بخشی از پاورپوینت
اسلاید 1 :
الهام از طبیعت
مطالعهشبکههایعصبیمصنوعیتاحدزیادیملهمازسیستمهاییادگیرطبیعیاست
درآنهایکمجموعهپیچیدهازنرونهایبههممتصل درکاریادگیریدخیلهستند.
گمانمیرودکهمغزانسانازتعداد 10 11نرونتشکیلشدهباشد
هرنرونباتقریبا 104نروندیگردرارتباطاست.
سرعتسوئیچنگنرونهادرحدود 10-3ثانیهاست
سرعتسوئیچنگباکامپیوترها 10 -10 ) ثانیه ( است.
بااینوجودآدمیقادراستدر 0.1 ثانیه تصویریکانسانرابازشناسائینماید
. اینقدرتفوقالعادهباید نتیجه پردازشموازیتوزیعشدهدرتعدادیزیادیازنرونهااست .
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 عصبی مصنوعی ساده
نوعیازشبکهعصبیبرمبناییکواحدمحاسباتیبهنام پرسپترونساختهمیشود
. پرسپترونبرداریازورودیهایرا در یافت می کند .
ترکیبخطیازاینورودیهارامحاسبهمیکند
. اگرحاصلازیکمقدارآستانهبیشتربود آتش می کند .(خروجی پرسپترونبرابربا 1 خواهدبود.)
اسلاید 4 :
پرسپترون
پریسپترون را میتوان بصورت یک سطح تصمیم hyperplane در فضای n بعدی نمونه ها در نظر گرفت. پرسپترون برای نمونه های یک طرف صفحه مقدار 1 و برای مقادیر طرف دیگر مقدار -1 بوجود میاورد.
اسلاید 5 :
یادگیری پرسپترون
یک 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 6 :
کاربردهای شبکه عصبی
1- طبقه بندی و شناسایی و تشخیص الگو
2- پردازش سیگنال
3- پیش بینی سریهای زمانی
4- مدلسازی و کنترل
5- بهینه سازی
6- سیستمهای خبره و فازی
7- مسائل مالی و امنیتی و بازار بورس و وسائل سرگرم کننده
8- ساخت وسائل صنعتی و پزشکی
اسلاید 7 :
جلسه آینده :
نحوه آموزش شبکه عصبی
کد نویسی شبکه عصبی در matlab
بررسی ابزار nntool در matlab
حل مساله سیب گلابی پرتقال
حل مساله تشخیص اعداد (ocr )
حل یک مساله کنترلی واقعی
اسلاید 8 :
هنگامه ادراک حقیقت مرا شعفی در بر خواهد گرفت که وصفش را آن زمان بهتر توانم کرد که برحقارت خویشتن بیشتر پی برده باشم.
اسلاید 9 :
آموزش پرسپترون
چگونه وزنهای یک پرسپترون واحد را یاد بگیریم به نحوی که پرسپترون برای مثالهای آموزشی مقادیر صحیح را ایجاد نماید؟
اسلاید 10 :
آموزش پرسپترون
الگوریتم یادگیری پرسپترون
.1مقادیری تصادفی به وزنها نسبت میدهیم
.2پریسپترون را به تک تک مثالهای آموزشی اعمال میکنیم. اگر مثال غلط ارزیابی شود مقادیر وزنهای پرسپترون را تصحیح میکنیم.
.3آیا تمامی مثالهای آموزشی درست ارزیابی میشوند:
nبله ß پایان الگوریتم
nخیرßبه مرحله 2 برمیگردیم
