پاورپوینت شبکه عصبی و کاربرد آن در پزشکی

بخشی از پاورپوینت

اسلاید 2 :

شبکه عصبی و کاربرد آن در پزشکی

اسلاید 3 :

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.
شبکه عصبی چیست؟

اسلاید 4 :

مطالعه 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.
گمان میرود که مغز انسان از تعداد 10 11 نرون تشکیل شده باشد که هر نرون با تقریبا 104 نرون دیگر در ارتباط است.
سرعت سوئیچنگ 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 بازشناسائی نماید. این قدرت فوق العاده باید از پردازش موازی توزیع شده در تعدادی زیادی از نرونها حاصل شده باشد.
الهام از طبیعت

اسلاید 5 :

محاسبه یک تابع معلوم
تقریب یک تابع ناشناخته
شناسائی الگو
پردازش سیگنال
یادگیری انجام موارد فوق
شبکه عصبی چه قابلیتهائی دارد؟

اسلاید 6 :

یک سیستم پردازشی داده ها که از مغز انسان ایده گرفته و پردازش داده ها را به عهده ی پردازنده های کوچک و بسیار زیادی سپرده که به صورت شبکه ای به هم پیوسته و موازی با یکدیگر رفتار می کنند تا یک مسئله را حل کنند.
معرفی ANN ها

اسلاید 7 :

بتواند الگوها را طبقه بندی کند.
به اندازه کافی کوچک باشد تا از نظر فیزیکی واقع گرایانه باشد.
با به کار گیری آموزش، قابل برنامه ریزی باشد و قدرت یادگیری داشته باشد.
توانایی تعمیم را با استفاده از مثال های ارائه شده در فرآیند آموزش، داشته باشد.
خصوصیات شبکه عصبی

اسلاید 8 :

ساختار شبکه عصبی مصنوعی
شبکه عصبی مصنوعی

اسلاید 9 :

تناظر بین شبکه عصبی و شبکه مصنوعی
شبکه عصبی مصنوعی

اسلاید 10 :

شبکه عصبی مصنوعی

اسلاید 11 :

شبکه عصبی مصنوعی
W:
شدت سیناپس
+ و f:
هسته سلول
A:
سیگنال گذرنده از آکسون

اسلاید 12 :

{1 or –1}
X0=1
نوعی 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 1 و در غیر اینصورت معادل -1 خواهد بود.
Perceptron

اسلاید 13 :

خروحی پرسپترون توسط رابطه زیر مشخص میشود:


که برای سادگی آنرا میتوان بصورت زیر نشان داد:
یادگیری یک پرسپترون
O(x1,x2,…,xn) =
1 if w0 + w1x1 + w2x2 + … + wnxn > 0
-1 otherwise
O(X) = sgn(WX) where

Sgn(y) =
1 if y > 0
-1 otherwise
یادگیری پرسپترون عبارت است از:
پیدا کردن مقادیردرستی برای W
بنابراین فضای فرضیه H در یادگیری پرسپترون عبارت است ازمجموعه تمام مقادیر حقیقی ممکن برای بردارهای وزن.

اسلاید 14 :

Perceptrons
Input units
Input to unit
Input to unit
measured
value of variable
Output of unit
= f(aj)
Output
units
Neural Networks

اسلاید 15 :

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.
توانائی پرسپترون
Decision boundary (WX = 0)

اسلاید 16 :

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

در واقع هر تابع بولی را میتوان با شبکه ای دوسطحی از پرسپترونها نشان داد.
توابع بولی و پرسپترون
AND:
X0=1
W0 = -0.8
W1=0.5
W2=0.5

اسلاید 17 :

توابع تحریک:

اسلاید 20 :

مدل چند ورودی