Neural computation: Difference between revisions

Content deleted Content added
ترجمه
Tags: Reverted non-English content references removed Visual edit
Restored revision 1217662145 by Riftmaker (talk)
 
Line 1:
{{refimprove|date=June 2019}}
 
'''Neural computation''' is the information processing performed by networks of [[neuron]]s. Neural computation is affiliated with the philosophical tradition known as [[Computational theory of mind]], also referred to as computationalism, which advances the thesis that neural computation explains [[cognition]]. The first persons to propose an account of neural activity as being computational was [[Warren Sturgis McCulloch|Warren McCullock]] and [[Walter Pitts]] in their seminal 1943 paper, ''A Logical Calculus of the Ideas Immanent in Nervous Activity.''
'''این مقاله در حال ترجمه از ویکی انگلیسی است لطفا حذف نشود."'''
 
There are three general branches of computationalism, including classicism, [[connectionism]], and [[computational neuroscience]]. All three branches agree that cognition is computation, however, they disagree on what sorts of computations constitute cognition. The classicism tradition believes that computation in the brain is digital, analogous to digital computing. Both connectionism and computational neuroscience do not require that the computations that realize cognition are necessarily digital computations. However, the two branches greatly disagree upon which sorts of experimental data should be used to construct explanatory models of cognitive phenomena. Connectionists rely upon behavioral evidence to construct models to explain cognitive phenomena, whereas computational neuroscience leverages neuroanatomical and neurophysiological information to construct mathematical models that explain cognition.<ref name=":0" />
محاسبات عصبی یک حوزه پیچیده و جذاب است که در آن علوم کامپیوتر، ریاضیات و علوم اعصاب با هم ترکیب می‌شوند.<sup>[[:fa:محاسبات_و_سیستم‌های_عصبی|[1]]]</sup> این حوزه با استفاده از مدل‌های ریاضی و الگوریتم‌های کامپیوتری، سعی دارد تا عملکرد مغز را شبیه‌سازی کند و به درک بهتر فرایندهای موجود در مغز کمک کند.<sup>[2]</sup>
 
When comparing the three main traditions of the computational theory of mind, as well as the different possible forms of computation in the brain, it is helpful to define what we mean by computation in a general sense. Computation is the processing of information, otherwise known as variables or entities, according to a set of rules. A rule in this sense is simply an instruction for executing a manipulation on the current state of the variable, in order to produce a specified output. In other words, a rule dictates which output to produce given a certain input to the computing system. A computing system is a mechanism whose components must be functionally organized to process the information in accordance with the established set of rules. The types of information processed by a computing system determine which type of computations it performs. Traditionally, in cognitive science there have been two proposed types of computation related to neural activity - [[Digital computer|digital]] and [[Analog computer|analog]], with the vast majority of theoretical work incorporating a digital understanding of cognition. Computing systems that perform digital computation are functionally organized to execute operations on strings of digits with respect to the type and ___location of the digit on the string. It has been argued that neural spike train signaling implements some form of digital computation, since [[Action potential|neural spikes]] may be considered as discrete units or digits, like 0 or 1 - the neuron either fires an action potential or it does not. Accordingly, neural spike trains could be seen as strings of digits. Alternatively, analog computing systems perform manipulations on non-discrete, irreducibly continuous variables, that is, entities that vary continuously as a function of time. These sorts of operations are characterized by systems of differential equations.<ref name=":0" />
شبکه‌های عصبی، که الهام گرفته از ساختار مغز انسان هستند، نقش بسیار مهمی در پیشرفت تکنولوژی یادگیری ماشین داشته‌اند.<sup>[3]</sup> این شبکه‌ها از واحدهای سلولی به نام نورون‌ها یا سلول‌های عصبی تشکیل شده‌اند<sup>3</sup>. هر نورون در این شبکه‌ها می‌تواند اطلاعات را از نورون‌های دیگر دریافت کند، آن‌ها را پردازش کند و سپس نتیجه را به نورون‌های دیگر ارسال کند<sup>3</sup>.
 
Neural computation can be studied for example by building [[models of neural computation]].
برنامه محاسبات و سیستم‌های عصبی (سی‌ان‌اس) در سال ۱۹۸۶ در موسسه فناوری کالیفرنیا تأسیس شد<sup>1</sup>. هدف از تأسیس این برنامه، آموزش دانشجویان دوره دکتری علاقه‌مند به بررسی رابطه بین ساختار مدارها/شبکه‌های شبیه نورون و محاسبات انجام شده در چنین سیستم‌هایی، خواه طبیعی یا مصنوعی، بود<sup>1</sup>.
 
There is a scientific journal dedicated to this subject, ''[[Neural Computation (journal)|Neural Computation]]''.
یکی از کاربردهای مهم محاسبات عصبی در حوزه یادگیری عمیق (Deep Learning) است<sup>2</sup>. در این حوزه، مدل‌های یادگیری عمیق از ساختاری با عنوان «شبکه عصبی» (Neural Network) تشکیل شده‌اند که با نام «شبکه عصبی مصنوعی» (Artificial Neural Network) نیز شناخته می‌شوند<sup>2</sup>. این شبکه‌ها قادر هستند بازنمایی‌های ضمنی داده‌های خام را در روال آموزش شبکه یاد بگیرند<sup>2</sup>.
 
[[Artificial neural network]]s (ANN) is a subfield of the research area [[machine learning]]. Work on ANNs has been somewhat inspired by knowledge of neural computation.<ref name=":0">{{Cite journal | doi=10.1111/cogs.12012| pmid=23126542|title = Neural Computation and the Computational Theory of Cognition| journal=Cognitive Science| volume=37| issue=3| pages=453–488|year = 2013|last1 = Piccinini|first1 = Gualtiero| last2=Bahar| first2=Sonya| doi-access=}}</ref>
به طور کلی، محاسبات عصبی یک حوزه مهم و پیچیده است که با استفاده از مدل‌های ریاضی و الگوریتم‌های کامپیوتری، سعی دارد تا عملکرد مغز را شبیه‌سازی کند و به درک بهتر فرایندهای موجود در مغز کمک کند<sup>2</sup>. این حوزه با استفاده از مدل‌های ریاضی و الگوریتم‌های کامپیوتری، سعی دارد تا عملکرد مغز را شبیه‌سازی کند<sup>3</sup>. این مدل‌ها می‌توانند به ما کمک کنند تا فرایندهای موجود در مغز موجودات زنده را بهتر درک کنیم<sup>2</sup>.
 
==References==
شبکه‌های عصبی الهام گرفته از مغز انسان، نقش بسیار زیادی در توسعه الگوریتم‌ها و پیشرفت تکنولوژی یادگیری ماشین داشته‌اند<sup>3</sup>. مغز انسان به عنوان پیچیده‌ترین عضو در بدن انسان شناخته می‌شود که نقش بسیار حیاتی در تفکر، درک محیط اطراف، و تصمیم‌گیری دارد<sup>3</sup>. راز قدرت این عضو در واحدهای سلولی به نام نورون‌ها یا سلول‌های عصبی نهفته است<sup>3</sup>.
{{Reflist}}
 
برنامه محاسبات و سیستم‌های عصبی (سی‌ان‌اس) در سال ۱۹۸۶ در موسسه فناوری کالیفرنیا تأسیس شد<sup>1</sup>. هدف از تأسیس این برنامه، آموزش دانشجویان دوره دکتری علاقه‌مند به بررسی رابطه بین ساختار مدارها/شبکه‌های شبیه نورون و محاسبات انجام شده در چنین سیستم‌هایی، خواه طبیعی یا مصنوعی، بود<sup>1</sup>.
 
یکی از کاربردهای مهم محاسبات عصبی در حوزه یادگیری عمیق (Deep Learning) است<sup>2</sup>. در این حوزه، مدل‌های یادگیری عمیق از ساختاری با عنوان «شبکه عصبی» (Neural Network) تشکیل شده‌اند که با نام «شبکه عصبی مصنوعی» (Artificial Neural Network) نیز شناخته می‌شوند<sup>2</sup>. این شبکه‌ها قادر هستند بازنمایی‌های ضمنی داده‌های خام را در روال آموزش شبکه یاد بگیرند<sup>2</sup>.
 
به طور کلی، محاسبات عصبی یک حوزه مهم و پیچیده است که با استفاده از مدل‌های ریاضی و الگوریتم‌های کامپیوتری، سعی دارد تا عملکرد مغز را شبیه‌سازی کند و به درک بهتر فرایندهای موجود در مغز کمک کند<sup>2</sup>. این حوزه با استفاده از مدل‌های ریاضی و الگوریتم‌های کامپیوتری، سعی دارد تا عملکرد مغز را شبیه‌سازی کند<sup>3</sup>. این مدل‌ها می‌توانند به ما کمک کنند تا فرایندهای موجود در مغز موجودات زنده را بهتر درک کنیم.
 
شبکه‌های عصبی الهام گرفته از مغز انسان، نقش بسیار زیادی در توسعه الگوریتم‌ها و پیشرفت تکنولوژی یادگیری ماشین داشته‌اند. مغز انسان به عنوان پیچیده‌ترین عضو در بدن انسان شناخته می‌شود که نقش بسیار حیاتی در تفکر، درک محیط اطراف، و تصمیم‌گیری دارد. راز قدرت این عضو در واحدهای سلولی به نام نورون‌ها یا سلول‌های عصبی نهفته است.
 
برنامه محاسبات و سیستم‌های عصبی (سی‌ان‌اس) در سال ۱۹۸۶ در موسسه فناوری کالیفرنیا تأسیس شد. هدف از تأسیس این برنامه، آموزش دانشجویان دوره دکتری علاقه‌مند به بررسی رابطه بین ساختار مدارها/شبکه‌های شبیه نورون و محاسبات انجام شده در چنین سیستم‌هایی، خواه طبیعی یا مصنوعی، بود.
 
یکی از کاربردهای مهم محاسبات عصبی در حوزه یادگیری عمیق (Deep Learning) است. در این حوزه، مدل‌های یادگیری عمیق از ساختاری با عنوان «شبکه عصبی» (Neural Network) تشکیل شده‌اند که با نام «شبکه عصبی مصنوعی» (Artificial Neural Network) نیز شناخته می‌شوند. این شبکه‌ها قادر هستند بازنمایی‌های ضمنی داده‌های خام را در روال آموزش شبکه یاد بگیرند.
 
به طور کلی، محاسبات عصبی یک حوزه مهم و پیچیده است که با استفاده از مدل‌های ریاضی و الگوریتم‌های کامپیوتری، سعی دارد تا عملکرد مغز را شبیه‌سازی کند و به درک بهتر فرایندهای موجود در مغز کمک کند. این حوزه با استفاده از مدل‌های ریاضی و الگوریتم‌های کامپیوتری، سعی دارد تا عملکرد مغز را شبیه‌سازی کند. این مدل‌ها می‌توانند به ما کمک کنند تا فرایندهای موجود در مغز موجودات زنده را بهتر درک کنیم.
 
شبکه‌های عصبی الهام گرفته از مغز انسان، نقش بسیار زیادی در توسعه الگوریتم‌ها و پیشرفت تکنولوژی یادگیری ماشین داشته‌اند. مغز انسان به عنوان پیچیده‌ترین عضو در بدن انسان شناخته می‌شود که نقش بسیار حیاتی در تفکر، درک محیط اطراف، و تصمیم‌گیری دارد. راز قدرت این عضو در واحدهای سلولی به نام نورون‌ها یا سلول‌های عصبی نهفته است.
 
برنامه محاسبات و سیستم‌های عصبی (سی‌ان‌اس) در سال ۱۹۸۶ در موسسه فناوری کالیفرنیا تأسیس شد. هدف از تأسیس این برنامه، آموزش دانشجویان دوره دکتری علاقه‌مند به بررسی رابطه بین ساختار مدارها/شبکه‌های شبیه نورون و محاسبات انجام شده در چنین سیستم‌هایی، خواه طبیعی یا مصنوعی، بود.
 
یکی از کاربردهای مهم محاسبات عصبی در حوزه یادگیری عمیق (Deep Learning) است. در این حوزه، مدل‌های یادگیری عمیق از ساختاری با عنوان «شبکه عصبی» (Neural Network) تشکیل شده‌اند که با نام «شبکه عصبی مصنوعی» (Artificial Neural Network) نیز شناخته می‌شوند. این شبکه‌ها قادر هستند بازنمایی‌های ضمنی داده‌های خام را در روال آموزش شبکه یاد بگیرند.
 
به طور کلی، محاسبات عصبی یک حوزه مهم و پیچیده است که با استفاده از مدل‌های ریاضی و الگوریتم‌های کامپیوتری، سعی دارد تا عملکرد مغز را شبیه‌سازی کند و به درک بهتر فرایندهای موجود در مغز کمک کند. این حوزه با استفاده از مدل‌های ریاضی و الگوریتم‌های کامپیوتری، سعی دارد تا عملکرد مغز را شبیه‌سازی کند. این مدل‌ها می‌توانند به ما کمک کنند تا فرایندهای موجود در مغز موجودات زنده را بهتر درک کنیم.
 
==References==
[[Category:Neurons]]
[[Category:Cognitive science]]