تعریف کلی شبکه عصبی :

واحد تشکیل دهنده سیستم عصبی نورون است

هر نورون (یا بعبارتی سلول عصبی) یک جسم سلولی دارد که از آن شاخه هایی بیرون می آید. به بلند ترین شاخه ی خروجی آکسون می گویند. آسکون ها با کنار هم قرار گرفتنشان باعث تشکیل رشته ی عصبی می شوند. به طور کلی شاخه ها و رشته هایی که از نورون بیرون آمده اند دو نوع هستند : دندریت و آکسون ها. دندریت پیام ها را میگیرد و به جسم سلولی می برد. آکسون هم پیام عصبی را از جسم سلولی تا پایانه های آکسون هدایت می کند.  دستگاه عصبی با ارتباط بین میلیون ها نورون کار ها و وظایف خود را پیش می برد. در مغز ما حدود  نورون وجود دارد که هر کدام از آن ها با   نورون دیگر در ارتباط است. سرعت سویچ کردن بین نورون ها حدود  ثانیه است که در مقایسه با کامپیوتر ها  ( ) خیلی کم است.

در جانور های پرسلولی برای هماهنگی بین سلول ها و انئپدام های بدن ، سیستم عصبی (Nervousn Sustem) با ساختاری که دارد ایجاد شده است.

تعریف شبکه عصبی مصنوعی :

سیستمی است که با الهام گرفتن از عملکرد مغز سعی دارد عملکردی شبیه آن را اجرا نماید. این سیستم داده ها با استفاده از پردازنده های بسیار کوچک و زیادی که در آن به صورت شبکه ای موازی و به هم پیوسته است پردازش می کند تا جواب مساله بدست بیاید. در این جا شبکه عصبی را شبیه سازی می کنیم. نورون را مانند ساختمان داده ای در نظر میگیریم و با ایجاد لیست های پیوندی بین نورون ها الگوریتم آموزش درست می شود. حال این الگوریتم را تعریف می کنیم. الگوریتم آموزش از سیستم عصبی انسان ایده گرفته است که مثلا وقتی سلول لامسه می سوزند از آن به بعد می فهمد که سمت اجسام داغ نباید برود.

در شبکه عصبی نورون ها در دو حال هستند . فعال (۱) یا غیر فعال (۲) و به هر یال (سیناپس) یک وزن اختصاص می دهیم. اگر وزن مثبت باشد گره بعدی اگر غیر فعال باشد فعال می شود. و اگر منفی باشد یال فعال بعدی را غیر فعال می کند. برای یادگیری ، سیستم شبکه عصبی وزن سیناپس ها را تغییر می دهد که بتواند با تحریک های ورودی (داده های مساله) جریان خروجی مناسب تولید کند. در این حالت شبکه عصبی برنامه ریزی نشده است بلکه با تنطیم وزن های ورودی هر نورون عصبی یاد میگیرد مساله را حل نماید.

شبکه ی عصبی به این صورت کار می کند که ابتدا یک گره را به طور تصادفی انتخاب میکنیم. اگر حد اقل یکی از گره های همسایه ی آن فعال باشد آنگاه جمع وزن یال های منتهی به آن گره ها را محاسبه می کنیم. اگر جمع این وزن ها مثبت باشد گره فعال می شود در غیر این صورت غیر فعال باقی می ماند. حال یک گره دیگر را به تصادف انتخاب می کنیم و این روند را ادامه می دهیم تا شبکه پایدار شود.

• تز اصلی هاپفيلد : از هر حالت شروع و با هر وزنی از يال‌ها كه آغاز كنيم، شبكه در آخر به حالت پايدار می رسد.

مزیت شبکه عصبی بر کامپیوتر های معمولی

این دو یعنی شبکه عصبی نسبت به کامپیوتر های معمولی یک فرق بسیار عمده دارد که باعث مزیت داشتن شبکه عصبی می شود. در کامپیوتر از یک مسیر الگوریتمی و با استفاده از دستور العمل های داده شده می خواهیم مساله ای را حل کنیم و اگر مراحل کار از قبل برای ما مشخص نباشد قادر به حل مساله نیستیم. در کامپیوتر ما صرفا قادر به حل مسائلی هستیم که آن ها را درک میکنیم و می دانیم که چگونه حل می شود. ولی حالت ایده آل این است که سیستمی داشته باشیم که حتی مسائلی که ما دقیقا نمیدانیم چگونه حل می شود را هم حل کند .

شبکه عصبی مصنوعی مشابه کاری که در مغز صورت می پذیرد را انجام می دهد و پردازش می کند. آن ها از تعداد بسیار زیادی سلول عصبی که بهم پیوسته هستند و به صورت موازی با هم کار می کنند برای حل یک مساله مشخص استفاده می شود. شبکه عصبی را مانند کامپیوتر نمی توان برای یک وظیفه خاص برنامه ریزی کرد بلکه با توجه به مثال هایی که به آن دادیم کار می کند. ولی باید مثال های مناسبی در اختیار آن قرار دهیم و گر نه این شبکه ممکن است اشتباه کار کند. امتیاز اصلی شبکه عصبی این است که خودش می فهمد که یک مساله را چگونه باید حل کند. بر خلاف کلامپیوتر که عملکرد آن قابل پیش گویی است و اگر اشتباهی از آن سر بزند یا مربوط به اشتباهات نرم فزاری است یا سخت افزاری ، در شبکه عصبی عملکرد غیر قابل پیش بینی است.

 فرایندی برای تبدیل input ها به output  ها :

در شبکه عصبی یک یا چند ورودی و به همچنین تعدادی خروجی خواهیم داشت. مساله اصلی پاسخ به این سوال است که طی چه فرایندی میتوانیم از input ها به output ها برسیم.

مثلا در بازار سهام ما ورودی هایی مثل نقدینگی شرکت ، تعداد پرسنل ، تورم سالیانه و سیاست های دولت وجود داشته و در نهایت سوددهی شرکت را بعنوان خروجی در نظر میگیریم. همان طور که مشخص است با فرمولی ریاضی مانند    نمی توانیم از ورودی ها به خروجی برسیم.  برای این مدل های مفهومی – علمی از شبکه های عصبی کمک می گیریم.

در شبکه ی عصبی اگر بتوانیم به طور مثال ۵ سال اخیر بازار بورس را بررسی کنیم و فرآیند تبدیل شاخص های ورودی به خروجی آموزش ببینند آنگاه می توانیم سال بعد آن را پیش بینی کنیم.

کاربرد های شبکه عصبی :

از کاربرد های شبکه عصبی میتوان به موارد زیر اشاره کرد :

• کاربرد در زمان بندی معاملات سهام
• کاربرد شبکه عصبی مصنوعی در حسابرسی
• کاربرد در آنالیز کیفیت کامپیوتر
• کابرد در تخمین ریسک وام
• کاربرد در تشخیص دست نوشته‌ها
• . . .
• کاربرد در حسابرسی :

فرآیند های حسابداری همواره در حال تغییرند و برای ما همیشه این سوال مطرح می شود که فناوری اطلاعات چطور بر حسابرسی و مهارت های آن تاثیر می گذارد. حسابرس ها با کمک فناوری اطلاعات و یافته های جدید آن در حیطه هایی مثل نظارت و کنترل عملیات شرکت صاحب کار می توانند موفقیت بیشتری کسب کنند. شبکه ی عصبی یکی از امکانات جدیدی است که در این حوزه جدید مطرح می شود. برای ارزیابی ریسک ، کشف اشتباعات با اهمیت و تداوم فعالیت از شبکه های عصبی مصنوعی استفاده می شود.