دانلود پاورپوینت آشنایی با شبکه عصبی و بررسی مدل سازی شبکه ی عصبیه

\n

شبکه عصبی

\n

\n

عنوان های پاورپوینت  : 

\n

\n

آشنایی با شبکه عصبی و بررسی مدل سازی شبکه ی عصبیه

\n

شبکه عصبی چیست؟ ( به طور کلی)

\n

ساختار شبکههای عصبی

\n

چرا از شبکه های عصبی استفاده می کنیم؟

\n

انواع شبکه عصبی

\n

مزایای شبکههای عصبی

\n

معایب شبکههای عصبی

\n

شبکه عصبی مصنوعی چیست؟

\n

آشنایی با شبکه های عصبی  زیستی

\n

کاربردهای شبکه های عصبی مصنوعی

\n

کاربردهای شبکه های عصبی :

\n

کاربردها:

\n

ساختار نرون:

\n

دندریت ها :

\n

بدنه سلول:

\n

اکسون :

\n

سیناپس :

\n

مبانی ANN ها

\n

ساختار مغز انسان

\n

شباهت مغز انسان با شبکه های عصبی:

\n

مغز چگونه کار میکند؟

\n

تقسیم بندی شبکههای عصبی بر مبنای آموزش

\n

توپولوژی شبکه

\n

شبکه های عصبی چند لایه یا MLP

\n

کار با هر شبکه عصبی شامل سه مرحله می باشد:

\n

نرم افزارهای شبکه های عصبی

\n

مقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبی

\n

تجزیه و تحلیل داده ها توسط ANN ها

\n

ایده ی اصلی عملکرد شبکه های عصبی مصنوعی

\n

جمع بندی:

\n

\n \n\n \n\n

---

\n\nقسمت ها و تکه های اتفاقی از فایل\n\n \n\nمغز چگونه کار میکند؟\n\nهر نرون از نرونهای دیگری ورودی دریافت میکند برخی نرونها به سلولهای گیرنده متصل هستند.\n\nنرونها با ارسال سیگنالهای الکتریکی با یکدیگر ارتباط برقرار میکنند.\n\nاثر هر ورودی به وزن ارتباط سیناپسی بستگی دارد.\n\nاین وزنها به صورت افقی تغییر می یابند تا کل شبکه محاسبات را بدرستی انجام دهند.\n\nمغز چگونه کار میکند؟\n\nهر بخش از قشر مغز وظیفه ای خاص دارد.\n\n-آسیب به هر بخش از مغز یک انسان بالغ باعث تاثیرات خاصی میشود.\n\n-در صورت انجام فعالیتهای خاص جریان خون در بخشی از بخشها افزایش می یابد.\n\nبخشهای مختلف قشر مغز بسیار شبیه به هم هستند.\n\n-در صورتیکه بخشی از آن آسیب ببیند بخش دیگر میتواند عهده دار وظایف آن بخش شود در واقع به نظر میرسد همه ی بخشها از یک شیوه ی یادگیری استفاده می کنند.\n\nتقسیم بندی شبکههای عصبی بر مبنای آموزش\n\nوزن ثابت: آموزشی در کار نیست و مقادیر وزن‌ها به هنگام نمی‌شود. کاربرد: بهینه سازی اطلاعات (کاهش حجم، تفکیک پذیری و فشرده سازی) و حافظههای تناظری\n\nآموزش بدون سرپرست: وزن‌ها فقط بر اساس ورودی‌ها اصلاح می‌شوند و خروجی مطلوب وجود ندارد تا با مقایسه خروجی شبکه با آن و تعیین مقدار خطا وزن‌ها اصلاح شود. وزن‌ها فقط بر اساس اطلاعات الگوهای ورودی به هنگام می‌شوند.\n\nآموزش با سرپرست: به ازای هر دسته از الگوهای ورودی خروجی‌های متناظر نیز به شبکه نشان داده می‌شود و تغییر وزن‌ها تا موقعی صورت می‌گیرد که اختلاف خروجی شبکه به ازای الگوهای آموزشی از خروجی‌های مطلوب در حد خطای قابل قبولی باشد. چنین شبکهای به طور گسترده برای کارهای تشخیص الگو به کار گرفته می‌شود.\n\nآموزش تقویتی: کیفیت عملکرد سامانه به صورت گام به گام نسبت به زمان بهبود می‌یابد. الگوهای آموزشی وجود ندارد اما با استفاده از سیگنالی به نام نقاد بیانی از خوب و یا بد بودن رفتار سامانه بدست می‌آید (حالتی بین یادگیری با سرپرست و بدون سرپرست).\n\nتوپولوژی شبکه\n\nوضعیت نسبی سلولها در شبکه(تعداد و گروه بندی و نوع اتصالات آنها)را توپولوژی شبکه گویند.توپولوژی در واقع سیستم اتصال سخت افزار نورونها به یکدیگر است که توام با نرم افزار مربوطه  (یعنی روش ریاضی جریان اطلاعات و محاسبه ی وزنها)نوع عملکرد شبکه ی عصبی را تعیین می کند.\n\nدر این توپولوژی یک لایه ی ورودی وجود دارد که اطلاعات را دریافت می کند،تعدادی لایه ی مخفی وجود دارد که اطلاعات را از لایه های قبلی می گیرند و در نهایت یک لایه ی خروجی  وجود دارد که نتیجه ی محاسبات به آنجا میرود و جوابها در آن قرار میگیرند.\n\nشبکه های عصبی چند لایه یا MLP\n\nکار با هر شبکه عصبی شامل سه مرحله می باشد: آموزش، تعمیم و اجرا.\n\n1.در مرحله آموزش، شبکه الگوهای موجود در داده های ورودی را یاد می گیرد. هر شبکه عصبی برای یادگیری از قانون خاص استفاده می کند.\n\n2. تعمیم، قدرت شبکه عصبی در ایجاد پاسخ های قابل قبول برای ورودی هایی است که عضو مجموعه آموزشی نبوده اند.\n\n3. در مرحله اجرا نیز شبکه عصبی برای عملکردی که به آن منظور طراحی گردیده است، استفاده می شود.\n\nالگو های داده های ورودی\n\nنرم افزارهای شبکه های عصبی\n\nنرم افزارهایی برای شبیه سازی ،مطالعه و تحقیق سیستمهای عصبی زیستی و گسترش شبکه های عصبی مصنوعی وAdaptive system ها .\n\nشبیه سازها: نرم افزارهایی برای شبیه سازی رفتار شبکه های عصبی زیستی و مصنوعی که به صورت مستقل عمل می کنند و قادرند فرآیند آموزش شبکه ی عصبی را به شکل تصویری نمایش دهند.\n\nشبیه سازهای تحقیقاتی :برای مطالعه ی الگوریتم ها و ساختارهای شبکه ی عصبی که به فهم بهتر رفتارها و خصوصیات شبکه ی عصبی کمک می کنند.(مطالعه ی ویژگی های شیمیایی و زیستی بافتهای عصبی و پالس های الکترومغناطیسی بین نورونها).\n\nرایجترین شبیه سازهای ANN ها :\n\nSNNS(stuttgart neural network simulator),PDP++(parallel distribution processing),JavaNNS\n\nرایجترین شبیه سازهای شبکه های زیستی:\n\nXNBC,BNN ToolBox\n\nنرم افزارهای شبکه های عصبی\n\nشبیه سازهای آنالیز داده :علی رغم دسته ی اول ،کاربردهای عملی شبکه های عصبی را مطالعه می کنند.استفا ده از آنها نسبتا ساده است در عوض تواناییهاشان محدود است . بر روی Data miningوپیش بینی ها کار می کنند.\n\nبعضی از آنها عبارتند از:\n\nMicrosoft Excel,Matlab\n\nDevelopment Environment ها:برای گسترش  و آرایش شبکه های عصبی به کار می روند.\n\nرایج ترین نرم افزارهای این دسته عبارتند از:\n\nMathWorks NN ToolBox,GBlearn2\n\nمقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبی\n\nمدل سازی کلاسیک:\n\nاین مدل از نخستین قدم خطای بزرگی مرتکب می شود که فقط در سیستمهای ساده (خطی یا نزدیک به خطی )قابل صرفنظر است و آن محاسبه ی شاخصهای تمایل به مرکز و پراکندگی است که به این ترتیب راهمیت فردی تک تک داده ها از بین می رود و در نتیجه سیستم قادر به کشف پیچیدگی ها نخواهد بود.\n\nمدل سازی شبکه ی عصبی :\n\nدر این مدل هر یک از کانالهای ورودی دارای یک ضریب عددی هستند که وزن سیناپسی نامیده می شود.شدت تحریک الکتریکی در این ضریب ضرب می شود و به جسم سلولی می رسد.\n\nاگر مجموع تحریکات وارد به جسم سلولی به حد آستانه ی خاصی رسیده باشد،نورون شلیک می کند و در مسیرهای خروجی جریان الکتریکی ثابتی را ایجاد می کند.تحریکات لایه ی ورودی به یک یا چند لایه ی واسط می رود .ادامه ی جریان تحریکات در این لایه ها طوری هدایت میشود  که پیچیدگیهای تاثیرات جریان ورودی را شبیه سازی می کند .سپس تحریکات به لایه ی خروجی می روند که هدف نهایی ماست.\n\nمدل سازی شبکه ی عصبی(ادامه...)\n\nاگر هدف پیشگویی کمی باشد ،مجموع تحریکات آخرین عصب خروجی ،آن عدد خواهد بود.\n\nاگر هدف طبقه بندی باشد ،فعالیت یا عدم فعالیت (on یا off بودن)نورونهای لایه ی آخر نمایانگر این امر خواهد بود .مثلا شلیک نورون خروجی(فعال بودن آن)نشانگر حضور بیماری و خاموش بودن آن نشانه ی سلامتی است.\n\nسیستم شبکه ی عصبی در فرآیند یادگیری طوری وزنهای سیناپسی را تغییر می دهد که بتواند با هر سری تحریکات ورودی (یعنی داده های هر نمونه)جریان خروجی مناسب(پاسخ R)را تولید کند.\n\nچگونگی ریاضی این تغییر وزنها ظریفترین بخش مکانیسم عملکرد شبکه است.\n\nتجزیه و تحلیل داده ها توسط ANN ها\n\nشبکه ی عصبی مدتی ”فکر“ می کند،داده های موجود را ”تجزیه و تحلیل“ می کند،روابط پیچیده ی بین پارامترها را ”کشف“ کرده و جوابی با دقت قابل قبول ارائه می دهد.در اینجا هیچ خبری از تستهای پیچیده ی آماری نیست.\n\nایده ی اصلی عملکرد شبکه های عصبی مصنوعی\n\nهر گره دارای دو وضعیت فعال و غیرفعال است(صفر یا یک) و هر یال نیز دارای یک وزن می‌باشد یال‌های با وزن مثبت بین دو گره تا گره فعال دیگری را تحریک می‌کنند و یال‌های با وزن منفی بین دو گره، گره فعال دیگری را غیر فعال می‌سازند.\n\nنحوه عملکرد شبکه بدین صورت است که ابتدا یک گره به تصادف انتخاب می‌شود. اگر یک یا بیشتر از همسایههای آن گره فعال بودند جمع وزن‌دار یال‌های منتهی به آن گرهها حساب می‌شود. اگر این جمع مثبت بود گره فعال می‌شود و در غیر این صورت گره مذکور غیرفعال باقی خواهد ماند. سپس مجددا یک گره دیگر به تصادف انتخاب شده و همین عملیات آنقدر تکرار می‌شود تا شبکه به یک حالت پایدار برسد.\n\nتز اصلی هاپفیلد : از هر حالت ابتدایی و با هر وزنی از یال‌ها که شروع کنیم، شبکه در نهایت به حالت پایدار خواهد رسید.\n\nجمع بندی:\n\nشبکه های عصبی ابزاری نیرومند و انعطاف پذیر برای داده کاوی می باشند. شبکه های عصبی، سودمندی خود را در بسیاری از صنایع و کاربرد ها به اثبات رسانده اند و در حوزه های پیچیده ای نتیجه بخش بوده اند، حوزه هایی نظیر تحلیل سری های زمانی و تشخیص تقلب که سایر تکنیک ها نمی توانند به سادگی به حل مسائل موجود در آنها بپردازند. بزرگترین شبکه عصبی که تا به حال مورد استفاده قرار گرفته است، احتمالاً سیستمی می باشد که AT&T برای خواندن اعداد روی چک ابداع کرده است. این شبکه عصبی، صدها هزار واحد ساختاری دارد که در هفت لایه سازمان یافته اند.\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 )