی مانند محافظت می‌شوند که روی آن یک سری کانال وجود دارد. در اطراف این سلول‌ها مایع‌هایی متشکل از یون‌های مختلف وجود دارد که به دلیل اختلاف غلظت این یون‌ها در داخل و خارج سلول عصبی، یک اختلاف بار الکتریکی و در نتیجه یک اختلاف پتانسیل بین داخل و خارج سلول عصبی وجود دارد. در حالت عادی این مقدار اختلاف پتانسیل تقریبا مقدار ثابت و مشخصی دارد. حال اگر به دلیل یک محرک قرار باشد که این سلول عصبی فعال شود، این فعال شدن با تغییرات اختلاف پتانسیل انجام می‌شود. اینکه این تغییرات اختلاف پتانسیل چگونه ایجاد می‌شود کمی پیچیدگی دارد که در این پست در مورد آن صحبت نمی‌کنم. در شکل زیر یک تصویر از تغییر رفتار الکتریکی یک نرون رو مشاهده می‌کنیم.تغییرات ولتاژ دو سر غشای سلول عصبی هنگام ایجاد یک Spike همانطور که در شکل بالا مشاهده می‌شود، زمانی که یک Spike اتفاق نیافتاده است ولتاژ دو سر غشای نرون حدود منفی ۷۰ میلی ولت می‌باشد. با تحریک‌های که به نرون وارد می‌شود این اختلاف پتانسیل کمی تغییر می‌کند. یک مقدار آستانه‌ای وجود دارد که در شکل بالا منفی ۵۵ میلی ولت می‌باشد. اگر میزان تحریکات باعث شود که اختلاف پتانسیل دو سر غشای نرون از منفی ۵۵ میلی ولت مثبت تر شود، ناگهان نرون به اصطلاح fire می‌کند و یک Spike اتفاق می‌افتد. در طول Spike ولتاژ تا حدود مثبت ۴۰ میلی ولت افزایش پیدا می‌کند و بعد به سرعت به حالت اول باز می‌گردد. تمام این فرآیند اتفاق افتادن یک Spike تقریبا حدود ۱ میلی ثانیه طول می‌کشد. هر سلول عصبی دارای Spike هایی با شکل مختص به خود است. ممکن است این شکل‌ها خیلی به هم نزدیک باشد ولی هر سلول به دلیل تفاوت‌های جزیی شیمیایی و فیزیکی که دارند دارای شکل‌های Spike مختص خود هستند. برای مثال در شکل زیر چند شکل از Spike های مختلف را مشاهده می‌کنیم.شکل‌های مختلفی از Spike هااین سیگنالی که آن را Spike نامیده‌ایم برای یک سلول عصبی است. برای اینکه بتوانیم این سیگنال‌ها را مشاهده کنیم باید به کمک الکترودهای الکترونی اختلاف پتانسیل داخل و خارج سلول را مانیتور کنیم تا بتوانیم این Spike ها را مشاهده کنیم. این کار نیاز به تکنولوژی بسیار بالایی دارد. حال کسانی که در علوم شناختی فعالیت می‌کنند به دنبال پیدا کردن ارتباط بین محرک‌ها خارجی و مشاهده تاثیر آن محرک بر روی مغز و رفتار خروجی می‌باشند. به همین دلیل برای انجام آزمایش نیاز دارند که شخص آزمایش کننده به هش باشد و هوشیار تا بتواند یک سری عمل شناختی را انجام دهد و همزمان بتوان از فعالیت‌های مغزی او تصویربرداری کرد. به این خاطر بسیاری از روش‌های تصویر برداری قابل انجام نیست چون نیاز به شکافتن مغز دارد. یکی از روش‌های بسیار محبوب و بدون آسیب در تصویر برداری مغز، روش EEG نام دارد. در این روشتعداد زیادی الکترود به سر آزمایش شونده می‌چسبانند و بعد شروع به تصویر برداری می‌کنند. چیزی که این الکترود‌ها ثبت می‌کنند مجموعه‌ای از میدان‌های الکتریکی است که به دلیل فعالیت‌ تعداد بسیار زیادی نرون ایجاد می‌شود. برای مثال ممکن است ولتاژی که یک الکترود در EEG ثبت می‌کند برآیند فعالیت چند میلیون نرون باشد. میزان دقت مکانی این روش بسیار کم‌تر از تصویربرداری سلولی است ولی می‌توان با روش‌هایی دقت این روش را نیز بالا برد. در تصویر زیر نمونه‌ای از سیگنال‌های دریافتی از الکترود‌های EEG را مشاهده می‌کنید.نمونه‌ای از سیگنال‌های دریافت شده از الکترودهای EEG حال در ادامه می‌خواهم نحوه‌ی پردازش این سیگنال‌های ثبت شده مغزی را توضیح دهم. این پروسه‌ای که در ادامه بررسی می‌کنیم Spike Sorting Method نام دارد. در این فرآیند هدف این است که از درون یک سیگنال ثبت شده Spike ها و الگوی ایجاد آن‌ها را استخراج کنیم و بتوانیم بر اساس فعالیت شناختی که انجام شده این داده‌های بدست آمده را لیبل گذاری کنیم.شکل زیر داده‌ی یک دقیقه از یک الکترود EEG است که با فرکانس ۳۲ کیلوهرتز نمونه‌برداری کرده است.یک دقیقه از داده ثبت شده توسط الکترود EEG هر سیگنالی که توسط الکترودهای EEG ثبت می‌شود دارای دو طیف فرکانسی هستند. ساختار اصلی سیگنال که دارای فرکانس‌های پایینتر از ۳۰۰ هرتز هستند که به آن‌ها LFP گفته می‌شود. و فعالیت‌های Spike که دارای فرکانس بالاتر از ۳۰۰ هرتز هستند. به همین دلیل زمانی که یک سیگنال EEG را دریافت می‌کنیم، برای مطالعه فعالیت‌های Spike باید ابتدا سیگنال‌ها را از فیلتر‌های فرکانسی پایین‌گذر و بالاگذر عبور دهیم. نتیجه‌ی انجام این کار دو شکل زیر خواهد بود که یکی نتیجه عبور از فیلتر پایین‌گذر که خروجی آن سیگنال‌های LFP است و دیگری نتیجه عبور از فیلتر بالاگذر که خروجی آن فعالیت‌های Spike است.خروجی عبور سیگنال از فیلتر پایین‌گذر(LFP) خروجی عبور سیگنال از فیلتر بالاگذر (Spike)خروجی فیلتر بالاگذر که آن را Spike نامیده‌ایم از مجموع نویزها و فعالیت‌های بسیار کوچک سلولی بدست آمده است. پس برای اینکه بتوانیم فقط Spike ها را از درون آن بیرون بکشیم، باید به کمک یک ولتاژ آستانه جاهایی از سیگنال که Spike دارد را پیدا کرده و بعد آن‌ها را نشان دهیم. برای این کار بر روی سیگنال حرکت می‌کنیم. هرکجا که مقدار سیگنال بیشتر از مقدار آستانه که ما در اینجا 0.000045 ولت در نظر گرفتیم بیشتر شد یک پنجره ۱.۵ میلی ثانیه‌ای از آن سیگنال را ذخیره می‌کند. خروجی این کار تعداد بسیار زیادی سیگنال Spike می‌باشد که اگر آن‌ها را روی هم رسم کنیم به صورت شکل زیر خواهد بود.پنجره ۱.۵ میلی ثانیه‌ای از تمامی Spike های تشخیص داده شده در سیگنالحالا بر اساس شکل سیگنال‌های Spike بدست آمده می‌توان آن‌ها را کلاستر یا خوشه‌بندی کرد. برای این کار من از الگوریتم Kmeans با تعداد خوشه‌ی ۳ استفاده کردم. بعد از اینکه سیگنال‌های مختلف در خوشه‌های مختلف قرار گرفتند، برای هر خوشه یک سیگنال میانگین به عنوان نماینده آن سیگنال تولید کردیم که آن را در شکل زیر مشاهده می‌کنیم. در شکل زیر ۳ سیگنال مشاهده می‌شود که هر کدام میانگین سیگنال‌های هر خوشه است.سیگنال میانگین نشان‌دهنده هر خوشههمانطور که مشخص است دوتا از سیگنال‌ها از نظر ساختار شکلی خیلی نزدیک به هم هستند. ولی یک سیگنال از نظر ساختار شکلی تفاوت زیادی دارد. این موضوع نشان می‌دهد که به احتمال خوبی سیگنال‌های ثبت شده توسط یک الکترود EEG برآیند فعالیت ۳ نوع مختلف از نرون‌ها بوده است. اگر بخواهیم این دسته بندی را در یک فضای دو بعدی نشان دهیم می‌توانیم به کمک PCA ابعاد داده را کم کرده و آن را به دو بعد کاهش دهیم و بعد آن را در فضای دو بعدی نشان دهیم. نتیجه این کار شکل زیر می‌باشد.نحوه‌ی توزیع داده‌های Spike در ۲ بعد بر اساس مهم‌ترین ویژگی‌هااین روش Spike Sorting که توضیح داده شد، یکی از روش‌های بسیار مهم برای مطالعات سیگنال‌های مغزی می‌باشد و در بین دانشمندان علوم شناختی بسیار طرفدار دارد و دقت بسیار خوبی دارد. زیرا هم می‌توان به کمک EEG از یک آزمون‌شونده هوشیار بدون آسیب فیزیکی نمونه برداری انجام دهیم، آن هم در حین انجام یک عمل شناختی و هم می‌توانیم الگوی فعالیت‌های مغزی را بر اثر فعالیت‌ها به کمک روش بالا بدست بیاوریم. farhad.azadjoo70 farhad.azadjoo70 Fri, 03 May 2019 13:29:23 +0430 https://virgool.io/@farhad.azadjoo70/%D9%85%D8%B9%D9%85%D8%A7%DB%8C-%D8%A7%D8%AF%D8%B1%D8%A7%DA%A9-%D9%85%D8%A7-wbpj5xxm6kss خوب به تصویر زیر نگاه کنید. روی آن متمرکز شوید و فکر کنید که آیا می‌توانید تشخیص دهید این تصویر چیست؟عکس بالا یک نقاشی بسیار معروف است که در کتاب کندل در ابتدای فصل مربوط به ادراک آمده است. این تصویر بالا تکه‌ای از نقاشی آقای Chuck Close میباشد. چیزی که در آن برای ما مهم است این است که ادراک ما به چه صورت شکل می‌گیرد؟ یا به صورت دقیق‌تر حالات روانی ما چگونه در هر لحظه بر اساس ورودی‌ها به مغز تغییر می‌کنند؟حالات روانی به تمامی حالات ادراکی و درک از جهان اطراف ما است و اینکه در هر لحظه در چه وضعیتی به سر می‌بریم گفته می‌شود.تکه‌های سازنده‌ی نقاشی بالا یک سری لوزی‌های طرح دار در کنار هم قرار گرفته هستند و با هم تصویر یک چشم پشت عینک را نشان می‌دهند.سوال این است که چرا با دیدن عکس اول نمی‌توانیم تشخیص دهیم که تصویر چیست، ولی با دیدن تصویر کامل متوجه آن می‌شویم؟ شاید جواب این باشد که مغز یک شناسایی الگو انجام می‌دهد و الگوها را با هم تطابق می‌دهد. برای همین ما تصویر کامل را تشخیص می‌دهیم. ولی سوال این است که تصویر چشم همانی است که در تصویر کامل میبینیم! پس چه چیزی فرق کرده است؟ما به دنبال جواب این سوال هستیم که چرا ما تصویر کلی را به منزله‌ی یک صورت ادراک می‌کنیم؟ و ریزه کاری‌های مغز ما برای فهم این داستان چیست؟به نظر می‌رسد یک تفاوتی میان نگاه کلی و نگاه جزیی وجود دارد. به اصطلاح نگاه به Global features ها و Holistic features ها تفاوت‌هایی دارند. آن چیزی که سالیان سال فکر دانشمندان را مشغول کرده بود این است که چرا این اتفاق می‌افتد؟ چرا ادراک ما بر اساس جزییات تغییر می‌کند؟ در واقع آن‌ها به دنبال تعبیر مکانیستی بودند. یعنی اینکه آیا می‌توان یک مکانیزمی برای ادراک پیدا کرد؟ یک سوال اساسی و مهم دیگر این است که من چه هستم؟ اگر به خودمان نگاه کنیم مشاهده می‌کنیم که ما مجموعه‌ای از اندام‌ها هستیم. اندام‌ها تشکیل شده از انواع پروتین‌ها هستند. پروتین‌ها از مولکول‌ها تشکیل شده‌اند و مولکول‌ها از اتم‌ها. پس ما مجموعه‌ای از مولکول‌ها هستیم. حال اگر بدانیم که تقریبا هر ۵ سال یک بار، تمام مولکول‌های بدن با مولکول‌های جدید جایگزین می‌شوند، آیا ما هر ۵ سال یک بار تغییر می‌کنیم و یک فرد جدید می‌شویم؟ جواب خیر است. مفهوم من یا خود یک مفهوم پیوسته است. درکی که ما از خود داریم در طول زمان تغییر نمی‌کند. پس چه اتفاقی می‌افتد؟ادراک همان کیفیت تجربه‌ای است که منحصر به فرد است. یکی از مباحث بسیار مهم و جذابی که در علوم شناختی و علوم اعصاب شناختی وجود دارد این است که سعی می‌شود ادراک و فعل و انفعالات مغز را به صورت مکانیستی توصیف کرد. در این حوزه، طراحی آزمایشاتی که بتوان حالات روانی را با آن مورد بررسی قرار داد، به شدت سخت است. ما وقتی می‌خواهیم پدیده‌ی بسیار بزرگی مانند ادراک را که در نتیجه‌ی همان فعل و انفعالات سلول‌های عصبی است را بدست بیاوریم، یک راه این است که نحوه‌ی فعالیت این سلول‌ها را مشاهده کنیم. فرض کنید که ما تک تک فعالیت این سلول‌ها را درآوردیم و بعد می‌خواهیم ببینیم که ادراک از کجای این فعالیت‌ها به وجود می‌آید؟ پاسخ به این سوال بسیار سخت است. زیرا ما با ویژگی‌ایی بر می‌خوریم که آن ویژگی‌ها به صورت تکی هیچ مولفه‌ی سازنده‌ای ندارند ولی وقتی تعدادی از این ویژگی‌ها در کنار هم قرار می‌گیرند، ناگهان مولفه‌های سازنده پدیدار می‌شوند. کلونی مورچه‌ها یک مثال بسیار خوب از این موضوع است. مورچه‌ها موجوداتی هستند که از هوش بسیار پایینی برخوردار هستند. یعنی در سطح فردی باهوش نیستند. ولی در ارتباط با همدیگر یک سری ویژگی‌هایی را به وجود می‌آورند که هوش جمعی آن‌ها را بسیار بالا می‌برد. این ویژگی‌ها منحصر به مجموعه است و در تک تک اجزا وجود ندارد. بنابراین ایجاد ارتباط بین کل و جز بر اساس ویژگی‌ها یکی از مشکلات بزرگی است که در مطالعات علم اعصاب شناختی وجود دارد. اگر بخواهیم به عکس اول بازگردیم، اجزای تشکیل دهنده عکس، یک سری لوزی هستند که کنار هم چیده شده‌اند. هر کدام از این لوزی‌ها هیچ نسبتی با مجموعه کلشان ندارند. با کنار هم قرار گرفتن آن‌ها، وقتی به آن نگاه می‌کنیم در یک شرایط خاص آن ادراک تصویر چهره شکل می‌گیرد.به صورت کلی ما می‌خواهیم بفهمیم که پدیده‌های روانی که مهم‌ترین آن‌ها چیزهایی مثل دیدن، شنیدن، توجه کردن، تصمیم گرفتن، حرف زدن و فکر کردن به چه صورت دارد در مغز ما پیاده‌سازی می‌شود. farhad.azadjoo70 farhad.azadjoo70 Sat, 27 Apr 2019 10:56:51 +0430 https://virgool.io/@farhad.azadjoo70/%DA%86%D8%B1%D8%AE%D9%87-%D8%B9%D9%84%D9%85%DB%8C-%DA%86%DA%AF%D9%88%D9%86%D9%87-%D8%B9%D9%85%D9%84-%D9%85%DB%8C%DA%A9%D9%86%D8%AF-os1ndau5on4w یک نکته بسیار مهمی که معمولا در مطالعات علمی به آن‌ها دقت نمی‌کنیم، این است که این مطالب به شکل تولید شده‌اند و فرآیند تولید آن‌ها چه بوده است. این که فیزیک، شیمی، علم اعصاب، زیست‌شناسی، روان‌شناسی و صدها حوزه‌ی علمی دیگر در طول زمان رشد و پیشرفت کردند، چگونه اتفاق افتاده است. این پست حاصل سوالی بود که برای خود من پیش آمده بود. اینکه وقتی شما در حال مطالعه یک حوزه‌ی علمی هستید چطور باید یک پدیده و تفسیر را بپذیرید و چطور یک نتیجه‌گیری و تفسیر را نپذیرید. این سوال هم از اینجا به وجود آمد که در حال مطالعه مطالبی در مورد آگاهی و فلسفه ذهن بودم که با انبوهی از نظریه‌ها و نتیجه‌گیری‌های فلسفی و علمی توسط دانشمندان به نام در این حوزه مواجه شدم. نظراتی و نتیجه‌گیری‌هایی که در بعضی از جاها کاملا با هم مخالف بودند و در بعضی از جاها اگر همدیگر را رد نمی‌کردند، همدیگر را تایید هم نمی‌کردند. و از آنجایی که تمامی این افراد، در حوزه گفته شده بسیار به نام و افراد تاثیر گذار این حوزه بودند، سردرگم می‌شویم که خب در نهایت چه چیزی درست است. آیا کسی در این میان درست می‌گوید؟ چطور می‌توانم به یکی از آن‌ها اطمینان کنم؟ برای درک بهتر این فرآیند پیچیده، یک سوال مطرح می‌کنم. برای جواب دادن به آن کمی فکر کنید.وقتی که یک گزاره علمی می‌شنویم. برای مثال انجام کارها و فعالیت‌های جدید که برای ذهن و مغز چالش جدید ایجاد می‌کند، باعث رشد سلول‌های عصبی و مسیرهای عصبی می‌شود. معیار ما برای اینکه بگوییم این گزاره صحیح است یا غلط چیست؟ معیار صحت‌سنجی یک گزاره علمی چیست؟برای پاسخ به این سوال کمی باید فلسفه علم را مطالعه کرد ولی من سعی دارم در اینجا بسیار خلاصه و مختصر چرخه‌ی علمی را بررسی کنم.چرخه علمیهر پدیده‌ای که تبدیل به یک علم و یا یک نظریه علمی می‌شود، باید به طور ساده ۴ مرحله چرخه بالا را طی کند. حال این چهار مرحله چه هستند. اولین و بنیادی‌ترین مرحله در چرخه علمی مشاهده است. به بیان دیگر مبنای یک کار علمی مشاهده است. ما باید یک چیزی را در دنیای خارج ببینیم و شروع کنیم به توضیح دادن آن. معروف‌ترین مثالی که از مشاهده می‌توان زد داستان مشاهده یک سیب که از درخت به زمین افتاد توسط نابغه‌ای به نام نیوتون بود. برای مشاهده باید به دنیای اطراف خوب نگاه کرد. مساله خوب نگاه کردن به دنیای اطرافمان و مشاهده دقیق، بسیار مساله مهمی است. خیلی از کسانی که جوایز نوبل را دریافت کرده‌اند مانند انیشتین، مشاهده‌گرهای بسیار خوبی بوده‌اند. البته وقتی در مورد مشاهده صحبت می‌کنیم، این مشاهده پذیری باید برای همه اتفاق بیافتد. زیرا بعضی از پدیده‌های باعث ایجاد یک سری حالات درونی فاعلی در افراد می‌شود که در هر شخصی ممکن است متفاوت باشد. برای همین مشاهده پذیری آن برای هر کس به یک شکل نیست. معمولا در چرخه علمی دسته اول را منظور می‌کنیم. تکرارپذیری اصل دومی است که در یک چرخه علمی وجود دارد. هر مشاهده‌ای که انجام می‌شود برای این که بتواند در چرخه علمی جلو برود و تبدیل به یک نتیجه یا یک نظریه شود باید تکرار پذیر باشد. برای مثال وقتی که می‌گوییم آب در یک فشار معیین در ۱۰۰ درجه سانتیگراد به جوش میاید، باید هر بار که در یک فشار ثابت آب را حرارت دهیم در ۱۰۰ درجه به جوش بیاید. یعنی این مشاهده باید بتواند تکرار شود. یا به عنوان مثالی دیگر وقتی می‌گوییم جسم از سطح شیبدار با شیب ثابت و اصطکاک مشخص، با یک شتاب مشخص پایین می‌آید، باید هر دفعه که جسمی ثابت را از روی آن رها می‌کنیم در یک زمان به پایین برسد. پس برای تست کردن یک نظریه یا فرضیه اولین شرط لازم، تکرارپذیری است. در نتیجه مشاهده تکرار پذیر در چرخه‌ی علمی بسیار مهم است. یک نکته بسیار مهم دیگری که وجود دارد، رابطه بین استقرا و استنتاج است. در چرخه‌ی علمی استقرا در ابتدای چرخه اتفاق می‌افتد. در مرحله‌ی مشاهده و تکرار ، استقرا شکل می‌گیرد. از این‌جا به بعد باید با استفاده از اصول پذیرفته شده، شروع کنیم به بکارگیری قواعد منطق و ریاضیات تا بتوانیم نتیجه‌گیری جدید انجام دهیم. بعد از مشاهدات تکرارپذیر، شروع به تفسیر پدیده‌های مشاهده شده می‌کنیم. ممکن است از مشاهدات تکرارپذیر، بتوان چندین تفسیر متفاوت انجام داد. و این اتفاق هم می‌افتد. زمانی یک در مورد یک پدیده‌ی مشاهده شده بحث می‌شود، افراد مختلفی تفسیرهای مختلفی ارایه می‌دهند. این تفسیرها حکم یک عینک با ویژگی‌های منحصر به خود را دارند. از آن پس باید آن عینک را به چشم زد و دنیا را با آن عینک مشاهده کرد. اگر بتوان وقایه و مشاهدات دنیای اطراف را با آن عینک به بهترین شکل ممکن مشاهده و توضیف کرد، پس می‌توان آن تفسیر و یا نظریه را پذیرفت. این اختلاف نظرهایی که برای مثال در روان‌شناسی وجود دارد، دقیقا در این مرحله شکل می‌گیرد. دانشمندان همگی یک سری مشاهدات یکسان تکرارپذیر دارند ولی هر کدام از آن‌ها تفسیر خود را از مشاهده آن پدیده‌ها دارد. حال اینکه کدام تفسیر، تفسیر درست‌تری است بستگی به آن دارد که چقدر دقیق بتواند آن پدیده‌ها را توصیف کند.در نهایت بعد از تفسیرها نوبت به صحت‌سنجی است. تا قبل از این مرحله را یک فرد انجام می‌دهد. ولی صحت‌سنجی توسط افراد مختلفی انجام می‌شود. در صحت‌سنجی افراد زیادی شروع به بررسی تفسیرهای انجام شده می‌کنند. و نتایج آزمایش‌هایشان را گزارش می‌کنند. جواب همین گزارش نتایج است که قدرت یک تفسیر را افزایش یا کاهش می‌دهد.حال دوباره به سوال اول بر می‌گردیم. وقتی یک گزاره‌ی علمی را می‌شنویم، معیار ما برای صحت‌سنجی این گزاره چیست؟با توجه به مطالب بالا برای صحت‌سنجی یک گزاره‌ی علمی باید ببینیم که بر اساس چه مشاهداتی، گزاره علمی ایجاد شده است. آیا این مشاهدات تکرارپذیر هستند؟ در فرآیند صحت‌سنجی تا چه میزان می‌توان اتفاقات دنیای خارج را با آن تفاسیر توضیح داد. farhad.azadjoo70 farhad.azadjoo70 Sat, 30 Mar 2019 11:21:40 +0430 https://virgool.io/@farhad.azadjoo70/%D8%A2%DB%8C%D8%A7-%D8%B0%D9%87%D9%86%D9%85%D9%86%D8%AF%DB%8C-%D9%88%DB%8C%DA%98%DA%AF%DB%8C-%D8%A7%D9%86%D8%B3%D8%A7%D9%86%DB%8C-%D8%A7%D8%B3%D8%AA-a9thkjdvd2pl طراحی ماشین‌های هوشمندی که به انسان شباهت داشته باشند، دغدغه‌ای به شمار می‌رود که از گذشته‌های دور وجود داشته است. متخصصان علم رباتیک، بدون توجه به مسایل فلسفی یا روان‌شناختی مطرح در زمینه هوشمندی یا آگاهی و صرفا در جستجوی دستیابی به هدف خود، یعنی طراحی یک موجود مصنوعی، تلاش خود را برای طراحی ربات‌های انسان مانند آغاز کردند. اما طراحی این ربات‌ها، خواسته یا ناخواسته باعث طرح سوالاتی در مورد ماهیت آگاهی، هوشمندی و ذهن شده است. در یکی دو دهه اخیر ربات‌هایی طراحی شدند که از برخی جهات، رفتاری شبیه انسان دارند. ربات‌های Cronos , ASIMO و Kismet را می‌توان از این دسته نام برد.ربات Cronos ربات ASIMO ربات Kismet این محققان، در طراحی‌های خود تلاش کردند ربات‌هایی که می‌سازند از لحاظ روان‌شناختی نیز به انسان شباهت داشته باشد. واکنش‌های این ربات‌ها بسیار شبیه انسان است و افراد عادی‌ای که با آن‌ها روبرو می‌شوند، معمولا گزارش می‌کنند که احساس کرده‌اند که با موجودی دارای خصوصیات انسانی روبرو بوده‌اند. اگر زمانی برسد که این ربات‌ها طوری رفتار کنند که همه‌ی ویژگی‌های انسانی همانند ویژگی‌های عاطفی، شناختی و حرکتی را شبیه‌سازی نمایند، به گونه‌ای که انسان نتواند آن‌ها را از انسان واقعی تشخیص دهد، آیا در این صورت این ماشین‌ها را نمی‌توان موجودات ذهنمند در نظر گرفت؟ در واقع این سوال همان سوال قدیمی‌ای است که توسط تورینگ(۱۹۵۰) برای تعریف هوشمندی طراحی شده بود. البته پاسخ دادن به این سوال در وضعیت فعلی با دانش کنونی، دشوار است. اما می‌توان پیش‌بینی کرد که ادامه این تحولات حداقل تردید‌هایی در مورد منحصر به فرد بودن انسان و برخی از ویژگی‌هایی که انسانیت او را تعیین می‌کنند، ایجاد نماید. این تردید به ویژه وقتی بیشتر می‌شود که بتوان از برخی سیستم‌های بیولوژیکی در طراحی سیستم‌های هوشمند استفاده کرد. همچنین می‌توان ربات‌هایی را تصور کرد که قسمتی از وجود آن‌ها را ماشین و بخش دیگری را سیستم بیولوژیکی تشکیل دهد. مواجهه با چنین رباتی، بیشتر از ربات‌های پیشین ذهن و احساس ما را متقاعد خواهد کرد که ما با موجودی شبیه انسان روبرو هستیم. در کنار این حرکت برای شبیه کردن ماشین به انسان، مسیر مطالعاتی دیگری نیز وجود دارد که حرکتی در جهت مقابل را در پیش گرفته است. اضافه کردن ابزار و ادوات سخت‌افزاری یا نرم‌افزاری به ذهن یا مغز انسان. در برخی از متون از چنین انسانی تحت عنوان Cyborg نام برده می‌شود. انسانی که حداقل بخشی از او مجهز به ادوات مصنوعی است. برای مثال افرادی که دچار نقص عضو هستند مانند کسانی که دست یا پای خود را از دست داده‌اند به کمک جراحی‌هایی می‌توانند از دست و یا پاهای رباتیک که با سیگنال‌های مغزی کنترل می‌شوند استفاده کنند. به طور دقیق‌تر پیوند یک عضو رباتیک به یک بدن بیولوژیکی.بر این اساس یک سوال اساسی به وجود می‌آید. تصور کنید در آینده با انسانی روبرو می‌شوید که ۳۰ درصد از بدن یا مغز او از ماشین است و با ماشینی روبرو می‌شوید که ۳۰ درصد از آن از طریق پیوند اندام‌های بیولوژیکی موجودات زنده حاصل شده است. آنگاه اگر از شما خواسته شود که مشخص کنید که کدام یک از این دو انسان هستند؟ به احتمال زیاد پاسخ ورد اول خواهد بود. اما اگر با انسانی روبرو شوید که ۷۰ درصد از بدن و مغز او از ماشین باشد و با ماشینی روبرو شوید که ۷۰ درصد از آن از طریق پیوند اندام‌های بیولوژیکی موجودات زنده حاصل شده باشد، آیا بار دیگر با همان قاطعیت از گزینه‌ی اول دفاع می‌کنیم؟؟؟ یا باید به دنبال تعریف شاخص‌ها یا نسبت‌های جدید برای تعریف انسانیت باشیم؟؟؟؟این‌ها سوالاتی هستند که به شدت فلاسفه‌ی ذهن، انسان‌شناس‌ها، متخصصین علوم اعصاب شناختی و در کل دانشمندان علوم شناختی درگیر پاسخ دادن به آن‌ها هستند. farhad.azadjoo70 farhad.azadjoo70 Thu, 28 Mar 2019 03:10:26 +0430 https://virgool.io/dataio/%D8%B4%D8%A8%DA%A9%D9%87%D9%87%D8%A7%DB%8C-%D8%B9%D8%B5%D8%A8%DB%8C-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%DA%86%DA%AF%D9%88%D9%86%D9%87-%DB%8C%D8%A7%D8%AF-%D9%85%DB%8C%DA%AF%DB%8C%D8%B1%D9%86%D8%AF-xd1t2dn2wc5x تو پست قبلی که در مورد شبکه‌های عصبی مصنوعی از نگاه علوم شناختی گذاشته بودم و بازخوردهایی که گرفتم متوجه شدم که بد نیست یه توضیح ساده و روان ولی جامع از نحوه‌ی عملکرد شبکه‌های عصبی مصنوعی و نحوه‌ی یادگیری اون‌ها با نگاه ریاضی در این رابطه بدم. برای همین تو این پست سعی میکنم تا جایی که میتونم با مثال‌های ساده و توضیح ساده و روان نحوه‌ی عملکرد شبکه‌های عصبی رو توضیح بدم.قبل از اینکه شروع کنم باید چندتا مفهوم ساده ولی خیلی مهم رو ذکر کنم. ما الگوریتم‌های یادگیری ماشین رو به چند دسته کلی تقسیم می‌کنیم. یک سری از الگوریتم‌ها اصطلاحا با نظارت هستند. یعنی برای اینکه از الگوریتم بتونید استفاده کنید نیاز دارید داده‌هایی داشته باشین که برچسب خورده باشند. برای مثال فرض کنید میخواهیم بر اساس قد دانشجویان، بدون اینکه آن‌ها را ببینیم، پیش‌بینی کنیم که یک دانشجو دختر است یا پسر. برای این کار نیاز به یک سری داده نمونه داریم. برای همین شروع به جمع‌آوری داده میکنیم. فرض کنید شروع می‌کنیم برای چند روز متوالی در دانشگاه از افراد مختلف اندازه‌ی قد آن‌ها را پرسش میکنیم و آن داده را بر اساس جنسیت آن‌ها وارد لیست می‌کنیم. نتیجه این جمع‌آوری داده برای مثال به شکل زیر خواهد بود. به اضافه کردن جنسیت در هنگام اندازه‌گیری قد، برچسب زدن می‌گویند. پس در نهایت مجموعه داده‌ی نمونه ما یک سری اندازه‌ی قد است که مشخص است این قد مربوط به یک زن بوده است یا مرد. پس الگوریتم‌هایی که با مجموعه داده‌های برچسب خورده کار می‌کنند الگوریتم‌ها با نظارت یا (Supervised) نامیده می‌شوند. یک سری دیگر از الگوریتم‌ها هستند که اصطلاحا بدون نظارت هستند. یعنی مجموعه داده‌ای که داریم هیچ برچسبی ندارد. فرض کنید مجموعه داده‌ای داریم که فقط شامل اطلاعات میزان ترش بودن(اسید) داخل میوه که از صفر تا ۵ مقداردهی شده و قطر میوه بر اساس سانتیمتر می‌باشد. هیچ برچسبی مبنی بر اینکه هر جفت مشخصه مربوط به چه میوه‌ای است نداریم. اگر داده‌ها را نمایش دهیم همچین چیزی خواهیم داشت که می‌توان آن‌ها را به سه دسته تقسیم کرد. حال اینکه هر کدام از این سه دسته نشان‌گر چه میوه‌ای هستند نمی‌دانیم.به این مدل الگوریتم‌ها که با داده‌های بدون برچسب کار می‌کنند، الگوریتم‌های بدون نظارت یا (Unsupervised) گفته می‌شود. الگوریتم‌های ترکیبی هم وجود دارند که هم قسمتی از داده‌های آن‌ها برچسب‌دار و قسمتی دیگر از داده‌های آن‌ها بدون برچسب است که به آن‌ها نیمه نظارتی یا (Semi-Supervised) گفته می‌شود. حال برگردیم به شبکه‌های عصبی مصنوعی. شبکه‌های عصبی مصنوعی یک سری از مدل‌ها و الگوریتم‌های یادگیری ماشین هستند که غالبا الگوریتم‌های با نظارت یا (Supervised) می‌باشند و در اکثر اوقات برای طبقه‌بندی یا تصمیم‌گیری از آن‌ها استفاده می‌شود. حال سوال اصلی این است که چطور می‌توانیم به کمک شبکه‌های عصبی مصنوعی یادگیری انجام داده و بر اساس آن طبقه‌بندی یا تصمیم‌گیری انجام دهیم؟فکر میکنم بهترین راه برای توضیح این فرآیند با یک مثال باشه. در ادامه می‌خواهیم فرآیند یادگیری تصاویر اشیای مختلف توسط شبکه عصبی را توضیح دهیم. فرض کنید یک مجموعه داده ۶۰۰۰۰ تایی از عکس‌های ۳۲ در ۳۲ پیکسلی که مربوط به ۱۰ دسته یا کلاس مختلف است داریم. تصویر زیر نمونه‌ای از این مجموعه داده می‌باشد.برای اینکه این داده‌ها را به صورت عددی تبدیل کنیم باید مقدار عددی پیکسل‌های هر عکس را ذخیره کنیم. عکس‌های رنگی توسط سه لایه سبز و آبی و قرمز (RGB) ساخته‌ می‌شوند. پس برای هر عکس رنگی ۳۲x۳۲ پیکسلی ما ۳ عکس ۳۲x۳۲ داریم که هر کدام از یک لایه رنگ تشکیل می‌شود.علاوه بر این هر کانال عکس‌های RGB اگر ۸ بیتی باشند برای هر پیکسل عددی بین صفر تا ۲۵۵ خواهد بود که این عدد میزان اندازه و قدرت رنگ را مشخص می‌کند. پس با توجه به چیزهایی که در مورد عکس‌های رنگی گفته شد می‌توان هر عکس رنگی RGB که هر پیکسل کانال‌های آن ۸ بیتی باشد را می‌توان به صورت عددی به صورت زیر نشان داد.خب پس می‌توان هر عکس رنگی را به صورت برداری از اعداد ۰ تا ۲۵۵ نشان داد. خب اگر به مجموعه داده خود بر گردیم، ما عکس‌های رنگی ۳۲x۳۲ داریم. هر عکس رنگی دارای ۳۲ ضربدر ۳۲ که برابر با ۱۰۲۴ پیکسل است. هر پیکسل خود شامل سه عدد مربوط به کانال قرمز و آبی و سبز می‌باشد. بنابراین در کل ۱۰۲۴ * ۳ برابر با ۳۰۷۲ است عدد داریم که نشان‌گر یک عکس رنگی ما است. از طرفی برچسبی که به هر داده اختصاص می‌دهیم را می‌توان با عددی بین ۱ تا ۱۰ نشان داد. به این صورت که برای مثال به عکس‌های هواپیما برچسب ۱، به عکس‌های اتومبیل برچسب ۲، به عکس‌های پرنده‌ها برچسب ۳ و الی آخر اختصاص می‌دهیم.پس هر عکس شامل ۳۰۷۲ مقدار برای اطلاعات عکس و یک مقدار برای برچسب دارد. پس هر عکس دارای ۳۰۷۳ مقدار است. برای هر کدام از ۶۰۰۰۰ داده‌ای که داریم این ۳۰۷۳ مقدار را خواهیم داشت. تا به اینجا در مورد مجموعه داده نمونه و ویژگی‌های اون و نحوه‌ی آماده‌سازی اون صحبت کردیم. از اینجا به بعد باید شروع به ساختن شبکه عصبی است. هدف از این کار یادگیری عکس‌های این ۱۰ کلاس است به طوری که بعد از یادگیری اگر یک عکس جدید از این ۱۰ کلاس به شبکه وارد کنیم، بتواند مشخص کند این عکس وارد شده مربوط به کدام دسته یا کلاس می‌باشد. شبکه‌های عصبی از چندین لایه نرون تشکیل شده است که هر لایه آن وظایف خاص خودش را دارد. لایه ورودی وظیفه دریافت داده را دارد. معمولا تعداد نرون‌های آن برابر با تعداد ویژگی ورودی می‌باشد. اگر اندازه‌ی هر پیکسل عکس را یک ویژگی عکس در نظر بگیریم، پس هر عکس ما شامل ۳۰۷۲ ویژگی می‌باشد. بنابراین شبکه‌ی عصبی که طراحی می‌کنیم باید ۳۰۷۲ نرون به عنوان لایه ورودی داشته باشد. هر نرون ورودی با یک وزنی که در مقدار آن ضرب می‌شود به لایه‌های بعدی می‌رود. حال سوال این است که فرآیند یادگیری به چه صورت است؟تا به حال به فرآیند یادگیری کودکان دقت کردید؟ برای مثال سوال‌های این چیه؟ در یک سن و سالی خیلی از بچه‌ها شنیده میشه. و جواب والدین و یا اطرافیان که مثلا این ظرفه، این توت فرنگیه، این هواپیما. و اگر بعضی وقت‌ها بچه‌ها با دیدن یک شی جدید آن را اشتباه تشخیص دهند، والدین او را تصحیح می‌کنند. مثلا اگر یک کودک یک نارنگی را اشتباه پرتقال تشخیص دهد، او را تصحیح می‌کنند. بعد از چندین بار اشتباه کردن، کودک کم کم یاد می‌گیرد که چگونه نارنگی را از پرتقال تفکیک کند. دقیقا همین فرآیند در یادگیری شبکه عصبی مصنوعی اتفاق می‌افتد. ما به کمک مجموعه داده‌ای که داریم عکس‌های ورودی را وارد شبکه می‌کنیم و سعی می‌کنیم با تنظیم وزن‌ها عددی تولید کنیم که نشان دهنده شماره کلاس تصویر باشد. از آنجایی که برچسب عکس‌ها را داریم، می‌توانیم مقدار خروجی تولید شده توسط شبکه را با خروجی اصلی مقایسه کنیم و سعی کنیم وزن‌ها را طوری به روز رسانی کنیم که دقت بیشتری تولید کنیم. البته برای تصاویر از یک نوع خاص از شبکه‌های عصبی مصنوعی استفاده می‌شود که به آن‌ها شبکه‌های عصبی کانوولوشن گفته می‌شود. من در اینجا نمی‌خواهم آن مدل از شبکه‌ها را توضیح دهم ولی کلیت عملکرد آن مشابه آن چیزی است که در اینجا توضیح می‌دهم. بعد از فرآیند آموزش شبکه با داده‌های آموزش، وزن‌های شبکه به گونه‌ای مقداردهی شده‌اند که با بیشترین دقت بتوانند یک عکس را به عنوان ورودی دریافت کرده و کلاس آن عکس را مشخص کنند. وزن‌ها باید به گونه‌ای تنظیم شوند که قابلیت تعمیم‌پذیری شبکه بالا باشد. یعنی اگر عکس‌های جدیدی از ۱۰ کلاس آموزش دبده شده به آن بدهیم بتواند با دقت خوبی کلاس آن را مشخص کند. یکی از کار‌های مهمی که طراحان شبکه عصبی انجام می‌دهند طراحی معماری شبکه است. معماری شبکه به صورت ساده به تعداد نرون‌ها، تعداد لایه‌های مخفی یا میانی و تعداد نرون‌های خروجی است. تعداد نرون‌های ورودی معمولا بع تعداد ابعاد ویژگی داده است. در این مثال برای خروجی می‌توان ۱۰ نرون( تعداد کلاس‌ها) در نظر گرفت. هر نرون خروجی را به یک کلاس اختصاص می‌دهیم. زمانی که هر عکس را به عنوان ورودی وارد می‌کنیم سعی می‌کنیم وزن‌ها طوری تنظیم شوند که خروجی نرون مربوط به کلاس عکس مقدار نزدیک به یک و بقیه نرون‌های خروجی مقداری نزدیک به صفر داشته باشند. به این ترتیب بعد از اینکه شبکه آموزش دید، با وارد کردن یک عکس جدید به عنوان ورودی انتظار داریم از ۱۰ نرون خروجی یک نرون دارای مقدار نزدیک به یک و بقیه نرون‌ها دارای مقادیری نزدیک به صفر داشته باشند. کلاسی که مربوط به نرون با مقدار مزدیک به یک است، کلاس عکس ورودی را مشخص می‌کند.توضیح بالا در مورد شبکه‌های عصبی خیلی مختصر، بدون استفاده از روابط ریاضی بود. جزییات پیاده‌سازی شبکه‌های عصبی در حد یک کتاب است. بنابراین حتما خیلی از موارد پیاده‌سازی ذکر نشده. به نظرم این کلیتی از مفهوم شبکه‌های عصبی و مفهوم یادگیری در این شبکه‌های مصنوعی بود. امیدوارم برای علاقه‌مندان به شبکه‌های عصبی مفید بوده باشه. farhad.azadjoo70 farhad.azadjoo70 Sun, 17 Mar 2019 10:55:29 +0330 https://virgool.io/dataio/%D8%B4%D8%A8%DA%A9%D9%87%D9%87%D8%A7%DB%8C-%D8%B9%D8%B5%D8%A8%DB%8C-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-yfghqsf2lofe در این نوشته می‌خواهم شبکه‌های عصبی مصنوعی که این روزها یکی از حوزه‌های بسیار جدی در علوم کامپیوتر محسوب می‌شود را از منظر شناختی و علوم شناختی توضیح بدهم. توضیح کامل در مورد این حوزه روزها و ماه‌ها زمان لازم دارد. بنابراین سعی میکنم در حد اختصار تا جایی که بتوانم کلیات اصلی این مدل‌سازی نظریه پیوندی ذهن را بررسی کنم.مغز از واحدهای سلولی‌ای به نام نرون تشکیل شده است که به شکلی پیچیده با یکدیگر مرتبط هستند و تشکیل شبکه‌ای را می‌دهند که در آن فعالیت یک سلول می‌تواند بر فعالیت سایر سلول‌های مرتبط اثر بگذارد. ساختار نرونی مغز، الهام بخش برخی محققان برای طراحی شبکه‌های عصبی مصنوعی شد. ایده طراحی شبکه‌های عصبی یا نرونی مصنوعی برای نخستین بار در دهه ۴۰ قرن بیست میلادی مطرح شد. اما در دهه ۸۰ بود که به طور جدی مورد توجه قرار گرفت. نخستین مدل نرونی توسط مک کلاچ و پیتز(۱۹۴۳) ارایه شد. مدل‌های نرونی از جهت تعداد عناصر و پیچیدگی در سطوح مختلف قرار می‌گیرند. در ساده‌ترین سطح مدل‌هایی را داریم که یک نرون را شبیه‌سازی می‌کنند. در سطح بالاتر، مدل‌هایی را داریم که از لایه‌ای از نرون‌ها استفاده می‌کنند. در سطوح بالاتر مدل‌های چند لایه و شبکه‌ای از نرون‌ها شبیه‌سازی می‌شوند و مورد بررسی قرار می‌گیرند. مدل مک کلاچ پیتز مدلی بود که عملکرد یک نرون را شبیه‌سازی می‌کرد. مدل نرونی مک کلاچ پیتزما در این مدل با نرونی مواجه هستیم که دو پاسخ دارد. شلیک یا عدم شلیک. ورودی‌های مختلف نرون با حرف X مشخص شده‌اند. W ها وزن هر ورودی و همینطور تحریکی یا بازدارنده بودن آن‌ها را مشخص می‌کند. بعد از اینکه همه ورودی‌ها در وزن‌های مربوط به خودشان ضرب شدند، با هم جمع می‌شوند. یک مقداری حاصل می‌شود. حال اگر این مقدار از یک مقدار آستانه بیشتر باشد، باعث می‌شود که نرون شلیک کند. یعنی خروجی نرون برابر با یک شود. اگر مقدار ترکیب ورودی‌ها از حد آستانه کم‌تر باشد، خروجی شلیک نمی‌شود و مقدار آن صفر می‌ماند. همانطور که مشخص است این مدل یک مدل ساده شده از عملکرد سلول‌های عصبی مغز ما می‌باشد. حال سوال اساسی این بود که چطور یک نرون مصنوعی می‌تواند یاد بگیرد؟ اگر مقادیر ارزشی که به متغییرهایی مانند وزن یا آستانه اختصاص پیدا می‌کند قابل تغییر باشد، آنگاه می‌توان تصور کرد که با تغییر یا اصلاح آن‌ها، رفتار نرون‌ها تغییر پیدا بکند. برای انجام ایت تغییرات، باید امکانات دیگری به مدل اضافه کرد. برای مثال می‌توان از قانون هب استفاده کرد. اگر دو واحد به طور همزمان فعال شوند، بین آن‌ها پیوند ایجاد می‌شود. مدل نرونی مک کلاچ پیتز اولین و ساده‌ترین مدلی بود که برای شبیه‌سازی شبکه‌های عصبی نرونی انسان استفاده شد. قدرت ای مدل‌سازی به اندازه‌ای نبود که بتواند یادگیری‌های ارزشمندی را انجام دهد. ولی بعد از آن مدل پیشرفته‌تری به نام پرسپترون توسط روزنبلات(۱۹۵۸) مطرح شد. پرسپترون یکی از مدل‌های اولیه است که هم از ویژگی یادگیری برخوردار می‌باشد و نیز از چند لایه سلول برخوردار است. برای همین چند لایه بودن و شکل شبکه‌ای آ می‌توان از عنوان شبکه عصبی مصنوعی برای توصیف آن استفاده کرد. پرسپترون از توانایی تشخیص و طبقه‌بندی الگوهای پیچیده‌تری که به او داده می‌شد، برخوردار بود. تلاش‌های روزنبلات و سایر محققان علاقه‌مند به مدل‌های پیوندی، پس از یک شروع پر هیجان، به خاطر انتقاداتی که توسط مینسکی و پاپرت(۱۹۶۹) مطرح شد، برای مدتی مورد بی‌توجهی قرار گرفت. اما در دهه ۸۰ با پیشنهاد مدل‌های چند لایه‌ای و رفع مشکلات مدل روزنبلات، مجددا مدل‌های پیوندی در کانون توجه قرار گرفت. کارهای بسیار ارزشمندی در اواخر قرن بیستم در این زمینه صورت گرفت. ولی درخشش مدل‌های پیوندی با ورود شبکه‌های عصبی مصنوعی عمیق در اوایل قرن بیست و یک بود که هینتون آن را پایه گذاری کرد. این شبکه‌ها که به شبکه‌های عصبی عمیق معروف هستند سعی کرده‌اند ساز و کار پیچیده‌تری برای مدل‌سازی مغز استفاده کنند. تعداد لایه‌های نرونی و تعداد پارامترها و وزن‌هایی که باید آموزش دیده شود در این شبکه‌ها بسیار بیشتر است. وقتی به مطالعات اعصاب شناختی و فیزیولوژی مغز نگاهی می‌اندازیم می‌توانیم هوشمندی زیرکانه مدل‌سازی شبکه‌های عصبی مصنوعی را مشاهده کنیم. از نظر فیزیولوژی و زیست‌شناختی عملکرد مغز به صورت شبکه‌های در هم تنیده سلول‌های عصبی(نرون) انجام می‌شود. محرک‌هایی که در داخل بدن و یا در خارج از بدن وجود دارند باعث ارسال سیگنال‌هایی به مغز می‌شوند. ابتدا یک سری فرآیندهای الکتروشیمیایی بر روی این داده‌های ورودی انجام می‌شود و سپس سیگنال‌های المتریکی در سطح مغز پخش می‌شود. نرون‌های دریافت کننده این سیگنال‌ها هر کدام بر اساس یک آستانه شدتی سیگنال‌ها را از خود عبور می‌دهند. بنابراین نرون‌ها هم می‌توانند تحریک کننده سیگنال یا بازدارنده سیگنال باشند. در نهایت سیگنالی که در مغز شروع می‌شود، در شبکه‌های نرونی پخش شده و در نهایت تبدیل به یک سیگنال عصبی می‌شود که باعث ایجاد یک خروجی می‌شود. این خروجی می‌تواند عمل دیدن، شنیدن، حرکت دادن اندام و ... باشد. توضیحی که از فیزیولوژی مغز دادم خیلی ابتدایی بود. برای اینکه قصد ندارم در اینجا خیلی تخصصی مساله را بسط بدهم. ولی مدت زمان زیادی طول کشید که دانشمندان بتوانند در این سطح عملکرد مغز را مورد بررسی قرار بدهند و مدلی برای عملکرد مغز در نظر بگیرند. البته ما هنوز از جزییات کامل بعضی از عملکردهای مغز اطلاعاتی نداریم. ولی ریاضی‌دان‌ها و کسانی که در حوزه‌ی علوم کامپیوتر فعالیت می‌کنند، خیلی به بحث مطابقت واقعی مساله نمی‌پردازند. اگر بتوان از همین ساختار عملکردی ساده مغز ایده گرفت برای آنکه بتوان مدل‌هایی ساخت تا بتواند حل مسایل امروزی ما را بهبود دهد، برای آن‌ها کافی است. مدل‌سازی شبکه‌های عصبی مصنوعی و مخصوصا شبکه‌های عصبی مصنوعی عمیق یکی از گام‌های بسیار بزرگ در پیشرفت مدل‌سازی ریاضی عملکرد مغز به حساب می‌آید. انواع مختلف دیگری از شبکه‌های عصبی مصنوعی نیز وجود دارد که هر کدام یک وجه از عملکرد مغز را پیاده‌سازی کرده‌اند. مانند شبکه‌های عصبی بازگشتی. از طرفی شبکه‌هایی هم وجود دارد که مقداری با الگوریتم‌های ریاضی که ارتباطی با عملکرد مغز ندارند ترکیب شده‌اند تا جواب بهتری برای مسایل خاص داشته باشند. سخن آخر این است که بعد از ظهور شبکه‌های عصبی مصنوعی طرفداران نظریه محاسباتی ذهن کمی شجاع‌تر شده‌اند و سرسختانه‌تر به تبیین نظریه‌های خود می‌پردازند. ولی اینکه آیا واقعا تمام جنبه‌های ذهنی انسان همانند آگاهی قابل محسابه و پیاده‌سازی است یا خیر هنوز مساله بدون جوابی است. farhad.azadjoo70 farhad.azadjoo70 Mon, 11 Mar 2019 15:53:15 +0330 https://virgool.io/@farhad.azadjoo70/%DA%86%D9%87-%DA%86%DB%8C%D8%B2-%D9%85%D8%BA%D8%B2-%D8%A7%D9%86%D8%B3%D8%A7%D9%86-%D9%88%DB%8C%DA%98%D9%87-%D8%A7%D8%B3%D8%AA-e0ixfxnbirya امروز داشتم نتایج یک مطالعه که روی مغز انسان انجام شده بود رو مطالعه می‌کردم، خیلی نحوه‌ی مطالعه و نتیجه‌گیری که کرده بودن برایم جالب بود. فقط متاسفانه چون دوست داشتم در موردش بنویسم و خیلی وقت کافی برای نگارشش نداشتم، به زبان عامیانه می‌نویسم. چه چیز در خصوص مغز انسان این قدر ویژه است؟ چرا ما بقیه حیوونا رو مطالعه میکنیم به جای اینکه اونا، ما را مطالعه کنند؟ مغز انسان چه چیز خاصی داره یا چه کار خاصی انجام میده که بقیه مغزها ندارند یا نمی‌توانند؟ دانشمندان فکر میکردند که می دونن مغزهای مختلف از چی ساخته شدن. از اونجا که بر مبنای شواهد کمی بود، خیلی از دانشمندها فکر میکردن مغز همه پستانداران، از جمله مغز انسان،به یک روش ساخته شده است و تعداد سلول‌های عصبی در آن‌ها متناسب با اندازه حجمی مغز است. به این معنا که دو مغز با اندازه یکسان، با ۴۰۰ گرم باید تعداد مساوی سلول عصبی داشته باشن. حالا، اگه سلول های عصبی واحدای برای پردازش اطلاعات کاربردی مغز باشن، اونوقت صاحبان این دو مغز باید توانایی های شناختی یکسانی داشته باشن. ولی، یکی شون شامپانزه است، اون یکی گاوه.مقایسه اندازه مغز شامپانزه و گاو ( سمت راست شامپانزه و سمت چپ گاو) فکر کنم بیشتر آدمها موافقند که شامپانزه های توانایی رفتارهای پیچیده تر، جزئی تر و انعطاف پذیرتری نسبت به گاوها دارن. پس این اولین نشانه است که سناریو "همه مغزها به یه روش ایجاد شدن" خیلی درست نیست. اگه همه مغزها به یه روش ایجاد شده بودن و قرار بود حیوونا با اندازه مغز گوناگون رو با هم مقایسه کنید، مغزهای بزرگتر همیشه باید سلولهای عصبی بیشتری نسبت به مغزهای کوچکتر داشته باشن، و هر چه مغز بزرگتر، توانایی شناختی صاحبش باید بیشتر باشه. پس بزرگترین مغز موجود باید بیشترین توانایی شناختی رو داشته باشه. و حالا خبرهای بد: مغز ما بزرگترین مغز موجود نیست. خیلی ناراحت کننده به نظر میاد. مغز ما بین ۱/۲ تا ۱/۵ کیلو است، ولی مغز فیل ها بین ۴ تا ۵ کیلو است، و مغز وال ها تا ۹ کیلو هم میرسه، به همین دلیل هست که دانشمندان به این گفته متوسل میشن که مغز ما باید خاص باشه که توانایی های شناختی مون رو توضیح بده. باید واقعاً خارق العاده باشه، یک استثناء برای قاعده. مغز اونها بزرگتره، ولی مال ما بهتره، و می تونست بهتر باشه، مغز ما انسان‌ها کمی نسبت به بدنمان بزرگ‌تر هست. بنابراین این بزرگی به ما قشای اضافی میده که کارهای جالبتری نسبت به فقط اداره بدنمون انجام بدیم . چون اندازه مغز معمولاً پیروی اندازه بدن است. پس مهترین دلیل برای گفتن این که مغز ما بزرگتر از اونیه که باید باشه در واقع از مقایسه خودمان با کَپی های بزرگ (انسان واران). گوریل ها می تونن دو تا سه برابر بزرگتر از ما باشن، پس مغز اونا هم می تونه بزرگتر از مال ما باشه، ولی به جایش یه طور دیگه ای است. مغز ما تقریبا بین دو تا سه برابر بزرگتر از مغز گوریل است. مغز انسان هم چنین در میزان انرژی مصرفی هم خاص به نظر میرسه. اگرچه فقط دو درصد وزن بدن هست، ولی به تنهایی مصرف کننده ۲۵ درصد کل انرژی مورد نیاز بدن است. ۵۰۰ کالری از مجموع ۲٫۰۰۰ کالری کل روزانه بدن، فقط برای اینکه مغزتون کار کنه مصرف میشه.پس مغز انسان باید بزرگتر از اینی که هست باشه، میزان مصرف انرژیش بیشتر از اونیه که باید، پس خاص است. و از اینجا بود که قضیه آزاردهنده شد. در زیست شناسی،به دنبال قواعدی هستیم که به طور کلی به همه حیوانات و زندگی قابل تعمیم باشه، پس چرا قواعد تکامل به همه قابل تعمیم هست به غیر از انسان؟ شاید مشکل فرض اولیه بوده که همه مغزها با یه روش ساخته شدن. شاید دو مغز با اندازه یکسان واقعاً از تعداد متفاوتی سلول عصبی ساخته شده باشه. شاید یه مغز خیلی بزرگ لزوماً تعداد سلول های عصبی اش بیشتر از یه مغز اندازه متوسط نباشه. شاید مغز انسان واقعاً بیشترین سلول عصبی را در بین همه مغزها رو داره، جدای از اندازه اش، مخصوصاً در قشر مغزی. پس این موضوع تبدیل شد به یک سئوال مهم: مغز انسان چند سلول عصبی داره، و اون در مقایسه با بقیه حیوانات چطوریه؟ حالا، شاید شما جایی خونده باشین یا شنیده باشین که انسان‌ها صد میلیارد سلول عصبی دارند، وقتی که از دانشمندان این حوزه پرسیده شد که آیا اونا میدونن این عدد از کجا اومده. ولی هیچکس نمی دونست. شروع کردن به گشتن در مقالات علمی برای مرجع اصلی اون عدد، و هیچ وقت پیدایش نکردند. به نظر میرسه که هیچکس واقعاً نشمرده باشه تعداد سلولای عصبی مغز انسان یا مغز دیگه‌ای رو برای اون کار. و این عدد یک عدد تخمینی هست. ولی تخمین تقریبا دقیقی است. سوزانا هرکولانو یکی از افرادی بود که با یک روش بسیار جالب، شروع به شمردن سلول‌های عصبی مغز کرد. او با روش خودش شروع به شمردن سلول های مغز کرد، و اون روش تشکیل می شد از حل کردن مغز در سوپ. این جوری کار میکنه: مغز را برمیدارین، یا بخش هایی از اون رو، و در مایع شوینده حل می کنید، که غشای سلولی رو از بین میبره ولی هسته سلول را سالم نگه میداره، که در آخر به سوسپانسیون هسته آزاد می رسید که شبیه یه سوپ شفاف هست. اون سوپ شامل همه هسته هاست که یه زمانی مغز بودن. حالا، زیبایی سوپ اینه که به خاطر سوپ بودنش، میشه تحریکش کرد و یه کاری کرد که همه هسته ها به صورت همگنی در مایع پخش بشن، پس حالا با نگاه در زیر میروسکوپ به چهار یا پنج نمونه از این محلول همگن، میشه هسته ها را شمرد و بعدش گفت مغز چند سلول داره. ساده و سر راست. و واقعاً سریع. پس از این روش برای شمردن سلول های عصبی چندین و چند نمونه مختلف تا به حال استفاده شد، و این نتیجه حاصل شد که همه مغزها با یک روش ایجاد نشده اند. به عنوان مثال، جوندگان و نخستی سانان: در جوندگان مغز به سرعت رشد می‌کند و اندازه آن بزرک‌تر می‌شود. این اتفاق خیلی زودتر از اینکه به همان میزان سلول عصبی ساخته شود اتفاق می‌افتد. بنابراین جوندگان که مغزهای بزرگی دارند ممکن است دارای سلول‌های عصبی کمی باشند. ولی در نخستی‌سانان مغز می‌تواند بدون اینکه خیلی اندازه‌اش تغییر کند، تا جایی که می‌تواند سلول عصبی بسازد. نتیجه این می‌شود که تعداد سلول عصبی مغز یک نخستی‌سان همیشه تعداد بسیار بیشتری از مغز جوندگان با اندازه برابر، است. و هرچه اندازه‌ی مغزها بزرگتر باشه، این تفاوت هم بیشتر میشه.خب، پس مغز ما چی؟ کشف شد که ما، به طور متوسط، ۸۶ میلیارد سلول عصبی داریم، ۱۶ میلیاردش در قشر مغزه، و اگه قشر مغز رو به عنوان پایه عملکردهایی مثل آگاهی، استدلال منطقی و انتزاعی بدونید، و اون ۱۶ میلیارد بیشترین تعداد سلول عصبیه که هر قشری داره،این میتونه ساده ترین توضیح برای توانایی های شناختی بی نظیر انسان باشه. ولی به همون درجه اهمیت معنای ۸۶ میلیارد سلول عصبی است. چون دانشمندان رابطه بین اندازه مغز و تعداد سلولهای عصبی رو پیدا کردن میشه با ریاضیات توضیح داد که اگر انسان یک جونده بود با ۸۶ میلیارد سلول عصبی شکل مغزش به چه صورتی در می‌امد. مغز یک جونده با ۸۶ میلیارد سلول عصبی ۳۶ کیلو خواهد بود. این وزن تقریبا امکان پذیر نیست. یه مغز به اون بزرگی ممکنه به خاطر وزنش از کار بیفته، و این مغز غیرممکن باید در یک بدن ۸۹ تنی قرار بگیره. پس این ما رو به یک نتیجه خیلی مهم رسوند، که ما جونده نیستیم. مغز انسان، مغز یک موش بزرگ نیست. در مقایسه با موش، ما خاص به نظر می رسیم، بله، ولی اون مقایسه منصفانه ای نیست، با دونستن این که ما می دونیم که موش نیستیم. ما نخستی سان هستیم، پس مقایسه درست با بقیه نخستی سانان است. و اونجا اگه محاسبه کنین، می فهمید که یک نخستی سان معمولی با ۸۶ میلیارد سلول عصبی مغزی به اندازه ۱/۲ کیلو خواهد داشت، که درست به نظر میرسه.پس مغز انسان شاید بی نظیر باشه، ولی در تعداد سلول های عصبی اش خاص نیست. فقط یه مغز بزرگ نخستی سان است. فکر میکنم که خیلی فکر متواضعانه و غمگینه ایه که موقعیتمون در طبیعت رو یادمون میاره.خب حالا با این دانش یک سوال اساسی دیگر به وجود می‌آید. پس چرا مغز ما اینقدر انرژی مصرف میکنه؟ خب، افراد دیگری حساب کردن که میزان انرژی مصرفی مغز انسان و بقیه گونه ها چقدره، و حالا که میدونیم هر مغز از چند سلول عصبی ساخته شده، میشه حساب کرد. و نتیجه این که هم انسان و هم بقیه مغزها یه جور مصرف می کنند، متوسط ۶ کالری برای هر میلیارد سلول عصبی در روز که برای انسان با ۸۶ میلیارد سلول عصبی تقریبا حدود ۵۰۰ کیلوکالری در روز خواهد شد. پس دلیل اینکه چرا مغز انسان اونقدر انرژی مصرف میکنه، به سادگی اینه که تعداد زیادی سلول عصبی داره، و چون ما نخستی سان هستیم با تعداد بیشتری سلول عصبی در همون اندازه بدن به نسبت حیوانات دیگه، مصرف نسبی مغز ما زیاده. سئوال آخر این که: ما چطور به این تعداد بی نظیر سلول عصبی رسیدیم، و به طور خاص، اگر کپی های بزرگ بزرگتر از ما هستند، چرا اونها مغزشون از ما بزرگتر نیست، با تعداد سلول عصبی بیشتر؟ جواب این سوال بسیار برای من شگفت‌آور بوده. بعد از مطالعاتی که نشون داد مغز از چه تعداد سلول عصبی تشکیل شده است و هر میلیارد سلول عصبی به چه میزان انرژی برای فعالیت نیاز دارد، این جواب وجود خواهد داشت که فراهم کردن این میزان انرژی برای مغز با آن تعداد سلول عصبی کار بسیار دشواری است. پس چرا انسان‌ها از پس این کار برآمده‌اند ولی حیوانات دیگر نمی‌توانند؟ از آنجا که نورونها بسیار هزینه برند، یک بده بستان در اندازه بدن و تعداد سلول های عصبی وجود داره. پس یک نخستی سان که هشت ساعت در روز غذا می خوره میتونه نهایتاً ۵۳ میلیارد سلول عصبی رو تامین کنه، ولی بدنش نمی تونه بزرگتر از ۲۵ کیلو بشه. برای بیشتر از اون وزن گرفتن، باید از سلولهای عصبی دست بکشه. پس یا یک بدن بزرگ یا تعداد بالای سلول عصبی. اگه مثل یه نخستی سان بخورید، نمیتونید دوتاش رو تامین کنید. یه راه فرار از این محدودیت متابولیک اینه که ساعات بیشتری رو در روز صرف خوردن کنید، ولی خطرناک میشه، و به یه نقطه مهم میرسه، غیر ممکن است. مثلاً گوریل و اورانگوتان، با ۸ ساعت و نیم خوردن در روز، ۳۰ میلیارد نورون رو تامین می کنند و به نظر میرسه نهایت چیزیه که می تونن انجام بدن. به نظر حد کاربردی یک نخستی سان ۹ ساعت غذا خوردن در روز است. در مورد ما چطور؟ با ۸۶ میلیارد نورون و وزن بدن حدود ۶۰ تا ۸۰ کیلو، ما باید بیشتر از ۲۴ ساعت برای غذا هر روز وقت صرف کنیم، که غیر ممکن است. اگر ما مثل یک نخستی سان بخوریم، ما نباید اینجا باشیم. پس ما چطوری به اینجا رسیدیم؟ خب، اگر مغز ما همون قدر انرژی که باید رو می سوزونه و اگه ما نمی تونیم همه ساعتای بیداری رو به خوردن بگذرونیم، پس تنها راه جایگزین، در واقع، اینه که یه جورایی از همون غذا انرژی بیشتری بگیریم. و به طرز بینظیری، اون دقیقاً منطبقه با اونچه که باور داریم اجداد ما اختراع کردند یک و نیم میلیون سال پیش، وقتی غذا پختن رو اختراع کردن. پختن یعنی استفاده از آتش برای پیش هضم غذا خارج از بدن شما. غذاهای پخته نرمترند، پس راحت جویده می شوند و کاملاً در دهانتان له می شوند، پس بهشون اجازه میدین که کامل هضم شوند و در معده تون جذب شوند، که به تولید انرژی بیشتر در زمان کمتر می انجامد. پس غذاپختن برای ما وقت آزاد می کنه و با سلولهای عصبی مون غیر از فکر کردن درباره غذا، گشتن دنبال غذا و جویدن غذا، کارهای جالبتر دیگه‌ای رو در طول روز انجام بدیم . پس به خاطر آشپزی، که یه زمانی یه مسئولیت بزرگ بود، این مغز بزرگِ وحشتناک مصرف کننده با این همه سلول عصبی، الان می تونه یه سرمایه اصلی باشه، حالا که ما می تونیم هم انرژی سلول های زیاد رو تامین کنیم و هم زمان برای انجام کارهای جالب با اونا. پس فکر کنم معلومه که چرا مغز انسان در تکامل اونقدر سریع رشد کرد تا بزرگ بشه، همه اون زمانی که فقط مغز یک نخستی سان بود. با این مغز بزرگ که با آشپزی می تونه تقبل کنه، ما به سرعت از غذاهای خام به فرهنگ، کشاورزی، تمدن، بقالی، برق، یخچال، و همه اون چیزهایی که امروزه به ما اجازه میده که همه انرژی مورد نیازمون را برای همه روز با یک بار نشستن در شعبه فست فود مورد علاقه تون تامین کنیم. پس امتیاز انسان چیه؟ اون چیه که ما داریم ولی بقیه حیوونا ندارن؟ جواب یک سری از دانشمندان اینه که ما بزرگترین تعداد نورون ها در قشر مغز رو داریم، و فکر می کنند این ساده ترین توضیح برای توانایی های شناختی بی نظیرمون باشه. و اون چیه که ما انجام میدیم و بقیه حیوانات انجام نمیدن،و پایه و اساس امکان رساندن ما به تعداد بسیار زیاد سلول عصبی در قسر مغز است؟ در دو کلمه، ما می پزیم. هیچ حیوان دیگری غذاش رو نمی پزه، فقط انسان می پزه.نتیجه این آزمایش‌ها این بوده که چون انسان غذایش را می‌پزه بنابراین توانایی تولید انرژی بیشتری رو با خوردن کم‌تر بدست آورده و این باعث شده که رشد تعداد سلول‌های مغزی‌اش به سرعت بالا برود و این تعداد سلول عصبی بیانگر تفاوت‌های شناختی ما انسان‌ها را با سایر موجودات به وجود آورده. از نظر من نتیجه‌گیری جالبی هست ولی خیلی بحث برانگیز. و خیلی جای تامل داره. چون خیلی از دانشمندان معتقدند خیلی از فعالیت‌های شناختی ما رابطه مستقیم فیزیکی با ساختار مغز ما ندارند. به هر حال به عنوان یک نقطه نظر برای من خیلی جالب بود و دوست داشتم با شما هم به اشتراک بگذارم. farhad.azadjoo70 farhad.azadjoo70 Sat, 09 Mar 2019 15:35:02 +0330 https://virgool.io/@farhad.azadjoo70/%D8%B9%D9%84%D9%88%D9%85-%D8%B4%D9%86%D8%A7%D8%AE%D8%AA%DB%8C-%D9%88-%D9%85%D8%B3%D8%A7%D9%84%D9%87-%D8%B0%D9%87%D9%86-%D9%86%D8%B8%D8%B1%DB%8C%D9%87-%D9%BE%DB%8C%D9%88%D9%86%D8%AF%DB%8C-%D8%B0%D9%87%D9%86-y47zlbqfl0ju یکی از نظریه‌های دیگری که در علوم شناختی به عنوان پایه و اساس مطالعات قرار می‌گیرد، نظریه پیوندی ذهن است و آن را یکی از پایه‌های اصلی پیشرفت در هوش مصنوعی می‌دانیم. در این نظریه سوال اصلی این است که آیا پردازش در مغز به صورت توزیع شده انجام می‌شود؟ به طور دقیق‌تر آیا هر قسمت از مغز وظیفه‌ی انجام کاری خاص را دارد؟ برای پاسخ به این سوال‌ها می‌توانیم به کارهای لشلی(۱۸۹۰-۱۹۵۸) رجوع کرد. لشلی در جستجوی یافتن ردپایی از حافظه و یادگیری در مغز بود و برای دستیابی به این هدف، از موش‌ها استفاده کرد. او به موش‌ها تکلیفی را می‌آموخت و پس از کامل شدن یادگیری، مراکز مختلف مغز آن‌ها را تخریب می‌کرد. قصد لشلی این بود که با تخریب قسمت‌های مختلف مغز ببیند که تخریب کدام قسمت‌های مغز باعث از بین رفتن رفتار آموخته شده می‌شود. نتیجه‌ای که لشلی به آن دست یافت، خلاف پیش‌بینی‌هایش بود. آنچه او مشاهده کرد این بود که میزان تخریب مغز اهمیتش بیشتر از مکان تخریب مغز می‌باشد. به عبارت دیگر نتیجه‌گیری لشلی این بود که آنچه باعث یادگیری می‌شود قسمت خاصی از مغز نیست. بلکه کل توده‌ی مغز در این عمل یادگیری درگیر می‌باشند. البته امروزه یافته‌های لشلی قابل استناد نیستند و مشکل او در پیدا کردن مراکزی که به حافظه مربوطند، ناشی از روش مطالعه او بود. با این حال این مطالعات موجب خلق مفهوم و ایده‌ای شد که در علوم ناختی بسیار مهم است. یادگیری یا شناخت تنها در یک مرکز خاص یا در رابطه بین یک سلول حسی و حرکتی شکل نمی‌گیرد. این اتفاق اتفاقی است که در کل یک سیستم یا شبکه صورت می‌گیرد. ایده کلی‌نگر لشلی توسط همکار او دونالد هب(۱۹۴۹) به صورت جدی‌تری پیگیری شد. هب در مظالعات خود به مفاهیم و قواعدی دست پیدا کرد که حتی امروزه در مدل‌های پیوند ذهن نیز مورد استفاده قرار می‌گیرد. یکی از این مفاهیم مفهوم مجتمع سلولی است. مجتمع‌های سلولی، مجموعه سلول‌هایی هستند که معمولا به طور همزمان فعال می‌شوند و فعال شدن یکی از آن‌ها باعث تحریک سایر اجزا می‌شود. برای مثال وقتی به کلمه‌ای مانند خانه فکر می‌کنیم به طور همزمان کلمات دیگری مثل والدین، حیاط، اتاق، آرامش و مانند آن، که با مفهوم خانه مرتبط هستند نیز فعال می‌شوند. مبنای این شبکه مفهومی، مجموعه سلول‌هایی هستند که همدیگر را تحریک می‌کنند. نکته جالب در مورد این مجنمع‌های سلولی این است که آن‌ها پویا هستند و بر اثر تجربه، اجزای آن تغییر می‌کند. مجتمع‌های سلولی خود با مجتمع‌های سلولی دیگر ارتباط می‌یابند و با تحریک و فعال‌سازی یکدیگر باعث شکل‌گیری یک جریان یا زنجیره ذهنی مرحله‌ای می‌شوند. در واقع فعال شدن پی در پی مجتمع‌های سلولی، همان مساله‌ای است که جریان سیال ذهن نامیده می‌شود. برای مثال فکر کردن به خانه، مجتمع سلولی خانه را فعال می‌کند. این مجتمع سلولی مجتمع سلولی مهمانی را فعال می‌کند که خود باعث فعال شدن مجتمع سلولی خویشاوندان می‌شود و به همین ترتیب جریان فکر ادامه پیدا می‌کند.نکته بسیار مهمی که در مدل هب وجود دارد، ماهیت شبکه‌ای سیستم عصبی و قابلیت انتشار پیام در این شبکه است. به طور خلاصه آنچه که می‌توان از نظریه پیشنهادی هب استنباط کرد، این است که ذهن از عناصری تشکیل شده است که به صورت یک شبکه سازماندهی شده‌اند. پیام‌ها از قابلیت انتشار در شبکه برخوردارند، اما میزان و نوع انتشار آن‌ها بستگی به قدرت پیوندهای موجود بین عناصر مختلف این شبکه دارد. عناصری که ارتباط قوی‌تری با هم دارند، تشکیل مجتمع‌های سلولی را می‌دهند و فعال شدن یکی از عناصر آن‌ها احتمال فعال شدن عناصر دیگر را زیاد می‌کند. ظرفیت بالای مدل‌های پیوندی برای تبیین و مدل‌سازی بسیاری از پدیده‌های شناختی و همین‌طور شباهت سازمان سلولی مغز با معماری شبکه‌های پیوندی موجب شده این ایده مطرح گردد که مغز یا ذهن چیزی شبیه یک شبکه پیچیده است که به سختی می‌توان مرکزی در آن پیدا کرد. تشخیص، طبقه‌بندی و تصمیم‌گیری نه بر اساس قواعد نحوی بلکه بر اساس فعالیت واحدها در یک شبکه شکل می‌گیرد. پردازش در این شبکه به صورت موازی، همزمان و احتمالاتی است.مدل‌های پیوندی در سال‌های اخیر به شکلی روزافزون گسترش پیدا کردند و توانسته‌اند تبیین‌های مناسبی برای برخی از پدیده‌های مهم شناختی فراهم کنند. اما این مدل‌ها به رغم ظرفیت بالایشان، هنوز برای جنبه‌هایی از ذهن که از ویژگی‌های نظام‌مندی و ساختارمندی برخوردارند، مثل قواعد نحوی زبان یا سایر ساختارهای شناختی مشابه، توضیح قانع کننده‌ای ارایه نمی‌کنند. همچنین این مدل‌ها نتوانسته‌اند تبیینی برای جنبه‌های فاعلی و پدیدارشناختی ذهن انسان، یعنی آگاهی او فراهم کنند. با این حال این نظریه هم همانند نظریه محاسباتی ذهن یکی از مهم‌ترین نظریه‌ها در توصیف پدیده‌های شناختی در علوم شناختی مورد استفاده قرار گرفته است. farhad.azadjoo70 farhad.azadjoo70 Tue, 05 Mar 2019 10:06:47 +0330 https://virgool.io/@farhad.azadjoo70/%D8%B9%D9%84%D9%88%D9%85-%D8%B4%D9%86%D8%A7%D8%AE%D8%AA%DB%8C-%D9%88-%D9%85%D8%B3%D8%A7%D9%84%D9%87-%D8%B0%D9%87%D9%86-%D9%86%D8%B8%D8%B1%DB%8C%D9%87-%D9%85%D8%AD%D8%A7%D8%B3%D8%A8%D8%A7%D8%AA%DB%8C-%D8%B0%D9%87%D9%86-avajlwanrfr3 در پست‌های قبلی کمی در مورد نحوه‌ی شکل‌گیری علوم شناختی و عوامل موثر در شکل گیری آن صحبت کردیم. با توجه به تحولات انجام شده، نظریه‌های مختلفی برای تبیین عملکرد مغز و رفتار شناختی انسان‌ها معرفی شده است. در این پست یکی از این نظریه‌ها که نظریه محاسباتی ذهن نام دارد را مورد بررسی قرار می‌دهیم. نظریه محاسباتی یا همان مدل پردازش اطلاعات، اولین مدل نظری است که پس از پدید آمدن علوم شناختی، برای توصیف ذهن استفاده شد.همانطور که در پست منطق و ریاضیات هم در مورد آن صحبت کردیم، نظریه محاسباتی ذهن و یا مدل پردازش اطلاعات با تکیه بر دو مفهوم بنیادی محاسبه و بازنمایی و نیز با در نظر گرفتن نقش علّی اطلاعات در فرآیند تنظیم و کنترل رفتار، پا به عرصه علوم گذاشت. به بیان کلی می‌توان گفت در رویکرد محاسباتی، ذهن به عنوان سیستم پیچیده‌ای در نظر گرفته می‌شود که اطلاعات را دریافت، ذخیره، بازیابی، تبدیل و سپس منتقل می‌کند. فعالیت‌ها یا اعمالی که روی اطلاعات انجام می‌شود، محاسبه یا پردازش اطلاعات نام دارد و محاسباتی نامیده شدن آن نیز از این جهت است. نکته قابل توجه دیگر در مدل‌های محاسباتی ذهن این است که در این مدل‌ها، سیستم شناختی انسان همانند نوعی رایانه تصور می‌شود که قادر است، محاسبات بسیار پیچیده‌ای انجام می‌شود. رایانه دستگاهی است که از شیوه‌ای سیستماتیک برای پردازش اطلاعات استفاده می‌کند. ابتدا اطلاعات و داده‌ها به صورت کد، وارد رایانه می‌گردد و سپس با انجام فرآیندهای محاسباتی، اطلاعات داده شده تجزیه و تحلیل گردیده و بالاخره خروجی مشخص می‌شود. به همین شکل، نظریه محاسباتی ذهن پیشنهاد می‌کند که می‌توان سیستم عصبی انسان را نیز به مثابه سیستمی در نظر گرفت که به صورت محاسباتی عمل می‌کند. همچنان که رایانه‌ها مجموعه‌ای از بیت‌ها را پردازش می‌کنند، ذهن انسان نیز همین کار را با بازنمایی‌های ذهنی انجام می‌دهد. نظریه محاسباتی ذهن دارای چند ویژگی مهم است که در ادامه در مورد آن‌ها توضیح می‌دهم. محاسبه و بازنمایی دو مفهمو کلیدی در علوم شناختی هستند. شناخت حاصل نوعی محاسبه یا پردازش اطلاعات است. به بیان دیگر، فعالیت شناختی، امری جز دستکاری نمادها یا بازنمایی‌های ذهنی بر اساس قواعد صوری یا محاسباتی نیست. این عملیات محاسباتی بر روی نمادهایی انجام می‌شود که علاوه بر آنکه با نظام پردازشی سیستم همخوانی دارند، از صفات بازنمایی نیز برخوردار هستند. هنگامی که ما درباره‌ی اشیا و پدیده‌ها و آنچه که در دنیای بیرون ذهن مان قرار دارد فکر می‌کنیم، کاری که در ذهن انجام می‌دهیم پردازش خود اشیا نیست. بلکه پردازش نمادهایی است که بازنمایاننده دنیا هستند و اطلاعات محیط و اجزای دنیا را در خود دارند. هنگامی که به صورت کلامی یا تصویری چیزی را در ذهن مجسم می‌کنیم، مستقیما از اجزای محیط استفاده نمی‌کنیم. بلکه از کلمات یا نمادهایی استفاده می‌کنیم که به آن اجزا اشاره دارد. نمادهایی که در ذهن انسان ابزار انتقال اطلاعات هستند، بازنمایی‌های ذهنی نامیده می‌شوند.توصیف صوری و الگوریتمیک یکی دیگر از ویژگی‌های مهم نظریه محاسباتی ذهن می‌باشد. الگوریتم روشی صوری است که شیوه قدم به قدم محاسبه را تعیین می‌کند. نکته بسیار مهم در پردازش الگوریتمیک، این است که تنها بر اساس خصوصیات شکلی و نحوه‌ی بازنمودها یا رمزهای ذهنی عمل می‌کند و در آن پردازش معنایی دارای اهمیت نیست. معمولا نمادها دارای دو دسته ویژگی‌های صوری و ویژگی‌های معنایی می‌باشند. در محاسبات رایانه، اینکه درخواست شما به چه چیزی در عالم خارج دلالت دارد، اهمیتی ندارد. برای همین به این نوع پردازش، پردازش صوری یا نحوی گفته می‌شود که در برابر پردازش معنایی قرار می‌گیرد. مطابق نظریه محاسباتی ذهن، شناخت حاصل همین نوع پردازش صوری یا نحوی است. اما نتیجه این پردازش به گونه‌ای است که به نیازهای معنایی ما نیز پاسخ می‌دهد. یک رایانه برای اینکه رفتار هوشمندانه داشته باشد، نیازی به چیزی به جز همین پردازش صوری ندارد و اگر خوب طراحی شده باشد، می‌تواند پاسخ درخواست‌هایی که محیط از او دارد را بدون آنکه کسی متوجه عدم توجه آن به ابعاد معنایی شود، بدهد. داعیه نظریه محاسباتی ذهن این است که ذهن انسان نیز از همین شیوه پردازشی استفاده می‌کند. آنچه ما تفکر می‌نامیم چیزی جز محاسبه و انجام عملیات محاسباتی روی علایم ذهنی نیست و ذهن برای آنکه بتواند از عهده این کار برآید، باید واجد بخش‌های مستقل باشد. این بخش‌های مستقل عبارت‌اند از یک پردازش‌گر مرکزی، الگوریتم‌هایی برای رمزگردانی و رمزگشایی و سیستم‌های ورودی و خروجی.یکی از ویژگی‌های مهم دیگر نظریه محاسباتی ذهن، پیمانه‌ای بودن آن است. به طور کلی بر اساس نظریه پیمانه‌ای بودن ذهن، ذهن یک سیستم پردازش واحد و یکنواخت نیست. بلکه مرکب از سیستم‌های کوچک‌تری می‌باشد که دارای اعداف مشخص بوده و کم و بیش مستقل از یکدیگر عمل می‌کنند. اگر ذهن دارای همچین ساختاری باشد، قاعدتا فهم فعالیت‌های آن باید از طریق فهم فعالیت‌های زیر سیستم‌های آن و ارتباط کارکردی آن‌ها با یکدیگر صورت بگیرد. برخی از محققان از شواهد بدست آمده از مطالعات اعصاب شناختی، برای تایید این فرضیه استفاده می‌کنند. برای مثال کسی که مبتلا به ادراک پریشی چهره(Prosopagnosia) است، به رغم سالم بودن سایر توانایی‌های ذهنی، نمی‌تواند چهره اشخاص یا حتی چهره خود را تشخیص دهد. چنین اختلالی می‌تواند بیانگر این باشد که توانایی تشخیص چهره یک پیمانه است. نظریه محاسباتی ذهن هنوز هم یکی از بانفوذترین مدل‌ها در حوزه‌ی علوم شناختی به حساب می‌آید اما با این حال مخالفان جدی نیز دارد. جان سرل(John Searle) در بین منتقدان نظریه محاسباتی ذهن یکی از مشهورترین‌ها است. سرل آزمایش فکری مشهوری دارد که جزو آزمایش‌های کلاسیک در حوزه‌ی علوم شناختی محسوب می‌شود. این آزمایش اتاق چینی نامیده می‌شود و در مقابل بازی تقلید تورینگ قرار می‌گیرد. در آزمایش فرضی، فردی انگلیسی زبان داخل اتاقی است که اتاق چینی نام دارد. در این اتاق تنها چیزی که وجود دارد یک کتاب راهنمای بزرگ می‌باشد که در آن دستورالعمل‌های لازم برای پیدا کردن معادل برای عبارت‌های چینی آمده است. به این معنا که اگر یک عبارت چینی به فرد داده شود، او می‌تواند بر اساس دستورالعمل‌های کتاب مشخص کند که جواب مورد نظر به زبان چینی چه خواهد بود. در بیرون اتاق آزمایشگری قرار دارد و سوالاتی را به زبان چینی به داخل اتاق ارسال می‌کند و از فرد داخل اتاق می‌خواهد که پاسخ سوال را به زبان چینی بدهد. فرد انگلیسی زبان داخل اتاق می‌تواند با کمک کتاب راهنمایی که در اختیار دارد، جواب سوال‌های پرسشگر را بدهد. از نظر کسانی که در بیرون اتاق نظاره‌گر این اتفاق هستند، فرد داخل اتاق موفق به پاسخ‌دادن به آزمون شده است. به عبارت دیگر اگر مانند تورینگ ملاک هوشمندی ما ملاک رفتاری باشد، آزمودنی ما از عهده این کار برآمده است و هوشمند می‌باشد. اما سرل این سوال را مطرح می‌کند که آیا کسی که داخل اتاق چینی است از عهده آزمون رفتاری برآمده است؟ آیا واقها چیزی از زبان چینی فهمیده است؟ پاسخ او منفی است. از نظر سرل توانایی پردازش صوری و الگوریتمیک به معنای تفکر آنگونه که در انسان وجود دارد نیست. تفکر در انسان مستلزم بررسی محتوا و معنای علایم یا چیزی که به آن اشاره می‌کند می‌باشد. به این ویژگی در ادبیات فلسفه ذهن حیث التفاتی گفته می‌شود. بنابراین ما وقتی نمادها را در ذهن مرور می‌کنیم دانستن اینکه این نمادها به چه چیزی در دنیای خارج اشاره می‌کنند نیز، حایز اهمیت است.گفتنی است که نقدهای مطرح شده به این نظریه به این معنا نیست که رویکرد محاسباتی ذهن منسوخ شده است. این نظریه محاسباتی همچنان فعال است و حجم قابل توجهی از پژوهش‌هایی که در حیطه علوم شناختی انجام می‌گیرد از این نظریه برای سازمان‌دهی مدل‌هایشان استفاده می‌کنند. farhad.azadjoo70 farhad.azadjoo70 Wed, 27 Feb 2019 13:29:31 +0330 https://virgool.io/@farhad.azadjoo70/%D9%85%D9%86%D8%B7%D9%82-%D9%88-%D8%B1%DB%8C%D8%A7%D8%B6%DB%8C%D8%A7%D8%AA-%D8%AA%D9%81%DA%A9%D8%B1-%D9%88-%D9%85%D8%AD%D8%A7%D8%B3%D8%A8%D9%87-ysg4qzmnsza6 در اواسط قرن نوزدهم و اوایل قرن بیستم، تحولات قابل توجهی در دو حوزه‌ی منطق و ریاضیات اتفاق افتاد که به نظر می‌رسید ارتباطی با شکل‌گیری علوم شناختی ندارد. اما رشد علوم شناختی بدون این تحولات، تقریبا امکان پذیر نبود. تحولات دو حوزه‌ی منطق و ریاضیات که اولی به قوانین تفکر می‌پردازد و دومی به قوانین محاسبات، دارای ابعاد مختلفی بود ولی یکی از وجوه این تحولات که در شکل‌گیری علوم شناختی بسیار موثر بود، تلاش برای برقراری ارتباط بین منطق و ریاضیات بود. جورج بول در سال ۱۸۵۴ میلادی اولین کسی بود که نخستین گام را در این جهت برداشت. او در کتابی تحت عنوان پژوهشی در قوانین تفکر، تلاش کرد تا گزاره‌های منطق را با تحویل به قواعد جبری توصیف نماید. جبر بولی دستاورد تلاش‌های او در این زمینه می‌باشد. کم‌تر از یک قرن پس از انتشار آثار بول، تلاش دیگری برای پیوند این دو حوزه صورت گرفت که البته این بار هدف برگرداندن ریاضیات به منطق بود. فرگه در اواخر قرن نوزدهم جز اولین کسانی بود که در این راه تلاش‌های جدی انجام داده بود. هرچند که آثار او در ابتدا چندان مورد توجه قرار نگرفت ولی بسیاری از منطق دانان و ریاضی‌دانان بعد از فرگه، او را بنیان‌گذار منطق جدید می‌دانند. هدف فرگه خلاصه کردن ریاضیات در منطق بود. نظر او این بود که می‌توان ریاضیات را به کمک گزاره‌های منطقی توصیف کرد. آنچه علوم شناختی در منطقی کردن ریاضیات و ریاضیاتی کردن منطق بدست آورد این نکته بسیار مهم و هیجان انگیز بود که گزاره‌های منطق یا تفکر را می‌توان به فرمان‌های قابل اجرا برگرداند. اگر ماشین‌ها بتوانند فرمان‌های محاسباتی را اجرا کنند، و اگر بتوان گزاره‌های منطقی را به فرمان‌های محاسباتی برگرداند، آنگاه می‌توان ماشین‌هایی را طراحی کرد که قابلیت فکر کردن دارند.در اواسط قرن بیستم، این ایده هیجان‌انگیز در ذهن بسیاری از دانشمندان بی‌قراری می‌کرد و آن‌ها را وادار می‌کرد تا برای برداشتن گام نهایی در این زمینه اقدام کنند. یکی از این افراد کلود شانون بود که به همراه دانشمند دیگری به نام ویور نظریه اطلاعات که شاخه‌ی جدیدی از ریاضیات بود را ابداع کردند. شانون در سال ۱۹۳۷ در پایان‌نامه‌اش پیشنهاد ساختن مدارهای الکتریکی که هم ارز عبارت‌های جبر بولی باشند را مطرح کرد. به این ترتیب که عملیات محاسباتی و منطقی به جای اینکه بر روی کاغذ انجام شوند، می‌توانند در مدارهای الکتریکی تحقق پبدا کنند. نظریه اطلاعات شانون می‌گوید: در هر نظام یا سیستم ارتباطی، چند مولفه اصلی وجود دارد که عبارت‌اند از:منبع اطلاعات یا پیامفرستنده پیامگیرنده پیامنکته‌ی بسیار مهمی که در این مدل وجود دارد، رمزگردانی و رمزگشایی پیام‌ها است. در مرحله نخست پردازش، پیام‌ها تبدیل به رمز یا نمادهایی می‌شوند که انتقال‌دهنده قابلیت پردازش آن را دارد. به بیان دیگر، پیام‌ها باید به صورتی که برای سیستم قابل فهم باشند، بازنمایی شود. در مرحله پایانی عملیات، رمزگشایی باعث می‌شود تا این بازنمایی‌های نمادی یا رمزی دوباره به پیام‌های قابل فهم دریافت کننده برگردند.بر اساس آنچه گفته شد می‌توان حدس زد که نظریه پردازش اطلاعات و پیام چه نقشی در شکل‌گیری علوم شناختی ایفا کرد. پیام‌ها را می‌توان به یک زبان صوری برگرداند و بازنمایی‌های صوری از آن‌ها ارایه کرد. بازنمایی‌های صوری از قابلیت پردازش شدن و محاسبه پذیری برخوردار می‌شوند. همچنین می‌توان بازنمایی‌های صوری را بعد از انجام پردازش و عملیات محاسباتی روی آن‌ها، دوباره به حالت نخست برگرداند. می‌توان همین فرآیند را برای توصیف هر سیستم دیگری که توانایی انجام عملیات صوری یا منطقی را داشته باشد، به کار گرفت. خواه این سیستم یک ماشین باشد، خواه یک انسان. با توجه به این توضیحات، آنچه برای ساختن یک سیستم هوشمند لازم است عبارت‌اند از: یک ماشین که توانایی انجام عملیات منطقی-محاسباتی را داشته باشد. الگوریتم‌هایی برای رمزکردن و رمزگشایی ورودی‌ها و خروجی‌ها و همچنین یک نظام محاسباتی که شیوه پردازش رمز‌ها در آن مشخص شده باشد. به صورت خلاصه می‌توان گفت که از درون نظریه سیستم‌های کنترل، سایبرنتیک و پردازش اطلاعات، دو مفهمو بنیادی برآمده است که ستون‌ها و پایه‌های علوم شناختی و به ویژه علوم شناختی نسل اول را تشکیل دادند. این دو مفهوم بازنمایی و محاسبه می‌باشد.ذهن یا مغز انسان را نیز می‌توان همچون یک رایانه و یک ماشین پرداشگر اطلاعات توصیف کرد. گیرنده‌های حسی مغز انسان همانند ورودی‌های سیستم، پیام‌های مختلفی را از جهان دریافت می‌کنند. جنس این پیام‌ها از انرژی‌های مختلفی می‌باشد. انرژی الکترومغناطیسی، انرژی مکانیکی و موارد دیگر که به صورت نور، صدا، فشار، و موارد دیگر تجربه می‌شوند. اما همه‌ی این انرژی‌ها تبدیل به رمز‌هایی قابل فهم برای مغز می‌شوند که عبارت‌اند از تغییر بار الکتریکی دو طرف غشا و پتانسیل عمل. مغز تنها این رمز را می‌شناسد و عملیاتش را بر روی آن انجام می‌دهد. پس از پایان عملیات، آن را دوباره از حالت رمز در می‌آورد. اگر چنین باشد، ذهن دیگر یک حوزه‌ی رازگونه و غیرقابل توصیف نیست. بلکه یک سیستم هوشمند می‌باشد که متعلق به همین دنیاست و به دقت می‌توان به توصیف آن پرداخت.تلاش‌هایی که در راستای این نظریه صورت گرفت، نتایج بسیار گران‌بهایی در پختگی علوم شناختی داشته است. گروهی از روان‌شناسان مطالعاتی را برای پیدا کردن اینکه دنیا چگونه در ذهن بازنمایی می‌شود، و ذهن چه عملیات یا محاسباتی را روی این بازنمایی‌ها انجام می‌دهد، آغاز کردند. اینکه آیا این نظریه درست بود یا غلط مهم نبود. مهم تلاش صورت گرفته برای مطالعه این موضوعات بود که سرآغاز کار دانشمندان بعدی را نشان می‌داد. farhad.azadjoo70 farhad.azadjoo70 Sat, 23 Feb 2019 13:32:45 +0330 https://virgool.io/@farhad.azadjoo70/%D9%86%D8%B8%D8%B1%DB%8C%D9%87-%D8%B3%DB%8C%D8%B3%D8%AA%D9%85%D9%87%D8%A7-%D9%88-%D8%B3%D8%A7%DB%8C%D8%A8%D8%B1%D9%86%D8%AA%DB%8C%DA%A9-%D8%AF%D8%B1-%D8%B9%D9%84%D9%88%D9%85-%D8%B4%D9%86%D8%A7%D8%AE%D8%AA%DB%8C-juprscmrjyq1 یک نوع حشره‌ی ریز به نام کرم چوب وجود دارد که روی تنه درخت زندگی می‌کند و برای زنده ماندن باید همواره در محیط‌های مرطوب حضور داشته باشد. به همین دلیل همیشه در حال حرکت از نواحی خشک به نواحی مرطوب درخت است. وقتی به عنوان ناظر از بیرون به این حشره نگاه می‌کنیم، به نظر می‌رسد که رفتارش در عین سادگی از نوعی هدفمندی و هوشمندی برخوردار است. در موجودات، پیچیده‌ترین نوع رفتارهای هدفمند و هوشمند را به صورتی مشخص‌تر می‌توان مشاهده کرد. برای مثال رفتارهایی مانند کمین کردن و تعقیب کردن شکار و در نهایت حمله سازمان یافته در بین شیرها را در نظر بگیرید. هر مشاهده‌گری که شکار جمعی شیرها را مشاهده نماید، هوشمندی آن‌ها را تحسین می‌کند. ولی هوشمندی رفتار شیرها با تمام جذابیت‌شان، در برابر هوشمندی انسان بسیار ناچیز است. عالی‌ترین و پیچیده‌ترین نوع رفتار هدفمند و هوشمندانه را در انسان می‌توان مشاهده کرد. انسان‌ها علاوه بر رفتارهای هوشمندانه‌ای که مشابه رفتار سایر حیوانات می‌باشد، رفتارهای پیچیده‌تری دارند که به نظر می‌رسد منحصر به مغز انسان و یا هوش انسانی باشد. انسان‌ها توانایی تفکر اتزاعی دارند. یعنی برای مثال قادرند اهداف بلند مدتی برای خود تعریف نمایند و شیوه‌های خاصی از زندگی را برای دستیابی به این اهداف طراحی کنند.اگر تصور کنیم که بروز رفتارهای هدفمند به خاطر وجود عاملی است که در درون موجودات قرار دارد و آن را هوشمندی یا اراده بنامیم و علت و راه انداز این گونه رفتارها را به خصوص در مورد انسان هدف یا غایت آن در نظر بگیریم، می‌توانیم بگوییم که اغلب رفتارهای انسان باید بر اساس دلایل و اهداف او مورد بررسی قرار بگیرد، نه علت‌های مادی. بدین ترتیب، عاملیت و غایی‌انگاری، دو عامل مهم و تعیین کننده در نظام‌های شناختی رفتارهای هدفمند و پیچیده، به ویژه رفتارهای هدفمند انسان و موجودات رده‌های بالا، می‌باشد.بر اساس این گفته‌ها در مورد الگوی متداول بررسی رفتارهای پیچیده و هدفمند، اکنون به شکل مناسب‌تری می‌توان نظریه سیستم‌ها و سایبرنتیک را توضیح داد. اهمیت نظریه سیستم‌ها و سایبرنتیک در این است که این نظریه مدل‌هایی را ارایه می‌دهد که در آن‌ها برای بررسی رفتارهای پیچیده نیاز به دو مولفه عاملیت و غایی‌انگاری وجود ندارد. موضوعی که وجه مشترک محققان در حوزه‌ی سیستم‌های پیچیده بود این بود که چگونه می‌توان پدیده‌ها و رفتارهای پیچیده فیزیکی، زیستی، انسانی و حتی اجتماعی را به صورت انتزاعی و در قالب یک سیستم توصیف کرد. نکته قابل توجه در نظریه سیستم‌ها این است که رفتار حاصل فعالیت سیستم است، نه یک عامل درونی. اگر سیستمی از برخی ویژگی‌ها یا شرایط برخوردار باشد، رفتارهای هدفمند در آن پدیدار می‌شود. در میان این سیستم‌ها، برخی از آن‌ها از ویژگی خود تنظیم‌گری برخوردارند. این سیستم‌ها را سیستم‌های سایبرنتیک می‌نامیم. سیستم‌های سایبرنتیکی، سیستم‌هایی هستند که از قابلیت دریافت، ذخیره‌سازی و پردازش اطلاعات برای کنترل خود برخوردارند. یکی از مولفه‌های کلیدی در سیستم‌های سایبرنتیکی، امکان استفاده از اطلاعات و فیدبک است. سیستم‌ها با دریافت فیدبک، به گونه‌ای هدفمند رفتار می‌کنند و قابلیت خودتنظیم‌گری را بدست می‌آورند.ترموستات نمونه‌ای بسیار ساده، اما خوب برای معرفی یک سیستم کنترل سایبرنتیکی در ماشین‌ها است. برای توضیح مکانیسم کنترل در سیستم‌های سایبرنتیکی ابتدا یک ترموستات را بررسی می‌کنیم، بعد از آن به بررسی و تعمیم مدل در سایر سیستم‌ها می‌پردازیم. ترموستات از ۶ مولفه تشکیل شده است. مقایسه‌گرورودی مرجعورودی موجودتولید کننده حرارتخروجیعوامل خارجیفرض کنید این سیستم برای نگه داشتن درجه حرارت محیط بین ۳۰ تا ۳۵ درجه در نظر گرفته شده است. دمای واقعی محیط، ورودی واقعی را مشخص می‌کند. مقایسه‌گر این درجه حرارت را با درجه حرارت مرجع که برای دستگاه تعریف شده است، مقایسه می‌کند. اگر حرارت ورودی از حرارت مرجع، کم‌تر باشد تولید کننده حرارت روشن می‌شود. حرارت ایجاد شده از طریق فرآیند فیدبک ورودی واقعی و موجود را تغییر می‌دهد. سپس مقایسه‌گر بر اساس ورودی جدید و مقایسه آن با ورودی مرجع، تولید کننده حرارت را خاموش می‌کند. به این ترتیب دستگاه بدون استفاده از یک عامل هدایتگر، خودش رفتار خودش را تنظیم می‌کند. با استفاده از همین مولفه‌های ارایه شده در مدل ترموستات، می‌توان رفتار هدفمند سیستم‌های زنده را هم مورد بررسی قرار داد. برای مثال رفتار حشره‌ای که به دنبال مناطق مرطوب می‌گردد را به این صورت می‌توان تفسیر کرد که حشره گیرنده‌هایی دارد که به میزان رطوبت حساس هستند. همچنین در بدن این حشره یک سطح مرجع و مطلوب برای رطوبت تعریف شده است. بدن حشره با مقایسه ورودی رطوبت کنونی با مقدار تعریف شده مرجع یک سیستم عمل را که عبارت است از حرکت کردن، روشن می‌کند. با فعال شدن سیستم حرکت حشره شروع به حرکت می‌کند و کیرنده‌های او دایما میزان رطوبت ورودی را اندازه‌گیری می‌کنند. به محض این‌که به قسمتی از درخت برسد که میزان رطوبت ورودی با میزان رطوبت تعریف شده مرجه او برابر باشد، سیستم عمل خاموش می‌شود و حشره از حرکت بازمی‌ایستد. بدین ترتیب رفتار هدفمند این موجود را می‌توان با استفاده از یک بررسی مکانیستی و بدون نیاز به تبیین‌های غایت شناختی تفسیر کرد.بنابراین از سیستم‌های سایبرنتیکی، برای تبیین بعضی از رفتارهای پیچیده موجودات زنده نیز می‌توان استفاده کرد و اختلاف چشمگیری در این زمینه بین دانشمندان وجود ندارد. اما در مورد رفتار انسان چطور؟؟ آیا پدیده‌های پیچیده‌ی شناختی و روان‌شناختی را نیز می‌توان به همین صورت بررسی کرد؟؟ این سوال، سوال بسیار مهمی است و پاسخ مثبت دادن به آن پیامدهای سهمگینی در پی دارد. شاید برای همین است که مباحثات و اختلاف نظرهای جدی، میان دانشمندان در این زمینه وجود دارد. با توجه به این اختلاف نظرها این مساله همچنان یک مساله حل نشده است. اما چیزی که به لحاظ تاریخی بسیار مهم است، این است که برای کسانی که در آن مقطع به دنبال طراحی سیستم‌های هوشمند مصنوعی بودند، پذیرش چنین امکانی بسیار راهگشا به نظر می‌رسید. برای آن‌ها در صورت پذیرش این مدل، دیگر برای به دست آوردن رفتار هدفمند، نیازی به عامل درونی یا امری که از ویژگی‌های غیر فیزیکی برخوردار باشد، نیست. این نگرش نقش مهمی در پیش‌برد فضای علوم شناختی به سمت جلو داشته است. و کمک زیادی به پیشرفت حوزه‌ی هوش مصنوعی کرده است. farhad.azadjoo70 farhad.azadjoo70 Fri, 15 Feb 2019 01:57:52 +0330 https://virgool.io/hooshteam/%D8%AF%D8%B1-%D8%A2%D8%B1%D8%B2%D9%88%DB%8C-%D8%A7%D9%86%D8%B3%D8%A7%D9%86-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-cgx0csu1rzmp تتست تورینگفرض کنید شما به بازی دعوت شده‌اید. در این بازی دو اتاق وجود دارد که در یکی از آن‌ها یک کامپیوتر و در اتاق دیگر یک انسان قرار دارد. درب اتاق‌ها بسته و شما هیچ اطلاعاتی از اینکه در هر اتاق چه چیزی وجود دارد ندارید. وظیفه‌ی شما در این بازی این است که سوالاتی را از این دو موجود، یعنی انسان واقعی و رایانه بپرسید. انسان واقعی سعی می‌کند شما را متقاعد کند که انسان واقعی است. اما رایانه هوشمند هم کاری مشابه انجام می‌دهد، و سعی می‌کند با پاسخ‌هایی که می‌دهد، شما را فریب دهد و متقاعدتان کند که خودش انسان است، نه فردی که در اتاق کناری قرار دارد. اگر رایانه بتواند در این کار موفق شود، آیا شما می‌پذیرید که او یک موجود هوشمند است؟ هوشمند بودن به همان معنایی که مختص انسان هوشمند است؟این آزمون فکری، آزمونی بود که توسط ریاضی‌دان قرن بیستم آلن تورینگ مطرح شد. او یکی از پیشگامان حوزه‌ی هوش مصنوعی بود. تورینگ به دنبال دستیابی تعریفی از هوشمندی بود تا بتواند نشان دهد، هوشمندی ویژگی نیست که فقط منحصر به انسان‌ها باشد. تفاوت مدل فکری تورینگ با دانشمندان هم رده‌ی خودش بسیار جالب بود. ازنظر تورینگ، دانشمندان برای فهمیدن اینکه هوش چیست، به جای آنکه خود را با تعاریف نظری سردرگم کننده مشغول کنند، بهتر است به دنبال تعریفی رفتاری و عملیاتی از هوشمندی باشند. به همین دلیل تورینگ با اقتباس از یک بازی تحت عنوان بازی تقلید آزمون خود را طراحی کرد. از نظر او اگر رایانه‌ای که در اتاق قرار دارد، بتواند فرد سوال کننده را فریب دهد، باید او را هوشمند دانست.آزمون تورینگ یکی از بحث برانگیزترین آزمون‌های تاریخ علم شناختی به شمار می‌آید. این آزمون نشان‌دهنده آرزوی انسان برای ساختن موجودی هوشمند است و نیز آگاهی وی از اینکه تحقق این امر به راحتی امکان پذیر نیست. تلاش دانشمندان برای پاسخ‌گویی به آزمون تورینگ، دستاوردهای بسیاری در زمینه‌ی طراحی ماشین‌های محاسباتی واجد رفتارهای هوشمندانه مشابه انسان شد.نکته‌ی قابل توجه در تلاش دانشمندان علاوه بر اینکه ما را به ماشین‌های هوشمند نزدیک‌تر کرد، یک تاثیر عمیق‌تر نیز بر جا گذاشت. بر اساس مشاهدات و مدل فکری موجودیت ماشین هوشمند این ایده متولد شد که انسان اساسا چیزی شبیه به یک ماشین محاسباتی یا کامپیوتر است.علاقه به تولید ماشین‌هایی که بتوانند رفتارهایی شبیه انسان داشته باشند، تاریخ طولانی دارد. قرن هفدهم در اروپا، دوران شکوفایی علم مکانیک بود. در این دوران در برخی از نقاط اروپا، مراکزی برای به رخ کشیدن توانایی دانشمندان اروپایی وجود داشت. یکی از این مراکز، پارک‌های سلطنتی بود. در این پارک‌ها مجسمه‌هایی به نمایش در می‌آمدند که به انسان شباهت داشتند و کارهایی مشابه کارهای انسانی انجام می‌دادند. در درون برخی از این مجسمه‌ها، لوله‌ها و محفظه‌هایی وجود داشت که مقداری آب می‌توانست در آن‌ها جریان یابد. منبع اصلی آب، پمپی بود که در زیر مجسمه و دور پاهای او قرار داشت. نزدیک شدن بازدید کنندگان به مجسمه باعث فشرده شدن منبع آب زیر پاهای آن‌ها می‌شد و این کار آب را به درون لوله‌های مجسمه پمپ می‌کرد. نتیجه‌ی آن حرکت انسان مانند توسط این مجسمه‌ها بود. افراد مختلفی از این مجسمه‌ها بازدید می‌کردند و از حرکات این مجسمه‌ها لذت می‌بردند. در میان این بازدیدکنندگان، فیلسوفی به نام دکارت حضور داشت که از مشاهده مجسمه‌ها سوالی فلسفی در ذهنش شکل گرفت. آیا انسان هم می‌تواند چیزی شبیه به یک ماشین باشد؟ پاسخ دکارت به این سوال دو بخشی بود. از نظر او تا آنجا که به رفتارهای غیر ارادی آدمی مربوط می‌شود، انسان شبیه یک ماشین است. اما انسان نیمه‌ی دیگری نیز دارد که از ویژگی‌های متافیزیکی برخوردار است و این بخش از وجود انسان، بخشی می‌باشد که واجد توانایی‌هایی مانند تفکر، اراده، قدرت محاسبه، زبان و سایر توانایی‌هایی از این دست است. این دوگانه انگاری دکارت با بسیاری از سنت‌های فلسفی دوران خودش همخوانی داشت. این تصور دکارت می‌توانست از شتاب دانشمندان برای ساخت ماشین انسان مانند بکاهد، اما زمان زیادی از ارایه ایده دکارت نگذشته بود که شکافی در این باور به وجود آمد.ابداع ماشین حساب پاسکال!!!! با ابداع ماشین حساب پاسکال در سال ۱۶۴۲ و بعد از آن با کارهای فیلسوف و ریاضی دان آلمانی به نام لایبنیتس ایده دکارت زیر سوال رفت. ماشین‌هایی که توسط این دانشمندان طراحی شده بود، انحصار بخشی از توانایی‌های ذهنی را از انسان برداشت. ماشین حساب‌های اولیه، دستگاه‌های مکانیکی بودند که از توانایی انجام بعضی از اعمال محاسباتی مانند جمع و تفریق و ضرب و تقسیم برخوردار بودند. به این ترتیب اولین گام برای تولید ماشین‌هایی که بتوانند برخی از کارهای منحصر به انسان مانند محاسبه را انجام دهند، برداشته شد.نکته مهم‌تر در آثار لایبنیتس این بود که او تصور می‌کرد، می‌توان زبان منطقی و محاسباتی طراحی نمود که بتوان تمام اندیشه‌ها را به آن برگرداند. حدود ۱۶۰ سال بعد از او جرج بول با ایجاد جبر بولی در ایجاد زبان منطقی و محاسباتی، قدم‌های بزرگی برداشت. در قرن هجدهم میلادی کتابی توسط یک فیزیولوژیست فرانسوی به نام دولامتری با عنوان انسان ماشین منتشر شد که هسته اولیه نوعی کارکردگرایی را در خود داشت. او در کتابش با رد دوگانه‌انگاری ذهن و بدن، بیان می‌کند که:ویژگی‌های حیاتی یا ذهنی انسان چیزهایی نیستند که به مواد سازنده بدن یا جوهری غیر مادی مثل روح وابسته باشند. شرط تحقق این ویژگی‌ها، وجود ساختارهایی مادی است که از برخی خصوصیات کارکردی و سازمانی برخوردار باشند. آنچه از دیدگاه دولامتری حاصل می‌شود، بسیار شبیه دیدگاهی است که نظریه پردازان تکامل بعدها مطرح می‌کنند. اینکه هرگاه سیستمی ایجاد گردد که از ویژگی‌های کارکردی لازم برخوردار باشد، هوشمندی یا حیات نیز می‌تواند در آن تحقق یابد. این ایده که در ادبیات فلسفی کارکردگرایی نامیده می‌شود، اهمیتی حیاتی در شکل‌گیری علم هوش مصنوعی و روان‌شناسی شناختی دارد. اگر هوشمندی حاصل کارکرد یک سیستم باشد، آنگاه هوشمندی قابلیت تحقق در میزبان‌های مختلف را خواهد داشت و این میزبان واجد شرایط، فرقی نمی‌کند که انسان باشد یا ماشین.نظریه‌ها و فرضیات و ایده‌های مختلف برای پیشبرد ایده‌ها بسیار مهم بوده‌اند. ایده‌هایی که در بالا ذکر شده‌اند با پیشرفت و مطالعات بیشتر یا از بین رفته‌اند یا نگاه به آن‌ها تغییر کرده است. ولی نکته مهمی که وجود دارد این است که این سیر در علوم و چینش افکار و نظریات گذشتگان کمک می‌کند که بتوان ارتباطات شکل دهنده یک علم را بر اساس این تلاش‌ها مشاهده کرد. farhad.azadjoo70 farhad.azadjoo70 Thu, 14 Feb 2019 01:47:24 +0330 https://virgool.io/hooshteam/%D8%AF%D8%A7%D8%B3%D8%AA%D8%A7%D9%86-%DB%8C%DA%A9-%D8%AA%D9%88%D9%84%D8%AF-%D8%B9%D9%84%D9%88%D9%85-%D8%B4%D9%86%D8%A7%D8%AE%D8%AA%DB%8C-%DA%86%DA%AF%D9%88%D9%86%D9%87-%D8%B4%DA%A9%D9%84-%DA%AF%D8%B1%D9%81%D8%AA-s4t3d2ms0fkn علوم شناختی، اشاره به یک حوزه‌ی میان رشته‌ای دارد که به طور مشخص، شامل شش رشته انسان‌شناسی، روان‌شناسی، علوم اعصاب، زبان‌شناسی، هوش مصنوعی و فلسفه‌ی ذهن می‌گردد. هدف مشترک همه این رشته‌ها مطالعه ذهن و شناخت است. البته هر کدام از این رشته‌ها از جنبه‌های گوناگونی به این مطالعه می‌پردازند و به دنبال جواب سؤالات متفاوتی هستند. فصل مشترک آن‌ها می‌تواند دانش ما را روی مغز و فعالیت‌های شناختی انسان افزایش دهد.شش حوزه‌ی اصلی تشکیل دهنده علوم شناختیذهن و شناخت می‌تواند به صورت محدود و گسترده استفاده شود. حالت محدود آن زمانی است که ما فقط در مورد ذهن و شناخت در انسا‌ن‌ها صحبت می‌کنیم و حالت گسترده آن ذهن و شناخت در انسان و سایر اشیاء و پدیده‌های ذهن‌مند می‌باشد. منظور از اشیای ذهن‌مند هر نوع موجودی می‌باشد که می‌تواند فکر کند، محاسبه کند، احساس کند، تصمیم بگیرد و رفتار هوشمندانه داشته باشد. بنابراین حیوانات و ماشین‌ها و ربات‌ها نیز می‌توانند در این تعریف گسترده قرار بگیرند.اگر بخواهیم سالی را به عنوان مبدأ پیدایش علوم شناختی به معنای امروزی انتختب کنیم، سال ۱۹۵۶ میلادی بهترین انتخاب خواهد بود. در این سال اتفاقات مهمی در حوزه‌های مختلف علمی رخ داد که همگی از جهاتی به هم شباهت داشتند. همایشی در شهر دارتموث با هدایت مک کارتی از دانشگاه دارتموث، مینسکی از دانشگاه هاروارد، روچستر از دانشگاه ام آی تی و شانون از آزمایشگاه بل برگزار شد که در آن همایش به طور رسمی از شکل‌گیری دانش جدیدی تحت عنوان هوش مصنوعی پرده‌برداری شد.سمپوزیوم در مؤسسه فناوری ماساچوست با موضوع نظریه خبر برگزار شد که دانشمندان معروفی مانند چامسکی و میلر که در حوزه‌های زبان‌شناسی و روان‌شناسی فعالیت داشتند، در آن شرکت کرده بودند. مقاله‌هایی در این نشست ارایه شده بود که حکایت از تولد رویکرد شناختی در حوزه‌ی روانشناسی رفتاری می‌کرد. تحولاتی مشابه در حوزه‌ی انسان شناسی اتفاق افتاد. مقالات زیادی از انسان‌شناسان منتشر شد که به نوعی با موضوعات شناختی همپوشانی داشت. تحولاتی که در سال ۱۹۵۶ اتفاق افتاد، تبلور فعالیت‌هایی بود که از چند سال قبل آغاز شده بود. این فعالیت‌ها در سال‌های بعد با شتاب بیشتری ادامه پیدا کرد تا به امروز که یک شاخه اساسی از علوم را به خود اختصاص داده‌است.حوزه علوم اعصاب، حوزه‌ی دیگری است که با تأخیر در چارچوب علوم شناختی قرار گرفت. اما پس از زمان کوتاهی تبدیل به یکی از محوری‌ترین حوزه‌های علوم شناختی شد. رابطه مغز، سیستم عصبی و شناخت چنان نزدیک است که به باور بسیاری از دانشمندان این حوزه، مطالعه شناخت بدون مطالعه مغز امکان‌پذیر نیست.در ابتدا متخصصین علوم اعصاب برای بررسی مساله شناخت، محدود به بررسی مغز افراد مبتلا به اختلالات شناختی بودند. افرادی که بر اثر بیماری یا تصادف، قسمتی از مغز و به تبع آن قسمتی از فعالیت‌های شناختی خود را از دست می‌دادند، این امکان را در اختیار محققان قرار می‌دادند تا به نظریه‌پردازی در مورد رابطه فرآیند‌های شناختی و مراکز مختلف مغز بپردازند. تحول جدی علوم اعصاب، زمانی رخ داد که دانشمندان این حوزه توانستند به صورت مستقیم به مطالعه در ارتباط با مغز بپردازند. این امکان با گسترش فناوری و تکنولوژی‌های جدید و ابداع روش‌های مختلف مشاهده و دستکاری سیستم عصبی، فراهم شد. با فراهم شدن این امکان، متخصصان علوم اعصاب به تدریج از مطالعه فیزیولوژی و آناتومی سیستم عصبی پا را فراتر گذاشتند و به مطالعه کارکرد‌های شناختی مغز روی آوردند.تمام رویدادهایی که در بالا به آن‌ها اشاره شد، در حوزه‌ی دانش تجربی قرار داشتند. اما به موازات این تحولات علمی جنبشی در حوزه‌ی فلسفه هم شکل گرفت که به سرنوشت علوم شناختی مرتبط بود. فلسفه‌ی ذهن با استفاده از روش‌هایی که عمدتا میراث فلسفه‌ی تحلیلی محسوب می‌شد، تلاش‌های جدیدی را برای صورت‌بندی فلسفی علوم شناختی آغاز کرد. دانشمندان و فلاسفه در این مسیر به بررسی سوال‌هایی کلی نظیر رابطه ذهن با بدن و تأمل در مفاهیم مورد استفاده دانشمندان علوم شناختی پرداختند.بر اساس فعالیت‌های شکل گرفته مسایل علمی جدیدی در قرن بیستم مطرح شدند که به نوعی بین شش رشته نام برده شده مشترک بودند. مرکزی که برای نخستین بار تمامی حوزه‌های مختلف علوم شناختی را تحت عنوان علوم شناختی گرد هم آورد، بنیاد اسلوان بود. این مرکز توانست در سال ۱۹۷۸ میلادی، متخصصان مختلفی از حوزه‌های فلسفه، روان‌شناسی، انسان‌شناسی، علوم اعصاب، زبان‌شناسی و علوم رایانه‌ای را گرد هم بیاورد تا علوم شناختی به معنای بین رشته‌ای، موجودیت خود را اعلام کند. farhad.azadjoo70 farhad.azadjoo70 Thu, 14 Feb 2019 00:08:22 +0330