پاورپوینت شبکه های عصبی مصنوعی

نوع فایل: پاورپوینت ()

 قسمتی از متن پاورپوینت:

تعداد اسلاید: 43 صفحه

1 شبکه‌های عصبی مصنوعی
  بنام دانای توانا
2 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.  3 شبکه عصبی چیست؟ 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.
  4 شبکه عصبی چه قابلیتهایی دارد؟ محاسبه یک تابع معلوم
تقریب یک تابع ناشناخته
شناسایی الگو
پردازش سیگنال
یادگیری انجام موارد فوق  5 الهام از طبیعت 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.  6 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.
مسایل مناسب برای یادگیری شبکه‌های عصبی  7 x1 x2 xn {1 or –1} X0=1 w0 w1 w2 wn Σ 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. Perceptron  8 خروجی پرسپترون توسط رابطه زیر مشخص می‌شود:
که برای سادگی آنرا می‌توان به صورت 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 مقادیر درستی برای W
بنابراین فضای فرضیه H در یادگیری پرسپترون عبارت است ازمجموعه تمام مقادیر حقیقی ممکن برای بردارهای وزن.  9 پرسپترون را می‌توان به صورت یک سطح تصمیم hyper plane در فضای nبعدی نمونه‌ها در نظر گرفت.پرسپترون برای نمونه‌های یک طرف صفحه مقدار 1 و برای مقادیر طرف دیگر مقدار -1 بوجود می‌آورد.
توانایی پرسپترون + + + - - - Decision boundary (WX = 0)  10 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 plane قابل جداسازی می‌باشند. توابعی که پرسپترون قادر به یادگیری آنها می‌باشد + + + - - - + + + - - - Linearly separable Non-linearly separable  11 یک پرسپترون می‌تواند بسیاری از توابع بولی را نمایش دهد نظیر...

توجه: متن بالا فقط قسمت کوچکی از محتوای فایل پاورپوینت بوده و بدون ظاهر گرافیکی می باشد و پس از دانلود، فایل کامل آنرا با تمامی اسلایدهای آن دریافت می کنید.