دهه ۵۰ که شبکه‌های عصبی تازه شروع کرده بودن، بیشترشون بر اساس قوانین منطقی «اگر/آنگاه» کار می‌کردن. ولی خیلی زود معلوم شد که این روش برای یادگیری از داده‌های واقعی و پیچیده جواب نمی‌ده. 🤔
🔬 مدل‌سازی ریاضی نورون‌ها
ماروین مینسکی و سینتیا شانون اولین کسانی بودن که فهمیدن می‌شه رفتار نورون‌ها و ارتباطشون رو با معادلات ریاضی و ماتریس‌ها مدل‌سازی کرد.💡 انگیزه و اهمیت
- جبر خطی برای وزن‌ها و ورودی‌ها
- مشتق و حسابان برای بهینه‌سازی و یادگیری
ایده اصلی ساده بود: ماشین باید خودش یاد بگیره و خودش رو اصلاح کنه، نه اینکه فقط قوانین ثابت اجرا کنه.📌 مرجع تخصصی هوش مصنوعی و علم داده
این نگاه ریاضیاتی باعث شد که بعدها روش‌هایی مثل پس‌انتشار خطا (Backpropagation) به وجود بیاد و شبکه‌های عمیق واقعا قابل آموزش بشن.
با ورود ریاضیات بود که مسیر توسعه شبکه‌های پیچیده و یادگیری واقعی باز شد و هوش مصنوعی از حد نظریه فراتر رفت. 🚀
🤖 دیتایاد / datayad@