ادگیری از شرایط گذشته عنصر مهم رفتار هوشمند است و برای انسان که دراثر سعی و خطا مطالب را فرا میگیرد یک ویژگی طبیعی است اما یادگیری برای سیستم های کامپیوتری یک امر طبیعی نیست و باید در سیستم برنامه ریزی شود.
تاریخ انتشار: ۲۰:۲۱ - ۱۲ آذر ۱۳۹۵ - 2016 December 02
تاریخچه شکل گیری سیستم های خبره:
1-سال شکل گیری:فکر چنین سیستمی از دهه 70 با تحقیق در رابطه با هوش مصنوعی آغاز شد و سیستم های خبره در اواخر دهه  90 شکل گرفتند.
2-هدف از شکل گیری:نرم افزار های هوشمند از طریق شبیه سازی، جایگزین ویژگی های انسان خبره شوند.
بصورتیکه با طرح مسئله از سوی انسان، سیستم آن را تحلیل و با کمک دانش پایه خود در شرایط متغیر، بهترین تصمیم را اتخاذ نماید.
انسان خبره کیست:
کسی است که دارای 3 ویژگی شناخت،طراحی و انتخاب باشد.
هوش مصنوعی
هوش مصنوعی یکی از زمینه های علم رایانه است که با دو ایده اصلی مطرح میگردد:
1-مطالعه فرآیند تفکر انسان ها
2-ارائه فرآیند های تفکر از طریق ماشین
  به عبارت دیگر هوش مصنوعی مطالعه ی نحوه جمع آوری،پردازش،نگهداری و کاربرد اطلاعات در موجودات هوشمند و ماشین ها است.
شاخه های هوش مصنوعی:
1-رباتیک-که الگوی آن حرکت انسان و علم حرکت می باشد.
2-الگوی تلکم انسان
3-ماشین های هوشمند
4-سیستم های هوشمند
ویژگی های رفتار های هوشمند عبارتند از:
1-یادگیری و یا شناخت از طریق تجربه و به کارگیری دانش حاصل از تجربه
2-اداره شرایط پیچیده
3-حل مسائل در صورت از بین رفتن اطلاعات مهم
4-تعیین اولویت ها
5-تغییر سریع وضعیت،اصلاح و واکنش
6-تشخیص تصاویر
7-پردازش علائم و الگوها
8-خلاقیت و قدرت تصور ذهنی
9-استفاده از قدرت شهود
-1یادگیری و یا شناخت از طریق تجربه و به کارگیری دانش:
یادگیری از شرایط گذشته عنصر مهم رفتار هوشمند است و برای انسان که دراثر سعی و خطا مطالب را فرا میگیرد یک ویژگی طبیعی است اما یادگیری برای سیستم های کامپیوتری یک امر طبیعی نیست و باید در سیستم برنامه ریزی شود.
همچنین انسان علاوه بر یادگیری از طریق تجربه می تواند آنچه را که فرا گرفته در شرایط دیگر نیز بکار گیرد اما این ویژگی در سیستم های رایانه ای به صورت    خودکار انجام نمی شود لذا تهیه برنامه هایی که رایانه ها بتوانند با کمک آن از یادگیری استفاده نمایند،مشکل میباشد.
2-اداره شرایط پیچیده:
در یک سازمان اقتصادی نیز مدیران ارشد و مدیران اجرایی با پیچیدگی بازار،چالش رقبا،مقررات دولتی و تقاضای نیروی کار روبه رو هستند.
حتی آدم های متخصص در برخورد با این شرایط، دچار اشتباه می شوند.
لذا تهیه سیستم های رایانه ای که بتوانند در شرایط پیچیده کار کنند،نیاز به طراحی دقیق دارد.
3-حل مسائل در صورت از بین رفتن اطلاعات مهم:
 در بسیاری از موارد،تصمیماتی باید اتخاذ شوند که یا دسترسی به اطلاعات به دلیل هزینه زیاد تهیه و یا عدم امکان تهیه،دشوار است یا اطلاعات نامناسب، می باشد.البته امروزه سیستم های هوشمند می توانند محاسبات مهمی انجام دهند،مقایسه کنند و تصمیم بگیرند.
4-تعیین اولویت ها:
تعیین اینکه چه مواردی مهم است می تواند تفاوت بین تصمیمات خوب و تصمیماتی را که نهایتاً منجر به شکست می شوند،تعیین نماید.تهیه برنامه هایی که سیستم های رایانه ای بتوانند اطلاعات مهم را تشخیص دهند کار ساده ای نیست.
5-تغییر سریع وضعیت،اصلاح و واکنش:
یک کودک می تواند نرده کنار پلکان را تشخیص داده و خیلی به آن نزدیک نشود.حال اگر این کودک در شرایط جدید قرار گیرد، به سرعت عکس العمل نشان می دهد و رفتار خود را اصلاح میکند.در حالی که رایانه بدون داشتن یک برنامه پیچیده این قابلیت را ندارد.
6-تشخیص تصاویر:
تفسیر و تعبیر تصاویر مختلف حتی برای رایانه های پیچیده کار مشکلی است و نیاز به سیستم ادراکی دارد در صورتی که آدم ها و حیوانات می توانند با دیدن اشیاء محیط خود و تشخیص دقیق آنچه اتفاق می افتد،از خود عکس العمل نشان دهد.
7-پردازش علائم و الگوها:
کارکنان سازمان هر روز علائم و الگو ها را میبینند،آنها را تغییر داده و پردازش میکنند.اما رایانه با وجود برتری از نظر انجام محاسبات عددی،در مورد کار با علائم و سمبل ها و اشیاء 3بعدی اینگونه نیستند البته با پیشرفت هایی که صورت گرفته رایانه ها می توانند تا حدودی کار پردازش روی علائم را نیز انجام دهند.
8-خلاقیت و قدرت تصور ذهنی:
در تمام طول تاریخ برخی انسان ها با خلاقیت و قدرت تصور ذهنی خویش توانسته اند،شرایط سخت را به مزیت و فرصت تبدیل کنند.تولید و ارائه محصولات و خدمات جدید یکی از ویژگی های انسان است.اما کمتر رایانه ای وجود دارد که بتواند اینگونه مولد بوده و قدرت و تصور ذهنی داشته باشد.
9-استفاده از قدرت شهود:
در برخی از تصمیمات،انسان از قدرت شهود(تجربه به علاوه فرض و تخمین)و حتی از حدس و گمان استفاده می کند.به عبارت دیگر تمام شرایط و احتمالات را بررسی نمیکنیم و از محاسبه سرانگشتی و یا فرض و گمان استفاده میکنیم.امروزه برخی رایانه ها این قابلیت را پیدا کرده اند یعنی راه حل هایی را ارائه میدهند که با استفاده از تخمین بدست آمده و نه بررسی همه شرایط و انتخاب بهترین راه حل.
سیستم های هوشمند:
سیستم های هوشمند تشکیل شده است از افراد،دستورالعمل،سخت افزار، نرم افزار،داده ها و دانش استفاده از سیستم های رایانه ای وماشین هایی که ویژگی های هوشمند بودن را دارا می باشند.
هدف از طراحی سیستم های هوش مصنوعی این نیست که در تصمیم گیری کاملاً جانشین انسان شود بلکه هدف،اجرای یکسری وظایف تکراری است که دقیقاً مشخص شده اند.در واقع هدف کمک در جهت رسیدن به اهداف می باشد.
به عبارتی دیگر سیستم های خبره:
 نرم افزار تصمیم گیرنده ای است که می تواند در برخی از زمینه های تخصصی و مشکلات خاص،راه حل سریعتری در مقایسه ی با خبرگان ارائه دهندبه این صورت که تخصص(دانش) و تجربه از متخصصین دریافت و با ساختار خاص به رایانه منتقل می شود و درآن ذخیره می گردد که اصطلاحاً به آن پایگاه دانش می گویند.
در نتیجه سیستم می تواند مانند انسان به کمک آن ها نتیجه گیری و استنباط کند و کاربران نیز می تواند برای کسب مشاوره از کامپیوتر کمک بگیرند.
گروهبندی های سیستم های هوشمند بر اساس کاربرد:
1-سیستم های خبره
2-سیستم های پردازش زبان طبیعی
3-سیستم های درک زبان طبیعی(گفتار)
4-سیستم های رباتیک
5-سیستم های ادراکی
6-منطق فازی
7-محاسبات عصبی
8-دید رایانه ای و تشخیص
9-آموزش به کمک کامپیوتر
موارد استفاده سیستم های خبره در زمینه های مختلف در سیستم های پیچیده فنی مانند:
1-راکتورهای اتمی
2-نیروگاه ها
3-مراکز توزیع نیرو
4- و صنایع پتروشیمی به کار گرفته می شوند.
همچنین از سیستم های خبره در
1-سازمان های تجاری
2-بانک ها
3-شرکتهای سرمایه گذاری و اعتباری  به جهت تصمیم گیری استفاده میشود.
اجزای سیستم خبره:
1-پایگاه دانش(knowledge base)
2-ابزار استنتاج(interface engine)
3-ابزار تشریح و تفسیر
(explanation facility)
4-ابزار استفاده از پایگاه دانش
(knowledge base-acquisition facility)
5-وسیله ارتباطی کاربر(user interface)
1-پایگاه دانش:
منظور از پایگاه دانش:
دانش مورد نیاز جهت شناخت مسئله،فرموله کردن و حل آن است.
هدف از ساختن پایگاه دانش:
هماهنگ نمودن دانش افراد در تخصص های مشابه است(مانند تشخیص پزشکی، که تجربه و دانش پزشکان مختلف در یک پایگاه نگهداری می شود.)هرچه اطلاعات متخصصین مختلف در پایگاه دانش بیشتر باشد،قدرت و صحت آن در تشخیص و ارائه پیشنهادات
بیشتر خواهد بود.
پایگاه دانش شامل دو عنصر است:
الف-حقایق(rules)
ب-قوانین(facts)
الف-حقایق:
منظور از حقایق شرایط مشکل و محدوده مشکل است.
تجربیات و اطلاعات، میبایستی از متخصص به کامپیوتر و بعد از آن به کاربر به شکل زیر منتقل شود:
1-کسب دانش،دانش از طریق منابع اسنادی و یا متخصص کسب میشود.
2-ارائه دانش،کسب دانش ساماندهی می شود و به عنوان قوانین در پایگاه دانش بصورت الکترونیکی ذخیره می شود
3-استنباط دانش،اگر تجربیات به اندازه کافی در دانش ذخیره شده باشد،رایانه بصورتی برنامه ریزی میشود که بتواند روابطی را شکل دهد.وظیفه استنباط مختص سیستم خبره است.
4-انتقال دانش،نتایج حاصل از استنباط به شکل  پیشنهاد ارائه میشود. 
در پایگاه دانش انواع داده ها،اطلاعات،قواعد،حالت های مختلف و روابط نگهداری می شودبدیهی است برای هر کاربرد خاص باید پایگاه دانش مخصوص آن تهیه شود.مثلاً یک سیستم خبره مخصوص پزشکی دارای حقایقی درباره بیماری ها و علائم آنها می باشد
اما این دانش ها و روابط همیشه خیلی دقیق نیستند.رایانه ها با اعداد دقیق کار میکنند به این صورت که مقادیر ورودی کاملاً مشخص است و خروجی ها هم به تبع آن به این ترتیب میباشند اما در دنیای واقعی همیشه این وضعیت وجود ندارد.لذا برای حل این مشکل منطق فازی ایجاد شده است.
منطق فازی:
بجای شرایط معمولی سفید یا سیاه، بله یا خیر، درست یا غلط که در تصمیمات رایانه ای از آن استفاده می شود، با کمک منطق فازی می توان از دامنه ای از  رنگ خاکستری استفاده کردمعیار اینکه آیا یک نمونه در یک مجموعه میگنجد یا خیر بر حسب درصد یا احتمال ارائه می شود
به عبارت دیگر رایانه، به کمک قواعد منطق فازی میتواند شرایط غیر دقیق و غیر کاملی که با آن روبهرو شده را ارزیابی کرده و براساس احتمال با تقریبی بودن صحت تصمیمات،تصمیماتی اتخاذ نماید.
موارد مورد استفاده از منطق فازی:
1-دوربین هایی که به طور خودکار تنظیم می شوند.
2-تجهیزات پزشکی که علائم بیماری را مورد بررسی قرار داده و به طور خودکار اصلاحاتی انجام می دهند.
3-گیرنده های مربوط به حرارت که به کنترل
 دستگاه کوره متصل می باشند.
ب-قوانین:
منظور از قاعده یک جمله شرطی است که شرایط معینی را به اقدامات یا نتایج مشخص مرتبط میکند.
قاعده از جملاتی با ساختار اگر-آنگاه(if-then) استفاده میکند.به این صورت که اگر شرایط معینی وجود داشته باشند،اقدامات مشخصی انجام میشود یا نتایج خاصی حاصل می شود.
استفاده از حالت های مختلف:
در سیستم خبره از حالت های مختلف برای ارائه راه حل در یک شرایط خاص استفاده میشود.این فرآیند دو مرحله دارد:
1-حالتهای مختلفی که در پایگاه دانش نگهداری میشود و شبیه حالتی است که وجود دارد.
2-تطبیق راه حل ها با حالتی که پیش آمده تا بهترین حالت بدست آید.
2-موتور استنباط:
هدف کلی سیستم یا ابزار استنتاج، بررسی اطلاعات قواعد و روابط موجود در پایگاه دانش و سپس ارائه پاسخ یا پیش بینی و ارائه پیشنهادات است.
یعنی همان کاری که یک نفر کارشناس انجام می دهد
3-ابزار تشریح:
یکی از بخش های سیستم خبره ابزار تشریح است.کاربر به کمک آن در می یابد که سیستم چگونه به نتایج خاصی رسیده است
به عنوان مثال:
ممکن است یک سیستم پزشکی بر اساس آزمایشات و علائم، به این نتیجه برسد که قلب بیمار نارسایی دارد.این ابزار به پزشک کمک میکند که منطق تشخیص ارائه شده توسط سیستم خبره را بفهمد و درستی پردازش داده ها و اطلاعات را تعیین کند.
سیستم فرعی تشریح:
سیستم فرعی تشریح،مسئولیت رسیدن به نتیجه یا تشریح رفتار سیستم خبره را بعهده دارد.این سیستم فرعی به طور تعاملی سوالاتی را مانند سوالات زیر پاسخ می دهد
مطرح شد؟ چرا سوالی خاص از سوی سیستم خبره
یا چگونه به نتیجه ای خاص رسیدیم
یا از چه طرحی می توان برای رسیدن
به راه حل استفاده کرد
4-ابزار استفاده از پایگاه دانش(پوسته یا shell):
این ابزار محیط برنامه ریزی سیستم های خبره می باشد کاربران و متخصصین از طریق shellبا پایگاه دانش ارتباط برقرار می کنند.محیطی است که درآن knowledge baseوجود دارد مانند مروارید که در صدف است.
یکی از کارهای دشوار در تهیه سیستم خبره، فرآیند ایجاد پایگاه دانش و نیز به روز نمودن آن است.
امروزه نرم افزارهای تخصصی وجود دارند که کاربران می توانند با کمک آنها پایگاه دانش خود را ایجاد نموده و یا درصورت لزوم آن را تغییر دهند.
به عبارت دیگر هدف نهایی این ابزار،ارائه امکانات کارآمد و آسان برای تهیه و نگهداری تمام اجزاء پایگاه دانش می باشد.
5-وسیله ارتباطی کاربر:
برای طراحی،اجرا و انجام تغییرات و استفاده از سیستم های خبره از نرم افزار تخصصی رابط برای کاربر استفاده می شود.هدف کلی این رابط تسهیل تهیه و استفاده از سیستم خبره برای کاربر می باشد.
زمانی، برای ایجاد و اجرای غالب سیستم های خبره از یک کارشناس ورزیده کامپیوتری استفاده می شد،اما امروزه تصمیم گیرندگان با کمک این رابط میتوانند به تهیه و استفاده از سیستم های خبره خاص خود بپردازند.
رابط کاربر امکان محاوره را فراهم می نماید.این محاوره غالباً به زبان طبیعی و بصورت پرسش و پاسخ می باشددر محاوره رابط کاربر فعال می شود و علائم مشکل را با دانش موجود در پایگاه دانش مرتبط ساخته و سپس نتیجه را تولید می نماید.
نقاط قوت سیستم های خبره:
1-سیستم خبره می تواند استدلال تصمیمات پیشنهادی خود را تشریح نماید:
به عبارت دیگر علت دستیابی به یک تصمیم را تشریح نماید.
2-سیستم خبره می تواند رفتار هوشمند خود را نمایش دهد:
به معنی که با جمع آوری یک سری داده می تواند ایده ها یا شیوه های جدیدی را برای حل مسائل ارائه نماید.
مثلاً:در زمینه اکتشاف گاز طبیعی در یک منطقه خاص می تواند توصیه ارائه نماید.
3-استنتاج از روابط پیچیده:
سیستم های خبره می توانند داده های مربوط به شرایط فوق العاده پیچیده را ارزیابی نموده، نتیجه گیری کرده و راه حل مسائل را پیدا کنند.
مثلاً:یک سیستم خبره می تواند با یک سیستم تولیدی که قابلیت انعطاف نیز دارد کار کرده و شیوه های کنترل کیفیت را بهبود بخشد.
4-سیستم خبره می تواند دانش کارشناسان را نگهداری کند:
به این معنی که می تواند از تجربه ی انسان که ممکن است گاهی فراموش شود استفاده نماید.
5-کار در شرایط عدم اطمینان:
سیستم خبره می تواند به کمک احتمالات با معلوماتی که کامل و دقیق نیست کار کند.
نقاط ضعف سیستم های خبره:
1-عدم آزمایش کاربرد وسیع:
اگرچه امروزه موفقیت هایی در رابطه با کاربرد سیستم های خبره حاصل شده است اما هنوز این سیستم ها به حد کافی آزمایش خود را پس نداده اند و تاکنون در بسیاری از سازمان ها مورد استفاده قرار نگرفته اند.
2-سیستم های خبره محدود به مسائل خاصی هستند:با وجود اینکه بعضی از سیستم های خبره می توانند تجزیه تحلیل های پیچیده ای روی داده ها انجام دهند اما اکثر آن ها محدود به مسائل ساده اند به طور کلی هرچه محدوده مسائل کوچکتر باشد استفاده از سیستم خبره برای حل آن نیز آسانتر است.
3-عدم آمادگی برای کار با اطلاعات پیچیده:
سیستم های خبره نمیتوانند با یک پایگاه دانش که ساختار پیچیده ای دارد کار کند.دانش را میتوان با تعریف قواعد،مقایسه موارد مشابه و دستور های دیگر ارائه نمود.سیستم خبره ای که یک کاربرد خاص دارد ممکن است نتواند با دانش ناشی از ترکیب قواعد و حالت های مختلف کار کند.
4-سیستم خبره نمی تواند پایگاه دانش خود را اصلاح نماید:
سیستم های خبره نمی توانند دانش را خود جمع آوری نمایند و یک برنامه نویس می بایستی دستور العمل های لازم را به سیستم ارائه نماید.همچنین بعضی از سیستم ها نیز نمیتوانند پایگاه دانش خود را اصلاح کنند.مثلاً:قواعد منسوخ را حذف نمایند.
5-نگهداری سیستم های خبره مشکل است:
با توجه به اینکه سیستم خبره نمی تواند پایگاه دانش خود را اصلاح نماید در نتیجه تغییر و افزودن  دانش جدید به سیستم های خبره مشکل است و نیاز به مهارت های دقیق برنامه نویسی دارد.
دیگر سیستم های هوشمند:
1-سیستم های تصویری:
سیستم های تصویری از نرم افزار ها و سخت افزار هایی تشکیل شده است که کامپیوتر با کمک آن ها به جمع آوری،نگهداری و مدیریت عکس ها و تصاویر دیداری می پردازد.
از سیستم های تصویری می توان در انواع ربات استفاده نمود به طوری که این ماشین ها قدرت  بینایی پیدا کنند.
2-پردازش زبان طبیعی:
به کمک این پردازش، رایانه می تواند دستوراتی راکه به زبان طبیعی ارائه میشود(مثلاً:زبان انگلیسی)درک نماید به این شکل که از طریق میکروفونی که به رایانه متصل می شود میتوان با آن صحبت نمود تا سیستم علائم صوتی را به فایل متن تبدیل نماید. و نسبت به آنها عکس العمل نشان دهد.
هم چنین میتوان با کمک این سیستم در بازیابی اطلاعات مهم بجای نوشتن دستورات استفاده کرد.
البته در این سیستم کار با کلماتی که تلفظ یکسان اما دیکته و معنای متفاوتی دارند مشکلاتی پیش خواهد آمد.
3-سیستم های یادگیرنده:
سیستم های یادگیرنده می توانند براساس بازخوری که از محیط دریافت میکنندبه شرایط مختلف عکس العمل نشان دهند و وظایف خود را تغییر دهند.
مثلاً:اگر رایانه در یک بازی برنده نشود به خاطر می آورد که در یک شرایط خاصی نباید آن حرکت مشخص را انجام دهد.
 
4-شبکه های عصبی:
سیستمی رایانه ای است که می تواند مانند مغز انسان عمل کند یا وظایف آن را شبیه سازی نماید.در این سیستم ها از انبوه پردازش های موازی استفاده می شود.این شبکه ها میتوانند انبوه داده ها را یکجا پردازش نموده و یاد بگیرند که نمونه ها را تشخیص دهند،سپس خود را به گونه ای برنامه ریزی و تنظیم کنند که مسائل مربوط به خودشان را حل نمایند.
ویژگی های شبکه های عصبی:
1-قابلیت بازیابی اطلاعات حتی اگر برخی از نود های عصبی از کار بیافتد.
2-اصلاح سریع داده های ذخیره شده با توجه به اطلاعات جدید.
3-قابلیت کشف روابط و روند ها در پایگاه های بزرگ داده ای.
4-قابلیت حل مسائل پیچیده ای که برای حل آنها  اطلاعات کافی وجود ندارد.
کاربرد های شبکه عصبی:
1-اگر موجودی مثلاً یک سگ از نژاد خاصی را برای اولین بار مشاهده کنید و بتوانید حدس بزنید که آن موجود سگ است شما توانسته اید از طریق مشاهده خود موجودات را طبقه بندی نموده و می توانید سگ را در مشاهده خود تشخیص دهید.
2-شبکه عصبی به شبیه سازی این توانایی انسان در طبقه بندی موجودات می پردازد.
همچنین در سیستم های تشخیص(بمب،مواد مخدر)،اعتیاد افراد به مواد مخدر،بررسی بافت ها برای تشخیص سرطان و دیگر بیماری ها و یا تشخیص حمله قلبی(سکته) استفاده می شود.
3-محیط های کسب و کار از آن برای تعیین میزان اعتبار و یا نرخ بهره در وام ها و یا آمیخته های بازاریابی استفاده می شود.
4-شبکه عصبی هوشمند در سیستم های کنترلی و عیب یابی نیز کاربرد دارد.
5-از شبکه عصبی برای تشخیص و طبقه بندی و پیش بینی در مواردی که مقدار زیادی اطلاعات وجو دارد استفاده می شود.با تحلیل رخدادها، شبکه عصبی می تواند روابط مهم میان آن ها را تحلیل و به الگو تبدیل نماید.
انواع شبکه های عصبی:
دو نوع شبکه عصبی وجود دارد:
1-شبکه عصبی خود-ساماندهی
2-شبکه عصبی پس ترویجی(توسعه ای)
کاربرد آن ها بستگی به نوع مشکل دارد و تفاوت میان آن دو در نحوه یادگیری است.
شبکه عصبی خود-ساماندهی:
الگو ها و روابط را در میان داده های بسیار تشخیص می دهد.اگر میزان متنابهی داده های آزمایشی داشته باشید و به دنبال عمومیت در میان آنها باشید از این شبکه می توان استفاده کرد.
این شبکه غالباً بخشی از ابزارهای داده کاوی برای انبار های داده را تشکیل می دهد.
شبکه عصبی پس ترویجی:
شبکه ای است که از سوی فردی آموزش داده شده است.این شبکه به مانند کودک به یادگیری می پردازدبه این صورت که فرد مثال های زیادی را به شبکه نشان می دهد و شبکه با تکمیل مثالها می تواند آن پدیده ها را طبقه بندی نماید.
مثلاً: مثال های مختلفی از حیوان را به شبکه معرفی میکنیم تا اینکه شبکه بتواند یک حیوان را تشخیص دهد.
درون یک شبکه عصبی: شبکه عصبی از سه لایه سلول های عصبی و نرون های مصنوعی تشکیل می شود.
یک لایه ورودی،یک لایه خروجی و بین آن ها یک لایه مخفی وجود داردالبته در مواردی می تواند بیش از یک لایه مخفی وجود داشته باشد.اگر هدف شبکه تشخیص گزینه های سرمایه گذاری مناسب از نامناسب باشد بایستی به تعداد کافی گزینه های سرمایه گذاری به سیستم وارد تا مطمئن شویم الگو های مناسب برای سیستم قابل تشخیص می باشند.
مزایای شبکه های عصبی:
1-شرایط جدید را خودشان یاد گرفته و با آن سازگار می شوند.
2-خودشان را با پردازش های موازی حجیم منطبق نمایند.
3-با اطلاعات ناقص و یا ساخت یافته،کامل عمل نماید.
4-با حجم عظیمی از اطلاعات با متغیر های وابسته بسیار خود را هماهنگ نماید.
5-تحلیل روابط غیر خطی اطلاعات را انجام دهند.
معایب شبکه های عصبی:
بیشترین مشکل شبکه های عصبی لایه های مخفی آن است.بدین معنی که نمی توان نحوه یادگیری و تماس سلول های عصبی را مشاهده کرد.

نظر شما
نام:
ایمیل:
* نظر: