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

1-در این مطلب، متن اسلاید های اولیه دانلود پاورپوینت شبکه های عصبی 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 :

الهام از طبیعت

مطالعه شبکه های عصبی مصنوعی تا حد زیادی ملهم از سیستم های یادگیر طبیعی است

 در آنها یک مجموعه پیچیده از نرونهای به هم متصل  در کار یادگیری دخیل هستند.

گمان میرود که مغز انسان از تعداد ۱۰ ۱۱ نرون تشکیل شده باشد

 هر نرون با تقریبا ۱۰۴ نرون دیگر در ارتباط است.

سرعت سوئیچنگ نرونها در حدود ۱۰-۳ ثانیه است

سرعت سوئیچنگ با کامپیوترها ۱۰ -۱۰ ) ثانیه ( است.

با این وجود آدمی قادر است در ۰٫۱ ثانیه  تصویر یک انسان را بازشناسائی نماید

.  این قدرت فوق العاده باید نتیجه  پردازش موازی توزیع شده در تعدادی زیادی از نرونها است .

اسلاید ۲ :

شبکه عصبی چیست؟

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

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

اسلاید ۳ :

شبکه عصبی مصنوعی ساده

نوعی از شبکه عصبی برمبنای یک واحد محاسباتی به نام پرسپترون ساخته میشود

. پرسپترون برداری از ورودیهای را  در یافت می کند .

 ترکیب خطی از این ورودیها را محاسبه میکند

. اگر حاصل از یک مقدار آستانه بیشتر بود  آتش می کند .(خروجی پرسپترون برابر با ۱ خواهد بود.)

اسلاید ۴ :

پرسپترون

پریسپترون 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.

اسلاید ۵ :

یادگیری پرسپترون

یک 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 ۶ :

کاربردهای شبکه عصبی

۱- طبقه بندی و شناسایی و تشخیص الگو

۲- پردازش سیگنال

۳- پیش بینی سریهای زمانی

۴- مدلسازی و کنترل

۵- بهینه سازی

۶- سیستمهای خبره و فازی

۷- مسائل مالی و امنیتی و بازار بورس و وسائل سرگرم کننده

۸- ساخت وسائل صنعتی و پزشکی

اسلاید ۷ :

جلسه آینده :

نحوه آموزش شبکه عصبی

کد نویسی شبکه عصبی  در matlab

بررسی ابزار  nntool در  matlab

حل مساله سیب گلابی پرتقال

حل مساله تشخیص اعداد (ocr )

حل یک مساله کنترلی واقعی

اسلاید ۸ :

عناوین :

نحوه آموزش شبکه عصبی

کد نویسی شبکه عصبی  در matlab

بررسی ابزار  nntool در  matlab

حل مساله and , or

حل مساله تشخیص اعداد

حل یک مساله کنترلی واقعی

دموهای demo

اسلاید ۹ :

آموزش پرسپترون

چگونه وزنهای یک پرسپترون واحد را یاد بگیریم به نحوی که پرسپترون برای  مثالهای آموزشی مقادیر صحیح را ایجاد نماید؟

اسلاید ۱۰ :

آموزش پرسپترون

الگوریتم یادگیری پرسپترون

.۱مقادیری تصادفی به وزنها نسبت میدهیم

.۲پریسپترون را به تک تک  مثالهای آموزشی اعمال میکنیم. اگر مثال  غلط ارزیابی شود مقادیر وزنهای پرسپترون را تصحیح میکنیم.

.۳آیا تمامی  مثالهای آموزشی درست ارزیابی میشوند:

nبله ß پایان الگوریتم

nخیرßبه مرحله ۲ برمیگردیم