تحقیق در مورد شبکه عصبی

اختصاصی از فایل هلپ تحقیق در مورد شبکه عصبی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه: 12

توصیف

در حالت کلی، یک شبکه عصبی زیستی از مجموعه یا مجموعه‌ای از نورون‌های به صورت فیزیکی به هم متصل یا از لحاظ عملکردی به هم وابسته تشکیل شده‌است. هر نورون می‌تواند به تعداد بسیار زیادی از نورون‌ها وصل باشد و تعداد کل نورون‌ها و اتصالات بین آن‌ها می‌تواند بسیار زیاد باشد. اتصالات، که به آن‌ها سیناپس گفته می‌شود، معمولاً از آکسون‌ها و دندریت‌ها تشکلیل شده‌اند.

هوش مصنوعی و مدل سازی شناختی سعی بر این دارند که بعضی از خصوصیات شبکه‌های عصبی را شبیه سازی کنند. این دو اگرچه در روش‌هاشان به هم شبیه هستند اما هدف هوش مصنوعی حل مسائل مشخصی است در حالی که هدف مدل سازی شناختی ساخت مدل‌های ریاضی سامانه‌های نورونی زیستی است.

شبکه‌های عصبی زیستی

شبکه‌های عصبی زیستی مجموعه‌ای بسیار عظیم از پردازشگرهای موازی به نام نورون اند که به صورت هماهنگ برای حل مسئله عمل می‌کنند و توسط سیناپس‌ها (ارتباط‌های الکترومغناطیسی) اطلاعات را منتقل می‌کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‌ها می‌توانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری اند. مثلا با اعمال سوزش به سلول‌های عصبی لامسه، سلول‌ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سامانه می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سامانه‌ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثال‌ها وزن سیناپس‌ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‌های تازه سامانه پاسخ درستی تولید کند.

معرفی شبکه عصبی مصنوعی شبکه عصبی مصنوعی یک سامانه پردازشی داده‌ها است که از مغز انسان ایده گرفته و پردازش داده‌ها را به عهدهٔ پردازنده‌های کوچک و بسیار زیادی سپرده که به صورت شبکه‌ای به هم پیوسته و موازی با یکدیگر رفتار می‌کنند تا یک مسئله را حل نمایند. در این شبکه‌ها به کمک دانش برنامه نویسی، ساختار داده‌ای طراحی می‌شود که می‌تواند همانند نورون عمل کند. که به این ساختارداده گره گفته می‌شود. بعد باایجاد شبکه‌ای بین این گره‌ها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می‌دهند. در این حافظه یا شبکهٔ عصبی گره‌ها دارای دو حالت فعال (روشن یا 1) و غیرفعال (خاموش یا 0) اند و هر یال (سیناپس یا ارتباط بین گره‌ها) دارای یک وزن می‌باشد. یال‌های با وزن مثبت، موجب تحریک یا فعال کردن گره غیر فعال بعدی می‌شوند و یال‌های با وزن منفی، گره متصل بعدی را غیر فعال یا مهار (در صورتی که فعال بوده باشد) می‌کنند.

تاریخچه شبکه‌های عصبی مصنوعی

1. از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوزیست‌ها سعی کردند سامانه یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوشش‌ها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که امروزه بلوک اصلی سازنده اکثر شبکه‌های عصبی مصنوعی است. این مدل فرضیه‌هایی در مورد عملکرد نورون‌ها ارائه می‌کند. عملکرد این مدل مبتنی بر جمع ورودی‌ها و ایجاد خروجی است. چنانچه حاصل جمع ورودی‌ها از مقدار آستانه بیشتر باشد اصطلاحا نورون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده مثل AND و OR بود.

1. نه تنها نروفیزیولوژیست‌ها بلکه روان شناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌های عصبی تاثیر داشتند. در سال 1958 شبکه پرسپترون توسط روزنبلات معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده می‌باشد، است. این سامانه می‌تواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند. سامانه دیگر مدل خطی تطبیقی نورون می‌باشد که در سال 1960 توسط ویدرو و هاف (دانشگاه استنفورد) به وجود آمد که اولین شبکه‌های عصبی به کار گرفته شده در مسائل واقعی بودند. Adalaline یک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود، روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت.

1. در سال 1969 میسکی و پاپرت کتابی نوشتند که محدودیت‌های سامانه‌های تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع سرمایه گذاری برای تحقیقات در زمینه شبیه سازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله جالبی نمی‌باشد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید

تحقیق در موردهوش مصنوعی

اختصاصی از فایل هلپ تحقیق در موردهوش مصنوعی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه:31

فهرست مطالب:

• معرفی :

عصر پیشرفت نرم افزاری

پایه های نماینده علمی مختلف

AI چیست

استفاده از مدل ها (طرح ها ) برای کنترل :

استفاده از راهنمایی های لازم در زمینة مدل ها

و زبان های برنامه نویسی :‌

طبقه بندی و تغییر دادن :

ایجاد تغییرات در برنامه ها و پیام های

مربوطه :

پیامهای محیطی :

برنامه های هوشمند مشتمل بر 99% علم کامپیوتری و 1% هوش مصنوعی است . هوش مصنوعی با بیش از 40 سال سابقه مورد بحث و انتقادات زیادی قرار گرفته است. شاید بتوان گفت که مشکلترین و سخت ترین نوع بحث این باشد که ‌هوش مصنوعی نتوانسته است به وعده های خود عمل .

عموما یک برنامه هوش به عنوان یک سیستم مستقل تصمیم گیرنده محسوب می شود که در محیط آن عمل قرار میگیرد.

• سیستم های عامل :

منظور از سیستم عامل این است که از یک عامل به صورت انتزاعی استفاده شده است .

و سیستم های عامل ممکن است شامل یک کاربر باشد. منظور از سیستم عامل سیستمی است که ، شامل موارد زیر باشد:

استقلال داخلی (AUTONAMY) :

سیستم های عامل برخی از برنامه ها را خلاصه میکنند و درباره چگونگی وضعیت بدون دخالت بشر یا سایرین تصمیم گیری می کنند.

فعالیت (Reactivity) :

عامل ها در یک محیط واقع شده اند و قادر هستند به تغییراتی که در آن رخ می دهد پاسخ دهند.

فعالیت حرفه ای : ( Pro- activeness)

سیستم های عامل به آسانی در پاسخ به محیطشان عکس العمل نشان نمی دهند . آنها قادر هستند که با حرکت اولیه رفتار هدف گرایی را ارایه دهند.

توانایی اجتماعی : ( Social abitity)

سیستم های عامل با دیگر عامل ها ( برنامه و شاید انسانها) از طریق نوع زبان ارتباطی ،‌در ارتباط هستند و به عنوان نمونه آنها قادر هستند تا در فعالیت های اجتماعی (مثل حل مسئله یا مذاکره) جهت رسیدن به اهدافشان به کارگرفته نشوند. همچنین از سیستم انتظار داریم که زبانهای برنامه نویسی سطح پایین را به صورت کورکورانه اجرا کند. بدین ترتیب هنگام وقوع شرایط غیر قابل پیش بینی از سیستم انتظار داریم که متعاقبا و سر موقع به وضعیت جدید پاسخ مناسبی دهد.

1-2 ) سیستم های عامل به عنوان سیتم های منطقی یک مشکل مشهود این است که چگونه به شرح سیستم هایی که توانایی رفتار منطقی دارند بپردازیم . یکی از موفقیت آمیز ترین روش های برای رفع این مشکل در نظر گرفتن سیستم های عامل به عنوان سیستم های ارادی است که عملکردشان با اصطلاحات رفتاری از قبیل عقیده میل و قصد می تواند پیش بینی و توضیح داده شود . این حالت ارادی از آنجائیکه رفتار یک سیستم پیچیده از طریق صفات حالت از قبیل اعتقاد و امیال درک می شود را در ابراز انتزاعی می گویند . حال بیشتر علم کامپیوتر به تحقیق درباره مکانیزم های انتزاعی گرایش دارد تا آنجائیکه به برنامه نویسان اجازه می دهد تا با آرامش کامل به کنترل پیچیدگیها بپردازد .

دانلود تحقیق هوش مصنوعی

اختصاصی از فایل هلپ دانلود تحقیق هوش مصنوعی دانلود با لینک مستقیم و پر سرعت .

حال ببینیم که رابطه تکامل طبیعی با روش‌های هوش مصنوعی چیست ..هدف اصلی روش‌های هوشمند به کار گرفته شده در هوش مصنوعی یافتن پاسخ بهینه مسائل مهندسی ست. بعنوان مثال اینکه چگونه یک موتور را طراحی کنیم تا بهترین بازدهی را داشته باشد یا چگونه بازوهای یک ربات را محرک کنیم تا کوتاه‌ترین مسیر را تا مقصد طی کند(دقت کنید که در صورت وجود مانع یافتن کوتاه‌ترین مسیر دیگر به سادگی کشیدن یک خط راست بین مبدا و مقصد نیست) همگی مسائل بهینه‌سازی هستند. روش‌های کلاسیک ریاضیات دارای دو اشکال اساسی هستند. اغلب این روش‌ها نقطه بهینه محلی(Local Optima) را بعنوان نقطه بهینه کلی در نظر می‌گیرند و نیز هر یک از این روش‌ها تنها برای مساله خاصی کاربرد دارند.

     در مورد نکته دوم باید بگوییم که روش‌های ریاضی بهینه‌سازی اغلب منجر به یک فرمول یا دستورالعمل خاص برای حل هر مسئله می‌شوند. در حالی که روش‌های هوشمند دستورالعمل‌هایی هستند که به صورت کلی می‌توانند در حل هر مسئله‌ای به کار گرفته شوند. این نکته را پس از آشنایی با خود الگوریتم بیشتر و بهتر خواهید دید.

1-2: الگوریتم ژنتیک چیست؟

الگوریتم های ژنتیک با توجه به نظریه داروین در مورد تکامل, جان گرفتند. سپس نظریه محاسبات تکاملی, توسط ریچنبرگ در سال 1960 معرفی شدند و این نظریه توسط محققان دیگر توسعه یافت تا در سال 1975 منجر به اختراع الگوریتم های ژنتیک توسط هالاند و دانشجویانش شد.

    الگوریتم های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش بینی یا تطبیق الگو استفاده می کنند.الگوریتم های ژنتیک اغلب گزینه خوبی برای تکنیک های پیش بینی  بر مبنای رگرسیون هستند.همان طور ساده،خطی وپارامتریک گفته می شود،به الگوریتم های ژنتیک می توان غیر پارامتریک گفت.

    برای مثال اگر بخواهیم نوسانات قیمت نفت را با استفاده از عوامل خارجی وارزش رگرسیون خطی ساده مدل کنیم،این فرمول را تولید خواهیم کرد:قیمت نفت در زمان t=ضریب 1 نرخ بهره در زمان t+ضریب 2 نرخ بیکاری در زمان t+ثابت 1 . سپس از یک معیار برای پیدا کردن بهترین مجموعه ضرایب و ثابت ها جهت مدل کردن قیمت نفت استفاده خواهیم کرد.در این روش 2 نکته اساسی وجود دارد.اول این روش خطی است و مسئله دوم این است که ما به جای اینکه در میان "فضای پارامترها"جستجو کنیم ،پارامترهای مورد استفاده را مشخص کرده ایم.

1-Artificial  Inteligence

2-Algorithm

1-Holland

فایل ورد 24 ص

تحقیق درباره بررسی هوش مصنوعی از رهیافت علوم شناختی

اختصاصی از فایل هلپ تحقیق درباره بررسی هوش مصنوعی از رهیافت علوم شناختی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 13 صفحه

تعریف و معرفی :

علوم شناختی حوزه‌ای مرکب از دانش‌هایی نظیر هوش مصنوعی، روان شناسی، عصب-روان شناسی، زبان شناسی، فلسفه ذهن و برخی دیگر از زمینه‌های مطالعاتی است.


این گستره پژوهشی با ماهیتی میان رشته‌ای درپی مطالعه پدیده‌ها و رفتارهای شناختی است؛ از ادراک (شامل حواس پنج گانه) گرفته تا فرآیندهای هوشمندانه (از قبیل حساب، حل مساله، تفکر شهودی، تصمیم گیری و...) و نیز زبان، حافظه، یادگیری و هر آنچه که بتوان آن را پدیده و رفتاری شناختی در نظر گرفت. روش‌های علمی و نظریه‌های شاخه‌های گوناگون علوم شناختی بر گسترش پژوهش‌ها و زمینه‌های مطالعاتی، بر حوزه‌های تحقیقی به صورت تعاملی تاثیراتی اساسی داشته اند.بر اساس چنین رهیافتی، محققان علوم کامپیوتر و هوش مصنوعی با استفاده از نظریه‌ها و روش‌های مطالعاتی علوم شناختی می‌توانند در جهت بهبود ایده‌ها و روش‌های نظری و عملی هوش مصنوعی در شبیه سازی و پیاده سازی رفتارهای هوشمند گام‌های مطلوبی بردارند.این مقاله، پیشگفتار کتاب «هوش مصنوعی از رهیافت علوم شناختی» است که هم‌زمان با چاپ و انتشار در اختیار روزنامه قرار گرفته است.

علم شناخت با گردآوری مجموعه‌ای از علوم گوناگون به منزله یک زمینه مطالعاتی میان رشته‌ای در پی تبیین فرآیندهای ذهنی و شناختی است تا از این رهیافت به ارایه شبیه‌سازی و مدل‌های گوناگونی از رفتارهای شناختی در حوزه‌های مورد ملاحظه خود بپردازد. موفقیت برق آسای علوم شناختی بعد از سال‌های 1970 دلایل مختلفی داشت؛ نخست، بلندپروازی نظری و ساده‌انگارانه اولیه این علوم در فهم فرآیندهای شناختی در انسان‌ها؛ دوم، تازگی این علوم و میان رشته‌ای بودن آنکه جاذبه‌ای فراوان داشت و سرانجام آنکه، ایده‌ها و کاربردهای عملی تازه‌ای را در زمینه هوش مصنوعی وعده می‌داد.

با وجود این،‌ اشتباه است اگر فکر کنیم که علوم شناختی نوعی برنامه تحقیقی همسان و بزرگ است که پژوهشگران با تخصص‌های مختلف را در هماهنگی کامل به همکاری گرد می‌آورد. علوم شناختی، همانند فیزیک نیوتونی یا شیمی ارگانیک، یک علم واحد متجانس را تشکیل نمی‌دهند. کسی که می‌خواهد به طور کامل با تمامی زمینه‌های مطالعاتی آن آشنا شود، ره به خطا برده‌است. در این علم، توده‌ای از رشته‌های اصلی و فرعی گردآمده‌اند که با یکدیگر تلاقی دارند. از این رو، از طرفی، آزمایش‌ها و نظریه‌های موضعی در مورد رفتارهای شناختی به طور ناهماهنگ و پراکنده ارایه می‌شوند و تحقیقات کاربردی و مجادلات فلسفی در هم آمیخته شده‌اند و از طرف دیگر بحث‌های پرشوری در مورد خطر تحدید‌گرایی و سردستگی بعضی رشته‌ها مانند هوش‌مصنوعی یا عصب‌شناسی طرح می‌شود. بنابراین علوم شناختی هنوز از یک مجموعه علمی متجانس و یکپارچه فاصله دارند و به ابرهایی متراکم می‌مانند که به واسطه سطوح مختلف تحلیلی و الگوهای رقابتی در کنار یکدیگر قرار گرفته‌اند.

دانلود مقاله درباره هوش مصنوعی

اختصاصی از فایل هلپ دانلود مقاله درباره هوش مصنوعی دانلود با لینک مستقیم و پر سرعت .

هوش مصنوعی چیست؟  

هوش مصنوعی یکی از مقوله هایی است که در علوم کامپیوتر، اهمیت فراوان دارد و تغییرات در هوش مصنوعی می توانند تحولات گسترده ای را در فناوری اطلاعات پدید بیاورند. در این مقاله قصد داریم که هوش مصنوعی را به شما معرفی کنیم

هوش مصنوعی، هوش ماشین هاست! در واقع شاخه ای از علوم کامپیوتر است که قصد دارد راه حل های الگوریتمی را ارائه کند تا بتوانیم به وسیله آنها در ماشین ها هوشمندی ایجاد کنیم. اما این تعریف کافی نیست؛ اول از همه باید بدانیم که تعریف هوشمندی چیست و بعد باید منظور از ماشین را دربیابیم:  
 
استدلال، منطق، تصمیم گیری ؛ این ها توانایی هستند که شما از آنها استفاده می کنید. پس شما هوشمند هستید. اگر این توانایی ها را در کامپیوتر هم ایجاد کنیم، آنگاه به ماشین هوشمند دست می یابیم! به همین سادگی ... ولی به جز این ها چیز های دیگری هم در رابطه با تعریف هوشمندی وجود دارند که دانستن آنها را می توان مهم ارزیابی کرد. در واقع بحث هایی که در مورد هوشمندی و هوش مصنوعی مطرح شده است؛ تنها به دوره ی امروزه ی ما و قرن 21 مربوط نمی شود، بلکه از سال 1950 این مباحث به طور جدی مطرح شد

- پیشینه ی هوش مصنوعی:

باید گفت که از این نظر هوش مصنوعی یکی از غنی ترین تاریخ ها را دارد، منتها در قصه ها!  ماشین ها و مخلوقات مصنوعی باشعور، اولین بار در افسانه های یونان باستان مطرح شدند. شبه انسان ها باور داشتند که باید یک تمدن بزرگ را تشکیل دهند؛ تندیس ها و مجسمه های انسان نما در مصر و یونان به حرکت در آمده بودند و ... حتی در مواردی این قصه ها، پای جابر بن حیّان و چند تن دیگر را هم به سازندگان موجودات مصنوعی باز کردند.  
 
از قصه ها که بگذریم ؛ فیلسوف ها و ریاضی دان ها از مدت ها پیش مباحث مربوط به استدلال و منطق را پیش کشیدند و امروزه این مباحث به صورت قرار دادی، به رسمیت پذیرفته شده است. این گونه منطق ها اساس کامپیوتر های دیجیتال و برنامه پذیر شده اند. یکی از افرادی که نقش اساسی و مهمی در این مورد ایفا کرد آقای آلن تورینگ بود

نظریه تورینگ:  
 
تئوری تورینگ مبتنی بر این بود که می توانیم با استفاده از نشانه ها و اعدادی مانند 0 و 1، هر استدلال ریاضی ای را در کامپیوتر عملی کنیم. همزمان با این نظریه کشف های تازه ای در زمینه ی عصب شناسی، نظریه اطلاعات و فرمانشناسی، به وقوع پیوسته بود. این پیشرفت ها الهام بخش گروهی کوچک از پژوهشگران شد تا به طور جدی به مساله ایجاد یک مغز الکترونیکی رسیدگی نمایند

- تست تورینگ:  
 
در سال 1950، آلن تورینگ مقاله ای را در رابطه با هوش مصنوعی منتشر ساخت که بعد ها به تست تورینگ مشهور شد. در این مقاله عنوان شده بود که اگر فردی از پشت یک دیوار یا هر چیز جدا کننده دیگری، با کامپیوتر مکالمه کتبی داشته باشد و نداند که طرف مقابلش انسان نیست و پس از پایان مکالمه نیز متوجه این موضوع نشود، آنگاه می توان کامپیوتر را ماشینی هوشمند نامید زیرا توانسته است که در برابر یک انسان به اندازه کافی از استدلال و منطق استفاده کند. تست تورینگ تا حدی توانست هوش مندی را توجیه کند ولی فقط ((تا حدی))! اما از آن زمان تا کنون ماشینی اختراع نشده است که توانسته باشد این تست را با موفقیت بگذراند. هر چند زبان AIML ابداع شد، اما این زبان هرگز به این حد از هوش مصنوعی دست نیافت.

تیمی که در زمینه هوش مصنوعی تحقیق می کردند، در تابستان سال 1956، کنفرانسی را در محوطه کالج دارتموس برگزار کردند. این کنفرانس به همراه افرادی مانند جان مک کارتی، ماروین مینسکی، آلین نویل و هربت سیمون که برای دهه ها پیشتازان تحقیق برای هوش مصنوعی بودند انجام شد. آنها و دانش آموزان آنها، برنامه ای نوشته بودند که حقیقتا برای عده زیادی از مردم شگفت آور بود. این برنامه می توانست مشکلات نوشتاری در جبر را حل کند، استدلال های منطقی را اثبات کند و به زبان انگلیسی سخن بگوید. در اواسط دهه ی 1960، بودجه سنگینی برای دایرکردن آزمایشگاه های تحقیقاتی در گرداگرد دنیا، از سوی حوزه ی دفاعی ایالات متحده آمریکا، اختصاص داده شد. پیشتازان هوش مصنوعی درباره آینده آن در جهان بسیار خوش بین بودند. هربت سیمون پیشبینی کرده بود که در مدت 20 سال، کامپیوتر های هوشمند می توانند، هر کاری را که انسان انجام می دهد، انجام دهند. در واقع مشکلات بزرگی که در آن زمان برای ایجاد هوش مصنوعی وجود داشت، اساسا حل شده بود

مقایسه، استدلال و حل مسائل:  
 
خیلی زود توسعه دهندگان هوش مصنوعی به این نتیجه رسیدند که باید در الگوریتم های خود از نحوه حل مساله ((گام به گام)) استفاده کنند. در واقع انسان ها هم معمولا برای حل مواردی از جمله: ساختن پازل و ... از این روش استفاده می کنند. آنها همچنین توانستند که پس از دهه های 80 و 90 الگوریتم های موفقیت آمیزی را برای درک داده ها و اطلاعات نا کامل عرضه کنند که این الگوریتم ها از احتمالات، برای درک این اطلاعات استفاده می کردند.  
 
برای حل مسائل سخت، بیشتر این الگوریتم ها به کامپیوتر های بزرگ و قدرتمندی برای پردازش نیاز داشتند. بسیاری از این الگوریتم ها به مقدار زیادی حافظه (رم) نیاز داشتند و حتی در صورت فراهم آمدن آن، با وجود سخت افزار های آن زمان، مدت مورد نیاز برای پردازش نجومی بود. بنابر این می توان این مساله را دریافت که: جستجو برای الگوریتم های بهتر و موثر تر در آن زمان، از اولویت های اصلی پژوهشگران هوش مصنوعی بود.  
 
انسان برای حل مسائل خود خیلی سریع عمل می کند. چیزی که باید فهمید این است که اگر چه انسان در جمع و تفریق اعداد از کامپیوتر شکست می خورد، اما مساله فقط جمع و تفریق نیست. در واقع اولین گام برای حل مساله درک آن است و این چیزی است که برای انسان بسیار ساده و برای کامپیوتر ها بسیار سخت است. بر این اساس آنها به تحقیقات زیادی پرداختند و به این نتیجه رسیدند که باید برای بازدهی بیشتر از شبکه های عصبی استفاده کنند. این کار به آنها کمک می کرد تا بتوانند به ساختار اعصاب و مغز انسان و سایر حیوانات نزدیک تر شوند.

نمایش معلومات: