پاورپوینت ارتباط شبکه های عصبی با DSS  دارای 14 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

لایه های شبکه های عصبی

الگوریتم و معماری شبکه های عصبی مصنوعی

ضرورت کاربرد شبکه های عصبی در تصمیم گیری راهبردی

پشتیبانی شبکه های عصبی مصنوعی از فرآیند تصمیم گیری

کاربرد شبکه های عصبی مصنوعی در تصمیم گیری راهبردی

نتیجه گیری

مقدمه

برخی از تصمیم گیریهای مدیران ، تصمیم گیری در مورد آینده است و تصمیم گیری نسبت به آینده همیشه با عدم اطمینان همراه است و هیچ قطعیتی برای آینده نمی توان متصور بود .رفتارپدیده های طبیعی در دنیا غیر خطی است و سازمان نیز از این قاعده مستثنی نیست . از طرف دیگر ، تصمیم گیریهای راهبردی مدیران دارای ماهیت کمی و کیفی بوده و نیازمند پردازش اطلاعات کمی و دانش کیفی است .یکی از مهمترین روشهای کیفی که  می تواند در تحلیل مسائل کیفی سیستم ها ، تصمیم گیرندگان را مدد رساند، سیستم های هوش مصنوعی است .

هوش مصنوعی بر دو محور استوار است :

مطالعه ی فرآیند تفکر انسانها

نمایش این فرآیند ها توسط ماشین ها

تکنیک های هوش مصنوعی از یک طرف دارای ماهیت غیر خطی بوده ، زیرا به دنبال تقلید و الگو برداری از نمونه های طبیعی هستند و از طرف دیگر دارای ماهیت کیفی هستند . یک از تکنیک های هوش مصنوعی که در زمینه های تصمیم گیری مدیریت به کار گرفته می شود ، شبکه های عصبی مصنوعی است .

شبکه های عصبی

شبکه های عصبی مصنوعی ، پارادایم پردازش اطلاعات است که از روش نظامهای بیو لو ژیک نظیر مغز انسان الهام می گیرد.عنصر کلیدی این پارادایم ، ساختار نو نظام پرداز اطلاعات است .از تعداد زیادی عناصر پردازش مرتبط به آن (عصب ها ) تشکیل شده است که به طور هماهنگ برای حل مساله خاصی کار می کنند . شبکه های عصبی مصنوعی نظیر افراد از نمونه می آموزند . به طور خلاصه ویژگی های شبکه های عصبی مصنوعی به شرح زیر است :

تعداد متعدد عناصر پردازش شبیه عصب

تعداد متعدد ارتباطات وزن گذاری شده بین این عناصر

پردازش و توزیع موازی زیاد

ارایه دانش مبتنی بر پردازش موازی انبوه

توانایی تشخیص الگوهای مبتنی بر تجربه

تاکید بر نمایش های درونی یادگیری به طور خودکار

طبقه بندی الگوها

از طریق آموزش قابل برنامه ریزی بوده و بنابراین قابلیت یادگیری دارد

از روی مثال هایی که در مرحله آموزش به سیستم نشان داده می شود قابلیت تعمیم دارد .

عصب مصنوعی

اساسی ترین جز مغز انسان یک نوع سلول ویژه است که امکان تفکر ، به خاطر آوری و اعمال تجارب گذشته در کارها را میسر می سازد ، این سلولها به عصب معروف هستند . هر عصب طبیعی از 4 جز اصلی : دندریت ، سما ، آکسون و سیناپس تشکیل شده است .

لایه های شبکه عصبی مصنوعی :

شبکه عصبی تک لایه : این شبکه یک ساختار ساده است که از m عصب تشکیل و هر کدام n  ورودی دارد . این شبکه یک بازنمایی از فضای ورودی n  بعدی را برای فضای خروجی m بعدی انجام می دهد . این نوع لایه ها به طور وسیعی در مسائل خطی تفکیک پذیر به کار برده می شوند.

شبکه عصبی چند لایه : این شبکه ها مسئله طبقه بندی مجموعه های غیرخطی را به وسیله به کارگیری لایه های پنهان حل می کنند ، که عصب ها به طور مستقیم با خروجی مرتبط نیستند.

الگوریتم و معماری شبکه عصبی مصنوعی :

پرسپترون ساده : ساده ترین مدل شبکه عصبی ، با یک عصب واحد است.

الگوریتم پس انتشار : شبکه های قاعده دلتای پس انتشار از قانون دلتای واحد  تکامل یافته که لایه های اضافی مخفی ( لایه های اضافه بر لایه درون داد و برون داد که از خارج اتصالی ندارند ) به آن اضافه شدهه است ، شکل گرفته اند . اتصالات از لایه درون داد به اولین لایه مخفی و از اولین لایه مخفی به دومین لایه و ….. و درنهایت از آخرین لایه مخفی به لایه مخفی برون داد صورت می گیرند . این نوع شبکه ها برای ورودیهای قابل تشخیص غیر خطی مناسب هستند .

شبکه های پیشخور : این نوع شبکه ها فقط علایم را به یک روش از ورودی به خروجی حرکت می دهند . هیچ حلقهه بازخوردی وجود ندارد . یعنی خروجی هر لایه نمی تواند در همان لایه تاثیر بگذارد . این نوع شبکه ها به طور گسترده در تشخیص الگو به کار می روند .

شبکه های بازخور :

این نوع شبکه ها خیلی قدرتمند و در نهایت پیچیده و پویا هستند .

شبکه های خطی : شبکه های خطی یک تابع یکسان و یا خطی را به عنوان تابع انتقال به کار می گیرند .

نقشه های ویژگی کوهونن : شبکه های خود سازماندهی ، خودشان را با الگوهای ورودی جدید تنظیم می کنند

شبکه های هاپفیلد : شبکه های ارائه شده در قبل شبکه های غیر برگشتی هستند ، یعنی هیچ بازخوری از خروجی خای شبکه به ورودی شان وجود ندارد .

شبکه انتشار دو طرفه : شبکه انتشار دو طرفه در واقع ترکیبی از دو الگوریتمم نقشه خود سازماندهی “کوهونن ” و شبکه برون داد “گروسبرگ ” است . مزین عمده شبکه انتشار دو طرفه این است که شایستگی های هر دو الگوریتم را دارا می باشد

ضرورت کاربرد شبکه های عصبی مصنوعی در تصمیم گیری راهبردی :

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.