دانلود پاورپوینت شبکه های عصبی Neural Networks

اختصاصی از فایل هلپ دانلود پاورپوینت شبکه های عصبی Neural Networks دانلود با لینک مستقیم و پر سرعت .

عنوان پاورپوینت :شبکه های عصبی Neural Networks

 

 تعداد اسلاید :42

 

قالب بندی :پاورپوینت 

 

 

مقدمه 

 

شبکه عصبی مصنوعی یا به اختصار شبکه عصبی از بزرگترین پیشرفت های علم بشر در دهه های اخیر می باشد .

 

تعریف

شبکه عصبی یک پردازشگر موازی و حجیم میباشد که از واحد ساده پردازش تشکیل شده است. این شبکه قابلیت یادگیری از دانش تجربی ارائه شده را داراست و از آن بهره میبرد.

ایده اصلی از مغز انسان گرفته شده است. 

مغز انسان یک سیستم پیچیده و غیر خطی می باشد. 

از مهمترین ویژگی‌های شبکه عصبی این است که به عنوان یک طبقه بندی کننده غیر خطی عمل می کند.

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 .

 

شبکه  عصبی دارای قابلیتهای زیر میباشد: 

محاسبه یک تابع  معلوم

تقریب یک تابع ناشناخته

شناسائی الگو

پردازش  سیگنال

یادگیری انجام موارد فوق

فهرست مطالب 

1.مقدمه 

2. نرونها neurons

3. پروسپترون 

3-1. فرآیند یادگیری پروسپترون 

4. شبکه عصبی چند لایه

4-1.الگوریتم پس انتشار   Back- Propagtion

4-1-1. تابعSigmoid 

4-1-2. روش سقوط گرادیان Gradient Descent

4-2. بهبود کارایی پس انشار

4-3. مقادیر دیگر پارمتر ها

5. شبکه های باز گشتی

6. توسعه شبکه عصبی

منابع

دانلود پاورپوینت شبکه های عصبی مصنوعی

اختصاصی از فایل هلپ دانلود پاورپوینت شبکه های عصبی مصنوعی دانلود با لینک مستقیم و پر سرعت .

مشخصات این فایل
عنوان: شبکه های عصبی مصنوعی
فرمت فایل :پاورپوینت (قابل ویرایش)
تعداد اسلایدها : 85

این پاورپوینت در مورد شبکه های عصبی مصنوعی  می باشد.

بخشی از تیترها به همراه مختصری از توضیحات هر تیتر ازپاورپوینت شبکه های عصبی مصنوعی

مسائل مناسب برای یادگیری شبکه های عصبی
خطا 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.
مواردی که نمونه ها توسط مقادیر زیادی زوج ویژگی-مقدار نشان داده شده باشند. نظیر داده های حاصل از یک دوربین ویدئوئی.
تابع هدف  دارای مقادیر پیوسته باشد.
زمان کافی برای یادگیری وجود داشته باشد. این روش  در مقایسه با روشهای دیگر نظیر درخت تصمیم نیاز به زمان بیشتری برای یادگیری دارد.
نیازی به تعبیر تابع هدف نباشد. زیرا به سختی میتوان  وزنهای یادگرفته شده توسط شبکه را تعبیر نمود.
...(ادامه دارد)

الهام از طبیعت
مطالعه 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.
گمان میرود که مغز انسان از تعداد 10 11 نرون تشکیل شده باشد که هر نرون با تقریبا 104 نرون دیگر در ارتباط است.
سرعت سوئیچنگ نرونها در حدود 10-3 ثانیه است که در مقایسه با کامپیوترها 10 -10 ) ثانیه ( بسیار ناچیز مینماید. با این وجود آدمی قادر است در 0.1 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....(ادامه دارد)

مرور الگوریتم BP
این الگوریتم یک جستجوی gradient descent در فضای وزنها انجام میدهد.
ممکن است در یک مینیمم محلی گیر بیافتد.
در عمل بسیار موثر بوده است.
برای پرهیز از مینیمم محلی روشهای مختلفی وجود دارد:
افزودن ممنتم
استفاده از stochastic gradient descent
استفاده ازشبکه های مختلف با مقادیر متفاوتی برای وزنهای اولیه...(ادامه دارد)

قدرت نمایش توابع
اگرچه قدرت نمایش توابع به توسط یک شبکه feedforward بسته به عمق و گستردگی شبکه دارد، با این وجودموارد زیر را میتوان به صورت قوانین کلی بیان نمود:
توابع بولی: هر تابع بولی را میتوان توسط یک شبکه دو لایه پیاده سازی نمود.
توابع پیوسته: هر تابع پیوسته محدود را میتوان توسط یک شبکه دو لایه تقریب زد. تئوری مربوطه در مورد شبکه هائی که از تابع سیگموئید در لایه پنهان و لایه خطی در شبکه خروجی استفاده میکنند صادق است.
توابع دلخواه: هر تابع دلخواه را میتوان با یک شبکه سه لایه تا حد قابل قبولی تفریب زد....(ادامه دارد)

فهرست مطالب پاورپوینت شبکه های عصبی مصنوعی

قانون دلتا Delta Rule
تقریب افزایشی gradient descent
یک سلول واحد
انتشار به سمت عقب
فضای فرضیه و بایاس استقرا
دلایل رخ دادن overfitting
انواع مختلف یادگیری