Neural Network Simulation Environments

محیط های شبیه سازی شبکه عصبی برخی از بهترین نمونه های محیط های شبیه سازی عصبی را شرح می دهد.
همه ابزارهای شبیه‌سازی عصبی فعلی را می‌توان به چهار دسته همپوشانی با افزایش پیچیدگی در مهندسی نرم‌افزار طبقه‌بندی کرد. کمترین پیچیدگی، برنامه های غیرمستند و اختصاصی هستند که فقط برای حل یک مشکل خاص توسعه یافته اند. این ابزارها به راحتی توسط جامعه بزرگتر قابل استفاده نیستند و در این جلد گنجانده نشده اند. دسته بعدی مجموعه‌ای از برنامه‌های سفارشی‌سازی شده است، برخی از آنها احتمالاً از سایر حوزه‌های کاربردی قرض گرفته شده‌اند و در کتابخانه‌ها سازمان‌دهی شده‌اند، گاهی اوقات با یک رابط کاربری ابتدایی. اخیراً، برنامه‌های بسیار پیچیده‌ای ظاهر شدند که رابط کاربری گرافیکی پیشرفته و سایر ابزارهای تجزیه و تحلیل داده‌ها را ادغام می‌کنند. اینها اغلب فقط به یک معماری/الگوریتم عصبی اختصاص داده می شوند، به عنوان مثال، سه لایه از نورون های مصنوعی به هم پیوسته که برای تعمیم بردارهای ورودی با استفاده از یک الگوریتم پس انتشار یاد می گیرند. در حال حاضر، پیچیده‌ترین ابزارهای شبیه‌سازی، محیط‌های کامل و در سطح سیستم هستند که پیشرفته‌ترین مفاهیم در مهندسی نرم‌افزار را در خود جای داده‌اند که می‌توانند از آزمایش و توسعه مدل طیف وسیعی از شبکه‌های عصبی پشتیبانی کنند. این محیط ها شامل رابط های کاربری گرافیکی پیچیده و همچنین مجموعه ای از ابزارها برای تجزیه و تحلیل، دستکاری و تجسم داده های عصبی است.
محیط های شبیه سازی شبکه های عصبی یک مرجع عالی برای محققان دانشگاهی و صنعتی است و می تواند به عنوان متنی برای دوره های پیشرفته در این زمینه استفاده شود.

Neural Network Simulation Environments describes some of the best examples of neural simulation environments.
All current neural simulation tools can be classified into four overlapping categories of increasing sophistication in software engineering. The least sophisticated are undocumented and dedicated programs, developed to solve just one specific problem; these tools cannot easily be used by the larger community and have not been included in this volume. The next category is a collection of custom-made programs, some perhaps borrowed from other application domains, and organized into libraries, sometimes with a rudimentary user interface. More recently, very sophisticated programs started to appear that integrate advanced graphical user interface and other data analysis tools. These are frequently dedicated to just one neural architecture/algorithm as, for example, three layers of interconnected artificial `neurons' learning to generalize input vectors using a backpropagation algorithm. Currently, the most sophisticated simulation tools are complete, system-level environments, incorporating the most advanced concepts in software engineering that can support experimentation and model development of a wide range of neural networks. These environments include sophisticated graphical user interfaces as well as an array of tools for analysis, manipulation and visualization of neural data.
Neural Network Simulation Environments is an excellent reference for researchers in both academia and industry, and can be used as a text for advanced courses on the subject.