لطفا به نکات زیر در هنگام خرید دانلود پاورپوینت شبکه های عصبی مصنوعی توجه فرمایید.

1-در این مطلب، متن اسلاید های اولیه دانلود پاورپوینت شبکه های عصبی مصنوعی قرار داده شده است 2-به علت اینکه امکان درج تصاویر استفاده شده در پاورپوینت وجود ندارد،در صورتی که مایل به دریافت  تصاویری از ان قبل از خرید هستید، می توانید با پشتیبانی تماس حاصل فرمایید 3-پس از پرداخت هزینه ، حداکثر طی 12 ساعت پاورپوینت خرید شده ، به ادرس ایمیل شما ارسال خواهد شد 4-در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل اسلاید ها میباشد ودر فایل اصلی این پاورپوینت،به هیچ وجه بهم ریختگی وجود ندارد 5-در صورتی که اسلاید ها داری جدول و یا عکس باشند در متون زیر قرار نخواهند گرفت

اسلاید ۱ :

مقدمه

lشبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری میباشد.

lیادگیری 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.

اسلاید ۲ :

شبکه عصبی چیست؟

lروشی برای محاسبه است که بر پایه اتصال به هم پیوسته چندین واحد  پردازشی  ساخته میشود.

lشبکه از تعداد دلخواهی سلول یا گره یا واحد یا نرون تشکیل میشود  که مجموعه ورودی را به خروجی ربط میدهند.

اسلاید ۳ :

شبکه  عصبی چه قابلیتهائی دارد؟

lمحاسبه یک تابع  معلوم

lتقریب یک تابع ناشناخته

lشناسائی الگو

lپردازش  سیگنال

lیادگیری انجام موارد فوق

اسلاید ۴ :

الهام از طبیعت

lمطالعه شبکه های عصبی مصنوعی تا حد زیادی ملهم از سیستم های یادگیر طبیعی است که در آنها یک مجموعه پیچیده از نرونهای به هم متصل  در کار یادگیری دخیل هستند.

lگمان میرود که مغز انسان از تعداد ۱۰ ۱۱ نرون تشکیل شده باشد که هر نرون با تقریبا ۱۰۴ نرون دیگر در ارتباط است.

lسرعت سوئیچنگ نرونها در حدود ۱۰-۳ ثانیه است که در مقایسه با کامپیوترها ۱۰ -۱۰ ) ثانیه ( بسیار ناچیز مینماید. با این وجود آدمی قادر است در ۰٫۱ ثانیه  تصویر یک انسان را بازشناسائی نماید.  این قدرت فوق العاده باید از پردازش موازی توزیع شده در تعدادی زیادی از نرونها حاصل شده باشد.

اسلاید ۵ :

مسائل مناسب برای یادگیری شبکه های عصبی

lخطا در داده های آموزشی وجود داشته باشد. مثل مسائلی که داده های آموزشی دارای نویز حاصل از دادهای سنسورها نظیر دوربین و میکروفن ها هستند.

lمواردی که نمونه ها توسط مقادیر زیادی زوج ویژگی-مقدار نشان داده شده باشند. نظیر داده های حاصل از یک دوربین ویدئوئی.

l تابع هدف  دارای مقادیر پیوسته باشد.

lزمان کافی برای یادگیری وجود داشته باشد. این روش  در مقایسه با روشهای دیگر نظیر درخت تصمیم نیاز به زمان بیشتری برای یادگیری دارد.

lنیازی به تعبیر تابع هدف نباشد. زیرا به سختی میتوان اوزان یادگرفته شده توسط شبکه را تعبیر نمود.

اسلاید ۶ :

Perceptron

lنوعی از شبکه عصبی برمبنای یک واحد محاسباتی به نام پرسپترون ساخته میشود. یک پرسپترون برداری از ورودیهای با مقادیر حقیقی را گرفته و یک ترکیب خطی از این ورودیها را محاسبه میکند. اگر حاصل از یک مقدار آستانه بیشتر بود خروجی پرسپترون برابر با ۱  و در غیر اینصورت معادل -۱ خواهد بود.

اسلاید ۷ :

یادگیری یک پرسپترون

lخروحی پرسپترون توسط رابطه زیر مشخص میشود:

l

l

lکه برای سادگی آنرا میتوان بصورت زیر نشان داد:

یادگیری پرسپترون عبارت  است از:

پیدا کردن مقادیردرستی برای W

بنابراین فضای فرضیه H  در یادگیری پرسپترون عبارت است ازمجموعه تمام مقادیر حقیقی ممکن برای بردارهای  وزن.

اسلاید ۸ :

توانائی  پرسپترون

lپریسپترون را میتوان بصورت یک سطح تصمیم  hyperplane  در فضای   n  بعدی نمونه ها در نظر گرفت.  پرسپترون برای نمونه های یک طرف صفحه مقدار ۱ و برای مقادیر طرف دیگر مقدار -۱ بوجود میاورد.

l

اسلاید ۹ :

توابعی که پرسپترون قادر به یادگیری آنها میباشد

lیک پرسپترون  فقط قادر است  مثالهائی را یاد بگیرد که بصورت خطی جداپذیر باشند. اینگونه مثالها مواردی هستند که بطور کامل توسط یک hyperplaneقابل جدا سازی  میباشند.

اسلاید ۱۰ :

توابع بولی و پرسپترون

lیک پرسپترون میتواند بسیاری از توابع بولی را نمایش دهد نظیر AND, OR, NAND, NOR

lاما نمیتواند  XORرا نمایش دهد.

l

l

l

l

l

lدر واقع هر تابع بولی را میتوان با شبکه ای دوسطحی از پرسپترونها  نشان داد.