دانلود فایل پاورپوینت شبکه‌های عصبی مصنوعی

بخشی از پاورپوینت

--- پاورپوینت شامل تصاویر میباشد ----

اسلاید 1 :

مقدمه

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 داده‌های آموزشی مقاوم بوده و اینگونه شبکه‌ها با موفقیت به مسایلی نظیر شناسایی گفتار، شناسایی و تعبیر تصاویر، و یادگیری روبات اعمال شده است.

اسلاید 2 :

شبکهعصبیچیست؟

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 3 :

شبکه عصبیچهقابلیتهاییدارد؟

محاسبه یک تابع معلوم

تقریب یک تابع ناشناخته

شناسایی الگو

پردازش سیگنال

یادگیری انجام موارد فوق

اسلاید 4 :

الهامازطبیعت

مطالعه شبکه‌های عصبی مصنوعی تا حد زیادی ملهم از سیستم‌های 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 1011 نرون تشکیل شده باشد که هر نرون با تقریبا 104 نرون دیگر در ارتباط است.

سرعت سوییچنگ 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 بازشناسایی نماید. این قدرت فوق العاده باید از پردازش موازی توزیع شده در تعدادی زیادی از نرونها حاصل شده باشد.

اسلاید 5 :

مسایلمناسببراییادگیریشبکه‌هایعصبی

خطا در داده‌های آموزشی وجود داشته باشد. مثل مسایلی که داده‌های آموزشی دارای نویز حاصل از داده‌های سنسورها نظیر دوربین و میکروفن‌ها هستند.

مواردی که نمونه‌ها توسط مقادیر زیادی زوج ویژگی-مقدار نشان داده شده باشند. نظیر داده‌های حاصل از یک دوربین ویدیویی.

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.

اسلاید 6 :

Perceptron

نوعی از شبکه عصبی بر مبنای 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 1 و در غیر اینصورت معادل -1 خواهد بود.

اسلاید 7 :

یادگیرییک پرسپترون

خروجی پرسپترون توسط رابطه زیر مشخص می‌شود:

که برای سادگی آنرا می‌توان به صورت زیر نشان داد:

اسلاید 8 :

تواناییپرسپترون

پرسپترون را می‌توان به صورت یک سطح تصمیم hyper p ane در فضای nبعدی نمونه‌ها در نظر گرفت .پرسپترون برای نمونه‌های یک طرف صفحه مقدار 1 و برای مقادیر طرف دیگر مقدار -1 بوجود می‌آورد.

اسلاید 9 :

توابعیکه پرسپترونقادربهیادگیریآنهامی‌باشد

یک پرسپترون فقط قادر است مثالهایی را یاد بگیرد که به صورت خطی جداپذیر باشند .اینگونه مثالها مواردی هستند که بطور کامل توسط یک hyper p ane قابل جداسازی می‌باشند.

اسلاید 10 :

توابعبولیو پرسپترون

یک پرسپترون می‌تواند بسیاری از توابع بولی را نمایش دهد نظیر AND, OR, NAND, NOR

اما نمی‌تواند XOR را نمایش دهد.

در واقع هر تابع بولی را می‌توان با شبکه‌ای دو سطحی از پرسپترونها نشان داد.