پاورپوینت کامل معرفی شبکه‌های عصبی مصنوعی و کاربردهای نوین آن در علوم مختلف

توجه : این پروژه به صورت فایل power point (پاور پوینت) ارائه میگردد

 پاورپوینت کامل معرفی شبکه‌های عصبی مصنوعی و کاربردهای نوین آن در علوم مختلف دارای ۴۵ اسلاید می باشد و دارای تنظیمات کامل در Power Point می باشد و آماده پرینت یا چاپ است

فایل پاور پوینت پاورپوینت کامل معرفی شبکه‌های عصبی مصنوعی و کاربردهای نوین آن در علوم مختلف  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

لطفا به نکات زیر در هنگام خرید

دانلودپاورپوینت کامل معرفی شبکه‌های عصبی مصنوعی و کاربردهای نوین آن در علوم مختلف

توجه فرمایید.

۱-در این مطلب، متن اسلاید های اولیه 

دانلودپاورپوینت کامل معرفی شبکه‌های عصبی مصنوعی و کاربردهای نوین آن در علوم مختلف

قرار داده شده است

۲-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

۳-پس از پرداخت هزینه ، حداکثر طی ۱۲ ساعت پاورپوینت خرید شده ، به ادرس ایمیل شما ارسال خواهد شد

۴-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

۵-در صورتی که اسلاید ها داری جدول و یا عکس باشند در متون زیر قرار داده نشده است

بخشی از متن پاورپوینت کامل معرفی شبکه‌های عصبی مصنوعی و کاربردهای نوین آن در علوم مختلف :

اسلاید ۱ :

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 چه قابلیتهائی دارد؟

lمحاسبه یک تابع  معلوم

lتقریب یک تابع ناشناخته

lشناسائی الگو

lپردازش  سیگنال

lیادگیری انجام موارد فوق

اسلاید ۳ :

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 ۰۱ 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 ۴ :

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 ۵ :

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 ۶ :

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 ۷ :

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 ۸ :

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 ۹ :

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:

lبله پایان الگوریتم

lخیربه مرحله ۲ برمیگردیم

اسلاید ۱۰ :

lوقتی که مثالها بصورت خطی جداپذیر نباشند قانون پرسپترون همگرا نخواهد شد. برای غلبه بر این مشکل از قانون دلتا استفاده میشود.

lایده اصلی این قانون استفاده از gradient descent برای جستجو در فضای فرضیه وزنهای ممکن میباشد. این قانون پایه روش Backpropagation است که برای آموزش شبکه با چندین نرون به هم متصل بکار میرود.

lهمچنین این روش پایه ای برای  انواع الگوریتمهای یادگیری است که باید فضای فرضیه ای شامل فرضیه های مختلف  پیوسته  را جستجو کنند.