پاورپوینت شبکه های عصبی مصنوعی دارای 87 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

مقدمه

شبکه عصبی چیست

یادگیری یک پرسپترون

قانون دلتا

محاسبه گرادیان

شبکه های چند لایه

تابع سیگموئید

انواع اتصالات شبکه

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  داده های آموزشی مصون بوده  و اینگونه شبکه ها با موفقیت به مسائلی نظیر شناسائی گفتار،  شناسائی و  تعبیر تصاویر،  و یادگیری روبات  اعمال شده است.

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.

شبکه  عصبی چه قابلیتهائی دارد؟

محاسبه یک تابع  معلوم

تقریب یک تابع ناشناخته

شناسائی الگو

پردازش  سیگنال

یادگیری

مسائل مناسب برای یادگیری شبکه های عصبی

خطا در داده های آموزشی وجود داشته باشد.

مثل مسائلی که داده های آموزشی دارای نویز حاصل از دادهای سنسورها نظیر دوربین و میکروفن ها هستند.

مواردی که نمونه ها توسط مقادیر زیادی زوج ویژگی-مقدار نشان داده شده باشند. نظیر داده های حاصل از یک دوربین ویدئوئی.

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.

نیازی به تعبیر تابع هدف نباشد. زیرا به سختی میتوان  وزنهای یادگرفته شده توسط شبکه را تعبیر نمود.

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.

آموزش پرسپترون

چگونه وزنهای یک پرسپترون واحد را یاد بگیریم به نحوی که پرسپترون برای  مثالهای آموزشی مقادیر صحیح را ایجاد نماید؟

دو راه مختلف :

قانون پرسپترون

قانون دلتا

الگوریتم یادگیری پرسپترون

مقادیری تصادفی به وزنها نسبت میدهیم

پرسپترون را به تک تک  مثالهای آموزشی اعمال میکنیم.اگر مثال  غلط ارزیابی شود مقادیر وزنهای پرسپترون را تصحیح میکنیم.

آیا تمامی  مثالهای آموزشی درست ارزیابی میشوند:

بله ß پایان الگوریتم

خیرßبه مرحله 2 برمیگردیم

قانون دلتا Delta Rule

وقتی که مثالها بصورت خطی جداپذیر نباشند قانون پرسپترون همگرا نخواهد شد. برای غلبه بر این مشکل از قانون دلتا استفاده میشود.

ایده اصلی این قانون استفاده از gradient descent برای جستجو در فضای فرضیه وزنهای ممکن میباشد. این قانون پایه روش Back propagation است که برای آموزش شبکه با چندین نرون به هم متصل بکار میرود.

همچنین این روش پایه ای برای  انواع الگوریتمهای یادگیری است که باید فضای فرضیه ای شامل فرضیه های مختلف  پیوسته  را جستجو کنند.

برای درک بهتر این روش آنرا به یک پرسپترون فاقد حد آستانه اعمال میکنیم.  در انجا لازم است ابتدا تعریفی برای  خطا ی آموزش ارائه شود. یک تعریف متداول این چنین است:

E = ½  Σ_i (t_i – o_i) ²

که این مجموع برای تمام مثالهای آموزشی انجام میشود.

الگوریتم gradient descent

با توجه به نحوه تعریف E  سطح خطا  بصورت یک سهمی خواهد بود. ما بدنبال وزنهائی هستیم که  حداقل خطا را داشته باشند . الگوریتم  gradient descent  در فضای وزنها بدنبال برداری میگردد که خطا را حداقل کند. این الگوریتم از یک مقدار دلخواه برای بردار وزن شروع کرده و در هر مرحله وزنها را طوری تغییر میدهد که  در جهت  شیب کاهشی منحنی فوق خطا کاهش داده شود.

بدست آوردن قانون gradient descent

ایده اصلی: گرادیان  همواره در جهت افزایش شیب  E عمل میکند.

گرادیان E نسبت به بردار وزن w  بصورت زیر تعریف میشود:

E (W) = [ E’/w0, E’/w1, …, E’/wn]

که در آن  E (W) یک بردارو   E’مشتق جزئی نسبت به هر وزن میباشد.

محاسبه گرادیان

با مشتق گیری جزئی از رابطه خطا میتوان بسادگی گرادیان را محاسبه نمود:

E’(W)/ w_i = Σ_i (t_i – O_i) (-x_i)

لذا  وزنها  طبق رابطه زیر تغییر خواهند نمود.

Δwi = η Σi (ti – oi) xi

خلاصه یادگیری قانون دلتا

الگوریتم یادگیری با استفاده از قانون دلتا بصورت زیر میباشد.

به وزنها مقدار تصادفی نسبت دهید

تا رسیدن به شرایط توقف مراحل زیر را ادامه دهید

هر وزن   w_i را با مقدار صفر عدد دهی اولیه کنید.

برای هر مثال: وزن   w_i  را بصورت زیر تغییر دهید:

w_i   =     w_i + η (t – o) x_i

مقدار w_i را بصورت زیر تغییر دهید:

w_i = w_i +     w_i

تا خطا  بسیار کوچک شود

مشکلات روش gradient descent

ممکن است همگرا شدن به یک مقدار مینیمم زمان زیادی لازم داشته باشد.

اگر در سطح خطا  چندین مینیمم محلی وجود داشته باشد تضمینی وجود ندارد که الگوریتم  مینیمم مطلق را پیدا بکند.

در ضمن این روش وقتی قابل استفاده است که:

فضای فرضیه دارای فرضیه های پارامتریک پیوسته باشد.

رابطه خطا قابل مشتق گیری باشد.

تقریب افزایشی gradient descent

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.