پاورپوینت شبکه های عصبی مصنوعی
پاورپوینت شبکه های عصبی مصنوعی
چکیده: شبکههای عصبی مصنوعی (Artificial Neural Network - ANN) یا به زبان سادهتر شبکههای عصبی سیستمها و روشهای محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیشبینی پاسخهای خروجی از سامانههای پیچیده. ایدهٔ اصلی این گونه شبکهها (تا حدودی) الهامگرفته از شیوهٔ کارکرد سیستم عصبی زیستی، برای پردازش دادهها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهمپیوسته با نام نورون تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل میکنند و توسط سیناپسها(ارتباطات الکترومغناطیسی) اطلاعات را منتقل میکنند. در این شبکهها اگر یک سلول آسیب ببیند بقیه سلولها میتوانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکهها قادر به یادگیریاند. مثلا با اعمال سوزش به سلولهای عصبی لامسه، سلولها یاد میگیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم میآموزد که خطای خود را اصلاح کند. یادگیری در این سیستمها به صورت تطبیقی صورت میگیرد، یعنی با استفاده ازمثالها وزن سیناپسها به گونهای تغییر میکند که در صورت دادن ورودیهای جدید، سیستم پاسخ درستی تولید کند.
...
فرمت فایل: ppt (پاورپوینت) قابل ویرایش تعداد صفحات: 33
تاریخ: برچسب:
شبکه های عصبی مصنوعی,
شبکه عصبی مصنوعی,
Artificial Neural Network,
ANN,
پاورپوینت شبکه های عصبی مصنوعی,
روشهای محاسباتی,
یادگیری ماشینی,
نمایش دانش,
بیشبینی,
خروجی,
سامانه,
ایده,
الهام,
شیوهٔ کارکرد سیستم عصبی زیستی,
پردازش داده,
اطلاعات,
یادگیری,
ایجاد دانش,
عنصر,
کلید,
سامانهٔ پردازش اطلاعات,
عناصر,
نورون,
سیناپس,
ارتباطات الکترومغناطیسی,
سلول,
سوزش,
سلولهای عصبی لامسه,
سلولهای عصبی,
لامسه,
جسم داغ,
جسم,
داغ,
الگوریتم,
خطا,
تطبیق,
وزن سیناپس,
ورودی,
دانلود مقاله شبکه های عصبی مصنوعی
چکیده مقاله: شبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری میباشد.
یادگیری شبکه عصبی در برابر خطاهای داده های آموزشی مصون بوده و اینگونه شبکه ها با موفقیت به مسائلی نظیر شناسائی گفتار، شناسائی و تعبیر تصاویر، و یادگیری روبات اعمال شده است.
عناوین مورد بحث:
شبکه عصبی چیست؟
شبکه عصبی چه قابلیتهائی دارد؟
مسائل مناسب برای یادگیری شبکه های عصبی
الهام از طبیعت
Perceptron
یادگیری یک پرسپترون
توانائی پرسپترون
توابعی که پرسپترون قادر به یادگیری آنها میباشد
توابع بولی و پرسپترون
آموزش پرسپترون
قانون پرسپترون
قانون دلتا Delta Rule
الگوریتم gradient descent
بدست آوردن قانون gradient descent
محاسبه گرادیان
مشکلات روش gradient descent
تقریب افزایشی gradient descent
شبکه های چند لایه
تابع سیگموئید
الگوریتم Back propagation
فضای فرضیه و بایاس استقرا
دلایل رخ دادن overfitting
اعمال Backpropagation به تشخیص اشیا
Softmax
...
فرمت فایل: PPT (پاورپوینت)
تعداد صفحات: 85
تاریخ: برچسب:
دانلود مقاله شبکه های عصبی مصنوعی,
دانلود مقاله,
شبکه های عصبی مصنوعی ,
توابع,
شبکه عصبی مصنوعی,
روبات,
خطاهای داده های آموزشی,
پرسپترون,
قانون دلتا,
تابع سیگموئید,