پاورپوینت در مورد شبکه عصبی-56 اسلاید
قسمتی از اسلاید ها
شبکه عصبی چیست؟ ( به طور کلی)
شبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری میباشد.
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 از تعداد دلخواهی سلول یا گره یا واحد و یا نرون تشکیل میشود که مجموعه ورودی ها را به خروجی ربط میدهد.
ساختار شبکه‌های عصبی
•یک شبکه عصبی شامل اجزای سازنده لایه‌ها و وزن‌ها میباشد. رفتار شبکه نیز وابسته به ارتباط بین اعضا است. در حالت کلی در شبکه‌های عصبی سه نوع لایه نورونی وجود دارد:
•لایه ورودی: دریافت اطلاعات خامی که به شبکه تغذیه شده‌است.
•لایه‌های پنهان: عملکرد این لایه‌ها به وسیله ورودی‌ها و وزن ارتباط بین آنها و لایه‌های پنهان تعیین میشود. وزن‌های بین واحدهای ورودی و پنهان تعیین می‌کند که چه وقت یک واحد پنهان باید فعال شود.
•لایه خروجی: عملکرد واحد خروجی بسته به فعالیت واحد پنهان و وزن ارتباط بین واحد پنهان و خروجی میباشد.
چرا از شبکه های عصبی استفاده می کنیم؟
•* قابلیت قابل توجه شبکه های عصبی در استنتاج معانی از داده های پیچیده یا مبهم
•* قابلیت بکارگیری به عنوان یک متخصص
انواع شبكه عصبي
•شبكه عصبي پرسپترون
•شبكه عصبي هاپفيلد
•شبكه عصبي همينگ
•شبكه عصبي كوهنن
•شبكه عصبي انتشار رو به عقب
•شبكه عصبي تاخير زماني
مزایای شبکه‌های عصبی
شبكه عصبي مصنوعي چيست؟
آشنایی با شبکه های عصبی زیستی
کاربردهای شبکه های عصبی :
•تشخیص بیماری
•تشخیص چهره
•انواع جدید سنسورها
•پیگیری هدف
•هدایت جنگ افزارها
•شناسایی تصویر /سیگنال
•بینایی ماشین
•مدل کردن غیر خطی
•ترکیب صدا
•کنترل فرآیند ساخت
•آنالیز مالی
.
.
.
ساختار نرون:
مبانی ANN ها
ساختار مغز انسان
شباهت مغز انسان با شبکه های عصبی:
تقسیم بندی شبکه‌های عصبی بر مبنای آموزش
شبکه های عصبی چند لایه یا MLP
نرم افزارهای شبکه های عصبی
مقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبی
ایده ی اصلی عملکرد شبکه های عصبی مصنوعی
ایده ی اصلی عملکرد شبکه های عصبی مصنوعی
و سایر عناوین وتوضیحات مربوطه ...
