مثال ها برای مفاهیم فصل ۹

برمودز

مثال‌های شبکه‌های عصبی

🧠 مثال‌های عملی شبکه‌های عصبی

1نورون مصنوعی

💡 تصمیم گیری برای بیرون رفتن از خانه

ورودی‌ها:
• آیا باران می‌بارد؟ (بله=1, خیر=0)
• آیا دوست همراه دارد؟ (بله=1, خیر=0)
• آیا کار مهمی دارم؟ (بله=0, خیر=1)

وزن‌ها:
• وزن_باران = -2 (بسیار منفی)
• وزن_دوست = +3 (بسیار مثبت)
• وزن_کار_مهم = -1 (کمی منفی)

محاسبه:
اگر (باران×(-2) + دوست×(3) + کار_مهم×(-1)) > 1:
  بیرون برو
                

✅ نتیجه: حتی اگر باران ببارد، اما دوست همراه باشد → باز هم بیرون می‌روید!

2تابع فعالیت

💡 ترموستات آب گرمکن

تابع خطی: هر چه بیشتر گاز بدهی، آب گرم‌تر می‌شود

دما = گاز × 0.5

تابع آستانه: آب یا سرد است (0) یا گرم است (1)

اگر دما > 50:
  حالت = 1 (گرم)
else:
  حالت = 0 (سرد)

تابع سیگموید: ابتدا کند، سپس سریع، انتها کند

دما = 1 / (1 + e^(-زمان))

3توابع بولی

💡 شرایط روشن کردن ماشین

AND: کلید_در_ماشین AND بنزین_کافی
OR: باتری_شارژ OR باطری_اکسترنال
NOT: NOT (تیک_تاک_ماشین_باز)
XOR: دستگاه_کارتخوان XOR پول_نقد
                

                    🔑 نکته: ترکیب این توابع می‌تواند تصمیمات پیچیده‌تری بگیرد
                

4یادگیری هبی

💡 شرطی شدن سگ پاولف

قبل از یادگیری:
زنگ_وله → هیچ_پاسخی
غذا → بزاق_دهان

بعد از یادگیری (10 بار تکرار):
زنگ_وله + غذا → بزاق_دهان

نتیجه نهایی:
زنگ_وله → بزاق_دهان (حتی بدون غذا!)
                

📌 شعار هبی: “نورون‌هایی که با هم شلیک می‌کنند، با هم سیم‌کشی می‌شوند”

5پرسپترون

💡 تشخیص میوه رسیده

ویژگی‌ها = [رنگ, سفتی, بوی_خوش]
وزن‌ها = [0.7, 0.3, 0.5]

امتیاز = رنگ×0.7 + سفتی×0.3 + بوی_خوش×0.5

اگر امتیاز > 0.6:
  نتیجه = “رسیده”
else:
  نتیجه = “نارس”
                

6تفکیک پذیری خطی

💡 جداسازی میوه در سبد

✅ قابل تفکیک

سیب‌های قرمز vs پرتقال‌های نارنجی

با یک خط می‌توان جدا کرد

❌ غیر قابل تفکیک

سیب‌های قرمز vs سیب‌های سبز

نیاز به منحنی دارد

7شبکه چندلایه

💡 خط تولید کارخانه

ورودی

پلاستیک

فلز

مدار

→

لایه پنهان

مونتاژ

نصب

تست

→

خروجی

محصول

8پس‌انتشار

💡 آموزش آشپزی با چشیدن غذا

1. حرکت به جلو: غذا را بپز
2. محاسبه خطا: طعم را بچش
3. پس‌انتشار:
 – اگر شور است → کم‌کردن_نمک
 – اگر بی‌مزه است → افزودن_ادویه
4. بهبود: دفعه بعد بهتر می‌پزد
                

9بازنمایی توزیع‌شده

💡 تشخیص چهره در جمع

روش متمرکز

اگر “علی” باشد:
  صدا بزن
                        

روش توزیع‌شده

اگر (قد_بلند AND 
  مو_مشکی AND 
  عینک AND 
  لبخند):
  سلام علی!
                        

                    💡 مزیت: حتی اگر عینک نداشته باشد، با سایر ویژگی‌ها باز هم تشخیص داده می‌شود
                

10یادگیری نظارت‌شده

💡 آموزش سگ

صاحب: “بنشین!”
سگ می‌نشیند
صاحب: “آفرین!” + تشویقی ✅

صاحب: “بیا!”
سگ نمی‌آید
صاحب: “نه!” + عدم تشویقی ❌
                

11شبکه‌های رقابتی

💡 بازی صندلی‌های موزیکال

موزیک: روشن
بازیکنان: 3
صندلی‌ها: 2

عصب_برنده:
✅ تقویت_اتصالات (دفعه بعد سریع‌تر)

عصب_بازنده:
❌ تضعیف_اتصالات (کندتر می‌شود)
                

12پردازش موازی

💡 آشپزی در رستوران شلوغ

❌ پردازش سریال

سالاد → سوپ → استیک

⏱️ 23 دقیقه

✅ پردازش موازی

سالاد + سوپ + استیک

⏱️ 10 دقیقه

13تحمل خطا

💡 تیم فوتبال

❌ متمرکز (شکننده)

اگر دروازه‌بان مصدوم شود

تیم می‌بازد

✅ توزیع‌شده (تحمل خطا)

اگر مدافع مصدوم شود

سایرین وظایف او را تقسیم می‌کنند

مثال‌های فصل ۹

🧠 مثال‌های عملی مفاهیم انتزاعی فصل ۹

درک مفاهیم شناخت‌شناسی و علوم شناختی از طریق مثال‌های روزمره

1زبان فکر فودور

Fodor’s Language of Thought

💡 مثال: دستور العمل آشپزی

📖 موقعیت:

شما دستور پخت “قورمه سبزی” را می‌خوانید

🧠 زبان فکر در عمل:

“پیاز را ریز خرد کنید” → بازنمایی ذهنی از پیاز و عمل خرد کردن

✨ نکته:

شما بدون دیدن پیاز فیزیکی، می‌توانید در ذهن خود عمل را “ببینید”

# شبه‌کد برای زبان فکر
ذهن.باورها = [“قورمه سبزی نیاز به پیاز دارد”]
ذهن.خواسته‌ها = [“پخت غذای خوشمزه”]
رفتار = برنامه‌ریزی_عملیات(باورها, خواسته‌ها)
                

                    💭 نتیجه: فکر انسان مثل یک برنامه کامپیوتری است که نمادها را دستکاری می‌کند
                

2بقای شیء

Object Permanence

💡 مثال: بازی دالی موشه با نوزاد

👶 ۴ ماهگی:

مادر صورتش را می‌پوشاند → نوزاد گریه می‌کند (فکر می‌کند ناپدید شده)

👧 ۸ ماهگی:

مادر صورتش را می‌پوشاند → نوزاد می‌خندد (می‌داند پشت دستانش است)

# آزمایش ساده در خانه
اسباب_بازی = “جغجغه”
پنهان_کردن(اسباب_بازی, زیر_پتو)

if کودک_جستجو_می‌کند(زیر_پتو):
  print(“✅ بقای شیء شکل گرفته”)
else:
  print(“❌ هنوز درک نکرده”)
                

🎯

درک اینکه اشیاء حتی وقتی دیده نمی‌شوند، وجود دارند

3اصول ادراکی اسپلکه

Spelke’s Principles

💡 مثال: توپ و تونل

🔵 اصل انسجام:

توپ یک شیء واحد است (تمام نقاط آن با هم حرکت می‌کنند)

✋ اصل تماس:

توپ فقط وقتی حرکت می‌کند که با پا یا دست تماس پیدا کند

🚇 اصل استمرار:

توپ از تونل وارد می‌شود و از طرف دیگر بیرون می‌آید

🧱 اصل استحکام:

توپ و دیوار نمی‌توانند همزمان یک فضا را اشغال کنند

                    🎾 تجربه روزمره: وقتی توپ به دیوار برخورد می‌کند، نمی‌تواند از دیوار عبور کند
                

4یادگیری زمان گذشته

Past Tense Learning

💡 مثال: آموزش کودک به گفتن “خورد” به جای “خورد”

مرحله ۱:

کودک می‌گوید “مامان شیر خورد” ✅ (صحیح)

مرحله ۲:

کودک می‌گوید “من آب خوردم” ❌ (بیش‌تعمیم – غلط)

مرحله ۳:

کودک می‌گوید “من آب خوردم” ✅ (صحیح)

# شبیه‌سازی کامپیوتری
ورودی = “خورد”      # صورت حال فعل
هدف = “خورد”        # صورت گذشته صحیح

for تمرین in range(1000):
  پیش‌بینی = شبکه_عصبی.پاسخ(ورودی)
  خطا = محاسبه_خطا(پیش‌بینی, هدف)
  شبکه_عصبی.به‌روزرسانی_اوزان(خطا)
                

📚 نتیجه: شبکه عصبی مثل کودک، ابتدا قاعده را بیش‌تعمیم می‌دهد

5سطح‌بندی دیوید مار

Marr’s Levels of Analysis

💡 مثال: طراحی یک “دور اپنر”

🎯 سطح محاسباتی:

هدف: باز کردن در | چرا: برای ورود به اتاق

⚙️ سطح الگوریتمی:

چگونه: دسته را بچرخان → چرخدنده → حرکت latch

🔧 سطح اجرایی:

اجرا: فلز برنجی، فنر فولادی، پلاستیک دسته

class DoorOpener:
  # سطح محاسباتی
  def هدف(self):
      return “باز کردن در با کمترین نیرو”
  
  # سطح الگوریتمی
  def روش_کار(self):
      return “تبدیل حرکت چرخشی به خطی”
  
  # سطح اجرایی
  def ساختار_فیزیکی(self):
      return “دسته، میله فلزی، چرخدنده”
                

6رفع خوگیری

Habituation

💡 مثال: عادت کردن به صدای تیک‌تاک ساعت

روز اول:

صدای تیک‌تاک توجه شما را جلب می‌کند 🔊

روز سوم:

کمتر متوجه صدا می‌شوید 🔉

هفته دوم:

کاملاً به صدا عادت کرده‌اید 🔇

# آزمایش رفع خوگیری در کودک
محرک_جديد = “عروسک متحرک”
زمان_نگاه_اولیه = 30_ثانیه

for تکرار in range(10):
  زمان_نگاه = اندازه‌گیری(محرک_جديد)
  if زمان_نگاه < زمان_نگاه_اولیه * 0.5:
      print("✅ خوگیری شکل گرفته")
      break
                

7شبکه بازگشتی

Recurrent Networks

💡 مثال: پیش‌بینی مسیر توپ

❌ شبکه ساده:

فقط موقعیت فعلی را می‌بیند

✅ شبکه بازگشتی:

موقعیت فعلی + قبلی را یادمی‌آورد

                    🎾 کاربرد: وقتی توپ از دید شما پشت مبل پنهان می‌شود، شما انتظار دارید از طرف دیگر بیرون بیاید
                

🧠

شما مسیر قبلی را به خاطر دارید و سرعت/جهت را محاسبه می‌کنید

8خطای A-not-B

A-not-B Error

💡 مثال: بازی قایم باشک با کودک

مرحله ۱:

اسباب‌بازی را زیر پتوی آبی پنهان می‌کنید → کودک آن را پیدا می‌کند ✅

مرحله ۲:

اسباب‌بازی را به پتوی قرمز منتقل می‌کنید (جلوی چشم کودک)

خطا:

کودک همچنان زیر پتوی آبی جستجو می‌کند ❌

🔵 پتو آبی (مکان قدیم) 🔴 پتو قرمز (مکان جدید) کودک جستجو می‌کند: 🔵 ❌ (نه 🔴 ✅)

💭 علت: وابستگی به پاسخ قبلی، نه موقعیت فعلی

9یادگیری بدون ناظر

Unsupervised Learning

💡 مثال: طبقه‌بندی خودکار جوراب‌ها

📍 موقعیت:

کشوی لباس پر از جوراب‌های مختلف

🤖 شبکه رقابتی:

جوراب‌های سفید را کنار هم قرار می‌دهد

✨ بدون آموزش:

هیچکس به شبکه نگفته چه ویژگی‌هایی مهم است

کشوی_جوراب = [“سفید”, “مشکی”, “طرح‌دار”, “سفید”, “مشکی”]
گروه‌ها = شبکه_رقابتی.خوشه‌بندی(کشوی_جوراب)

# نتیجه:
# [[“سفید”, “سفید”], [“مشکی”, “مشکی”], [“طرح‌دار”]]
                

10بازنمایی توزیع‌شده

Distributed Representation

💡 مثال: تشخیص چهره در جمع

❌ روش متمرکز:

اگر “علی” باشد:
  صدا بزن
                        

اگر عینک نداشته باشد → تشخیص نمی‌دهد

✅ روش توزیع‌شده:

اگر (قد_بلند AND 
  مو_مشکی AND 
  لبخند):
  سلام!
                        

حتی بدون عینک تشخیص می‌دهد

کنکور علوم شناختی