دانلود پاورپوینت آشنایی با انواع شبکه های عصبی مصنوعی

\n

شبکه های عصبی مصنوعی

\n

\n

عنوان های پاورپوینت  : 

\n

شبکه عصبی چیست؟

\n

شبکه  عصبی چه قابلیتهائی دارد؟

\n

الهام از طبیعت

\n

اضافه کردن بایاس

\n

قانون دلتا Delta Rule

\n

الگوریتم gradient descent

\n

بدست آوردن قانون gradient descent

\n

قانون دلتا Delta Rule

\n

محاسبه گرادیان

\n

خلاصه یادگیری قانون دلتا

\n

مشکلات روش gradient descent

\n

تقریب افزایشی gradient descent

\n

مقایسه آموزش یکجا و افزایشی

\n

شبکه های چند لایه

\n

یک سلول واحد

\n

تابع سیگموئید

\n

الگوریتم  Back propagation

\n

الگوریتم BP

\n

انتشار به سمت جلو

\n

انتشار به سمت عقب

\n

شرط خاتمه

\n

محنی یادگیری

\n

مرور الگوریتم BP

\n

افزودن ممنتم

\n

قدرت نمایش توابع

\n

فضای فرضیه و بایاس استقرا

\n

قدرت نمایش لایه پنهان

\n

نمودارخطا

\n

قدرت تعمیم و overfitting

\n

دلایل رخ دادن overfitting

\n

روشهای دیگر

\n

مثال: تشخیص ارقام

\n

روشی که وزنها یاد گرفته میشوند:

\n

شکل گیری وزنها:

\n

The learned weights

\n

شبکه چه چیزی را یاد میگیرد؟

\n

مثالی از تنوع ارقام دستنویس

\n

انواع اتصالات شبکه

\n

انواع مختلف یادگیری

\n

اعمال Backpropagation به تشخیص اشیا

\n\n

---

\n\nقسمت ها و تکه های اتفاقی از فایل\n\nالهام از طبیعت\n\nمطالعه 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.\n\nگمان میرود که مغز انسان از تعداد 10 11 نرون تشکیل شده باشد که هر نرون با تقریبا 104 نرون دیگر در ارتباط است.\n\nسرعت 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.\n\nیک پرسپترون میتواند بسیاری از توابع بولی را نمایش دهد نظیر AND, OR, NAND, NOR\n\nاما نمیتواند  XORرا نمایش دهد.\n\nدر واقع هر تابع بولی را میتوان با شبکه ای دوسطحی از پرسپترونها  نشان داد.\n\nاضافه کردن بایاس\n\nافزودن بایاس موجب میشود تا استفاده از شبکه پرسپترون با سهولت بیشتری انجام شود.\n\nبرای اینکه برای یادگیری بایاس نیازی به استفاده از قانون دیگری نداشته باشیم بایاس را بصورت یک ورودی با مقدار ثابت 1 در نظر گرفته و وزن W0 را به آن اختصاص میدهیم.\n\n \n\nچگونه وزنهای یک پرسپترون واحد را یاد بگیریم به نحوی که پرسپترون برای  مثالهای آموزشی مقادیر صحیح را ایجاد نماید؟\n\nدو راه مختلف :\n\nقانون پرسپترون\n\nقانون دلتا\n\nالگوریتم یادگیری پرسپترون\n\nمقادیری تصادفی به وزنها نسبت میدهیم\n\nپرسپترون را به تک تک  مثالهای آموزشی اعمال میکنیم.اگر مثال  غلط ارزیابی شود مقادیر وزنهای پرسپترون را تصحیح میکنیم.\n\nآیا تمامی  مثالهای آموزشی درست ارزیابی میشوند:\n\nبله  پایان الگوریتم\n\nخیربه مرحله 2 برمیگردیم\n\nبرای یک مثال آموزشیX = (x1, x2, …, xn)  در هر مرحله وزنها بر اساس قانون پرسپتون بصورت زیر تغییر میکند:\n\nwi  =  wi  +  Δwi\n\nکه در آن\n\nقانون دلتا Delta Rule\n\nوقتی که مثالها بصورت خطی جداپذیر نباشند قانون پرسپترون همگرا نخواهد شد. برای غلبه بر این مشکل از قانون دلتا استفاده میشود.\n\nایده 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.\n\nهمچنین این روش پایه ای برای  انواع الگوریتمهای یادگیری است که باید فضای فرضیه ای شامل فرضیه های مختلف  پیوسته  را جستجو کنند.\n\nقانون دلتا Delta Rule\n\nبرای 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:\n\nE = ½  Σi (ti – oi) 2\n\n \n\nکه این مجموع برای تمام مثالهای آموزشی انجام میشود.\n\nالگوریتم gradient descent\n\nبا 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.\n\nبدست آوردن قانون gradient descent\n\nایده اصلی: گرادیان  همواره در جهت افزایش شیب  E عمل میکند.\n\nگرادیان E نسبت به بردار وزن w  بصورت زیر تعریف میشود:\n\n \n\nE (W) = [ E’/w0, E’/w1, …, E’/wn]\n\nکه در آن  E (W) یک بردارو   E’مشتق جزئی نسبت به هر وزن میباشد.\n\n \n\nقانون دلتا Delta Rule\n\nبرای یک مثال آموزشیX = (x1, x2, …, xn)  در هر مرحله وزنها بر اساس قانون دلتا بصورت زیر تغییر میکند:\n\nwi  =  wi  +  Δwi\n\n \n\nWhere Δwi =  -η  E’(W)/wi\n\n \n\nη: learning rate (e.g., 0.1)\n\nعلامت منفی نشاندهنده حرکت در جهت کاهش شیب است.\n\nمحاسبه گرادیان\n\nبا مشتق گیری جزئی از رابطه خطا میتوان بسادگی گرادیان را محاسبه نمود:\n\nE’(W)/ wi = Σi (ti – Oi) (-xi)\n\nلذا  وزنها  طبق رابطه زیر تغییر خواهند نمود.\n\nΔwi = η Σi (ti – oi) xi\n\n \n\n \n\n30 تا 70 درصد پروژه | پاورپوینت | سمینار | طرح های کارآفرینی و  توجیهی |  پایان-نامه |  پی دی اف  مقاله ( کتاب ) | نقشه | پلان طراحی |  های آماده به صورت رایگان میباشد ( word | pdf | docx | doc )