پاورپوینت شبکه های عصبی مصنوعی دارای 40 اسلاید می باشد . جهت دانلود فایل پاورپوینت بر روی گزینه خرید انتهای متن کلیک نموده و پس از وارد نمودن آدرس ایمیل و کلیک بر روی گزینه خرید به درگاه بانک متصل شده و از کلیه کارت های بانکی عضو شتاب قادر به پرداخت و تهیه آن می باشید. بلافاصله پس از پرداخت لینک دانلود فایل پاورپوینت در اختیارتان قرار می گیرد و می توانید آن را دانلود نمایید . ضمناً همان لحظه لینک دانلود فایل نیز به آدرس ایمیل  شما ارسال می گردد.

همچنین در صورت تهیه فایل پاورپوینت مربوطه و مناسب نبودن فایل با اعلام شماره کارت بانکی و آدرس ایمیلی که در سایت ثبت نموده اید مبلغ پرداختی حداکثر ۲۴ ساعت بعد برگشت داده می شود.

بزرگوارانی که به صورت انلاین قادر به تهیه فایل پاورپوینت نمی باشند می توانند عنوان فایل پاورپوینت درخواستی را  به همراه آدرس ایمیل و شماره همراه خود را به ایمیل bankmaghalehir@gmail.com ارسال نمایند تا فایل پاورپوینت از طریق ایمیل یا تلگرام برای آنها ارسال گردد و پس از آن هزینه را کارت به کارت به حساب ما واریز نمایند.

فهرست مطالب

تاریخچه

شبکه عصبی چیست؟

کاربرد‌هاي داده کاوي – آناليز بازار

الهام از طبیعت

مراحل ساختن یک مدل

تابع فعالسازی

تابع تبدیل

قانون دلتای تعمیم یافته

الگوریتم  Gradient Descent

مشکلات روش Gradient Descent

انتخاب مجموعه آموزشی

پوشش دهی مقادیر برای تمامی مشخصه ها

تعداد مشخصه ها واندازه مجموعه آموزشی

تعداد خروجی ها

آماده سازی داده ها

مشخصه هایی با مقادیر پیوسته

مشخصه هایی با مقادیر مرتب، گسسته (صحیح)

مشخصه هایی با مقادیر دسته ای

کار با مشخصه هایی با مقادیر دسته ای

تفسیر نتایج

شبکه های عصبی و سری های زمانی

چگونه بفهمیم درون یک شبکه عصبی چه می گذرد؟

تطبیق های خودسازمانده

جمع بندی

تاریخچه :

بررسی عملکرد نورون های بیولوژیک قبل از اختراع کامپیوترهای دیجیتال( دهه های 1930و1940 )

وارن مک کالچ ( متخصص اعصاب ) و والتر پیتس ( منطق دان )مدل ساده عملکرد نورون های بیولوژیک را تحت مقاله ای بنام محاسبات منطقی در فعالیت عصبی منتشر کردند. (1943 )

3-پس از اختراع کامپیوترهای دیجیتال در دهه 1950 دانشمندان علوم پایه براساس فعالیتهای مک کالچ و پیتس مدلهایی بنام پرسپترون( Perceptron  ) ایجاد کردند.( تعادل چوب قائم روی سطح متحرک)

4-بعلت ضعیف بودن کامپیوترها و نقایص نظری موفقیت محدودی در شبکه های اولیه بدست آمد.( سال 1968 دو پروفسور بنام های سایمون پاپرت و مارین مینسکی)

5- جان هاپفیلد از موسسه تکنولوژی کالیفرنیا روش پس انتشار خطا را ابداع کرد که فاقد نقایص و خطاهای اولیه بود.(1982 ) و از سطح آزمایشگاهی به سمت فعالیتهای عملی و تجاری حرکت کرد.

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 می دهند.

قدرتمند ترین شبکه های عصبی ، شبکه های عصبی بیولوژیک می باشند مغز انسان به او این امکان را می دهد که از تجارب خود استفاده کرده و آنها را تعمیم دهد. شبکه ها از ارتباطات عصبی موجود در مغز انسان الهام گرفته و آنها را روی کامپیوتر های دیجیتال پیاده سازی می کنند. در واقع از مغز و نحوه کار آن بمنظور ساخت کامپیوتر الگوبرداری می نماید.

الهام از طبیعت

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.

Perceptron

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.

عوامل رواج استفاده از شبکه های عصبی در دهه 1980 :

قدرت محاسباتی کافی در اختیار متخصصین قرار گرفت.

تحلیل گران با پی بردن به ارتباط بین شبکه های عصبی و روش های آماری ، درک بهتری نسبت به این شبکه ها پیدا کرده بودند.

خودکار شدن سیستم های عملیاتی که منجر به تولید داداه های مرتبط شده بود.

دانشمندان به کاربردهایی با اولویت بالاتری نسبت به هوش مصنوعی دست یافته بودند. در واقع یک رویکرد جدی در ارتباط با تولید ابزار و امکانات کلربردی ایجاد شد.

کاربرد شبکه های عصبی در مسئله ارزیابی ملک:

بمنظور ارزیابی خوب و سازگار و محاسبه ارزش بازار  ، فردی مک ، اتحادیه شرکتهای رهن وام خانه ، محصولی بنام Loan Prospector تهیه کردکه این ارزیابی را بصورت خودکار برای تمام خانه های سرتاسر ایالات متحده انجام می داد. این شبکه عصبی از یک ارزیاب تقلید می کند که ارزش بازار ملک را براساس ویژگیهای ملک محاسبه می کند. منطقه – اتاق خواب اضافه – پارکینگ بزرگتر – سبک معماری – مساحت و فضای آزاد و …

یک مسئله خوب جهت پیش بینی و تخمین مناسب دارای سه ویژگی می باشد :

ورودیهای قابل درک

خروجی قابل درک

وجود تجربه کافی و در دسترس

مراحل ساختن یک مدل :

تشخیص مشخصه های ورودی و خروجی

تبدیل ورودی و خروجی ها در یک بازه کوچک (1- تا 1 )

ایجاد شبکه با یک ساختار مناسب

آموزش شبکه با مجموعه داده های آموزشی

اعتبار سنجی

ارزیابی شبکه با آزمون جهت بررسی کیفیت

بکارگیری مدل در شبکه جهت پیش بینی متناظر با ورودیهای نامعلوم

یکی از خطراتی که در استفاده از تمامی مدلهای پیش بینی و دسته بندی وجود دارد کاهش کارایی مدل در طی زمان می باشد.در مثال ارزیابی ملک ، یادگیری شبکه عصبی در ارتباط با الگوهای تاریخی و قدیمی صورت گرفته است هیچ تضمینی وجود ندارد که شرایط فعلی بازار مشابه به شرایط یک هفته پیش ، یک ماه پیش یا 6 ماه گذشته باشد خیلی از خرید و فروشها و اتفاقات ملک در مجموعه آموزشی وجود ندارد. مشکل به روز نگهداشتن مدل شبکه عصبی با توجه به دو عامل تشدید می شود:

مدل ، عملکرد خود را با تولید قانون نمایش نمی دهد.بنابراین شاید معلوم نشود چه زمانی کارایی خود را از دست داده است.

کاهش کارایی شبکه های عصبی بتدریج و بدون بروز علایم خاصی رخ می دهد. و بروز نمودن آن معلوم نمی باشد.

راه حلها :

همان شبکه عصبی را به مرحله آموزش برگردانیم و مقادیر جدید بدهیم (هنگامی که نیاز به تغییرات کم باشد )

نمونه های جدید به مجموعه آموزشی بدهیم  شاید مثالهای قدیمی تر را حذف کنیم . ( هنگامی که شرایط بازار بشدت تغییر کرده باشد )

نکته مهم :

عملکرد خوب یک شبکه عصبی ، وابسته به خوبی مجموعه آموزشی بکار رفته در ایجاد آن است.

تابع فعالسازی ( Activation Function ):

واحد ساختاری ، ورودیهایش را با هم ترکیب می کند و یک مقدار را بدست می آورد . این مقدار بعدا برای تولید خروجی دچار تغییر می شود این مراحل را تابع فعالسازی می نامند.

تابع فعالسازی از دو قسمت تشکیل شده است:

تابع ترکیب

تابع تبدیل

تابع ترکیب :

تمام ورودیها را باهم ترکیب کرده و یک مقدار را تولید می کند.هر ورودی وزن مخصوص به خودش را دارد معمولترین تابع ، تابع وزنی می باشد که هر ورودی در وزنش ضرب شده و حاصلضرب ها با یکدیگر جمع می شوند .تعدادی از توابع عبارتند از:بیشینه ورودی های وزن دار ، تابع مینیمم ، و عملگرد منطقی AND یا OR که روی مقادیر اعمال می شوند.

تابع تبدیل :

مقدار به دست آمده از طریق تابع ترکیب را به خروجی واحد ساختاری تبدیل می کند.

تابع های تبدیل رایج : تابع های خطی ، سیگموئید( لجستیک) ، تانژانت هیپربولیک

توابع خطی : تابع خطی کمترین اولویت را دارد یک شبکه عصبی پیش خور که تنها از واحدهای ساختاری با تابع تبدیل خطی و تابع ترکیب مجموع وزنی تشکیل شده باشد تنها همان کار رگرسیون خطی را انجام می دهد.

توابع سیگموئید :

توابعی بشکل شبیه به S که دوتا از معمولترین آنها در شبکه های عصبی ، تابع لجستیک و تانژانت هیپربولیک می باشد تفاوت اصلی این دو تابع در دامنه خروجی می باشد که در تابع لجستیک بین صفر و 1 و در تابع تانژانت هیپربولیک بین 1- و 1 می باشد.

لایه پنهان:  (Hidden Layer)

ورودی ها و خروجی شبکه به این لایه متصل نمی باشد.معمولا هر واحد ساختاری موجود در لایه پنهان به تمامی واحدهای ساختاری موجود در لایه ورودی متصل است یک شبکه عصبی می تواند هر تعدادی از لایه های پنهان را داشته باشد ولی بطور معمول یک لایه پنهان کفایت می کند.

اریبی یا بایاس:

هر یک از واحدهای ساختاری دارای یک ورودی اضافی است این ورودی ثابت است و اریبی یا بایاس نامیده می شود. و همیشه دارای مقدار 1 است این ورودی مانند سایر ورودیها دارای وزن بوده ونیز در تابع ترکیب بحساب آورده می شود. اریبی یا بایاس مانند یک وزنه متعادل کننده عمل کرده و به فهم بهتر الگوها توسط شبکه کمک می کند.

لایه خروجی( Output Layer ):

آخرین جزء لایه خروجی است زیرا به خروجی شبکه عصبی متصل است این لایه به تمامی واحدهای ساختاری لایه پنهان متصل است معمولا یک لایه خروجی وجود دارد اما ممکن است بیش از یک واحد ساختاری در لایه خروجی قرار گرفته باشد.

پس انتشار خطا :

این روش اولین روشی است که برای آموزش شبکه های پیش خور بکاربرده شد.این روش از سه مرحله اصلی تشکیل شده است:

شبکه یک نمونه آموزشی را با استفاده از وزن های موجود در شبکه خروجی(ها) را محاسبه می کند.

محاسبه اختلاف بین نتیجه محاسبه شده با نتیجه مورد انتظار( خطا)

تنظیم اوزان شبکه برای بحد اقل رساندن خطا

قانون دلتای تعمیم یافته

پاورپوینت مربوطه به صورت فایل دنلودی می باشند و شما به محض پرداخت آنلاین مبلغ همان لحظه قادر به دریافت فایل خواهید بود. این عملیات کاملاً خودکار بوده و توسط سیستم انجام می پذیرد.

 جهت پرداخت مبلغ شما به درگاه پرداخت یکی از بانک ها منتقل خواهید شد، برای پرداخت آنلاین از درگاه بانک این بانک ها، حتماً نیاز نیست که شما شماره کارت همان بانک را داشته باشید و بلکه شما میتوانید از طریق همه کارت های عضو شبکه بانکی، مبلغ  را پرداخت نمایید.