دانلود پاورپوینت شبکه های عصبی مصنوعی چیست


دانلود پاورپوینت شبکه های عصبی مصنوعی چیست

دانلود پاورپوینت شبکه های عصبی مصنوعی چیست

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.

شبکه عصبی چیست؟

روشی 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.

شبکه  عصبی چه قابلیتهائی دارد؟

محاسبه یک تابع  معلوم

تقریب یک تابع ناشناخته

شناسائی الگو

پردازش  سیگنال

یادگیری

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.

lزمان 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.

 

فهرست مطالب:

مقدمه

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

اضافه کردن بایاس

آموزش پرسپترون

الگوریتم یادگیری پرسپترون

قانون پرسپترون

قانون دلتا Delta Rule

الگوریتم gradient descent

بدست آوردن قانون gradient descent

محاسبه گرادیان

خلاصه یادگیری قانون دلتا

مشکلات روش gradient descent

تقریب افزایشی gradient descent

مقایسه آموزش یکجا و افزایشی

شبکه های چند لایه

یک سلول واحد

تابع سیگموئید

الگوریتم  Back propagation

الگوریتم BP

انتشار به سمت جلو

انتشار به سمت عقب

شرط خاتمه

محنی یادگیری

مرور الگوریتم BP

افزودن ممنتم

قدرت نمایش توابع

فضای فرضیه و بایاس استقرا

قدرت نمایش لایه پنهان

نمودارخطا

قدرت تعمیم و overfitting

دلایل رخ دادن overfitting

راه حل

روشهای دیگر

مثال: تشخیص ارقام

روشی که وزنها یاد گرفته میشوند:

شکل گیری وزنها:

شبکه چه چیزی را یاد میگیرد؟

مثالی از تنوع ارقام دستنویس

انواع اتصالات شبکه

انواع مختلف یادگیری

اعمال Backpropagation به تشخیص اشیا

The invariance problem

The invariant feature approach

The normalization approach

The replicated feature approach

Backpropagation with weight constraints

Combining the outputs of replicated features

The hierarchical partial invariance approach

Le Net

The architecture of LeNet5

A brute force approach

Making dumb backpropagation work really well for recognizing digits

Problems with squared error

Softmax

 

فرمت فایل: Powerpoint
تعداد صفحات: 85
حجم: 2.2 مگابایت


سعیدسان تابع قوانین جاری کشور جمهوری اسلامی ایران در زمینه حقوق مولفین و ناشرین است، چنانچه نسبت به محتوای این صفحه صاحب حق نشر هستید و درخواست حذف آن را دارد، خواهشمند است از طریق این لینک به ما اطلاع دهید.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

قالب صحیفه. لایسنس فعال نشده است، برای فعال کردن لایسنس به صفحه تنظیمات پوسته بروید.