خانه محصولات حساب کاربری ثبت نام

342000 پاورپوینت

130560 کاربر

2369700 دانلود فایل

ساخت پاوپوینت با هوش مصنوعی

کم تر از 5 دقیقه با هوش مصنوعی کافه پاورپوینت ، پاورپوینت بسازید

برای شروع ساخت پاورپوینت کلیک کنید

شما در این مسیر هستید :خانه / محصولات / Powerpoint / دانلود پاورپوینت کامل شبکه های عصبی مصنوعی وروان عصبی(کد2755)

سفارش انجام پاورپوینت - بهترین کیفیت - کم ترین هزینه - تحویل در چند ساعت 09164470871 ای دی e2proir

دانلود پاورپوینت کامل شبکه های عصبی مصنوعی وروان عصبی(کد2755)

شناسه محصول و کد فایل : 2755

نوع فایل : Powerpoint پاورپوینت

قابل ویرایش تمامی اسلاید ها دارای اسلاید مستر برای ویرایش سریع و راحت تر

امکان باز کردن فایل در موبایل - لپ تاپ - کامپیوتر و ...

با یک خرید میتوانید بین 342000 پاورپینت ، 25 پاورپوینت را به مدت 7 روز دانلود کنید

هزینه فایل : ~~105000~~ : 54000 تومان

تماس با پشتیبانی 09164470871

فایل های مشابه شاید از این ها هم خوشتان بیاید !!!!

دانلود مقاله بررسی و تاثیر شبکه های ماهواره ای برعمکرد نوجوانان (کد2775)

دانلود مقاله بررسی میزان استفاده از اینترنت در بین دانشجویان عوامل موثر برآن (کد2774)

دانلود پاورپوینت کامل مصالح بتن ، نحوه ساخت و انواع آن (کد2769)

دانلود پاورپوینت کامل انواع پژوهش(کد2768)

دانلود پاورپوینت کامل آپنه شیر خوارگی(کد2767)

دانلود پاورپوینت کامل نمونه موردی کتابخانه وطراحی آن (کد2766)

دانلود پاورپوینت کامل اورژانس های روان پزشکی ومديريت بيماران پرخاشگر(کد2765)

دانلود پاورپوینت کامل اصول طراحی محصول و فروش عالی(کد2764)

دانلود پاورپوینت کامل ساختار کاروانسراها (کد2763)

دانلود پاورپوینت کامل تجارت وبنچ مارکینگ (کد2762)

دانلود پاورپوینت کامل دعای ورود به ماه مبارک رمضان(کد2761)

دانلود پاورپوینت کامل سیر تکامل برنامه ریزی وبرنامه ریزی اصولی (کد2760)

دانلود پاورپوینت کامل انواع تصمیم گیری وارتباط آن باسطوح مدیریت (کد2759)

دانلود پاورپوینت کامل کارآفرينی وبهره وری (کد2758)

دانلود پاورپوینت کامل معیارهای ارزیابی وب سایت های دولت الکترونیک (کد2757)

دانلود پاورپوینت کامل حسابداری ودایع(کد2756)

دانلود پاورپوینت کامل چگونه فرزندانمان اهل نماز شوند؟(کد2754)

دانلود پاورپوینت کامل برنامه ریزی ملی و منطقه ای وبرنامه ریزی کالبدی – فضایی در آلمان» (کد2752)

دانلود پاورپوینت کامل انواع فرآیند های تصویه فاضلاب و روشهای تصفیه بیولوژیکی فاضلاب (کد2749)

دانلود پاورپوینت کامل درس سازماندهی و تشکیلات (کد2746)

دانلود پاورپوینت کامل اهمیت حوادث ناشی از کار و اقدامات کنترلی برای پیشگیری از وقوع حوادث (کد2743)

دانلود پاورپوینت کامل به دنبال محیطی بهتر برای زندگی (کد2729)

دانلود پاورپوینت کامل کاربرد های ودستاوردهای انرژی هسته ای بانضمام برق هسته ای گزینه ای اجتناب ناپذیر (کد2728)

دانلود پاورپوینت کامل انواع اتصالات پیچ و مهره (کد2727)

دانلود پاورپوینت کامل شیوه های بررسی سلامت جنین وعوامل موثر برحرکات جنین(کد2726)

دانلود پاورپوینت کامل برنامه ریزی ومدیریت کشورومدیریت استراتژیک (کد2725)

دانلود پاورپوینت کامل گسترش عملکرد کیفیت مراحل انجام یک پروژه QFD (کد2724)

دانلود پاورپوینت کامل برنامه اجرايي کار پيمانکاران برآورد هزينه نواع فهرست بها واگذاري کار (کد2723)

دانلود مقاله برسی میزان افسردگی در دختران ورزشکار با دختران غیر ورزشکار (کد2722)

دانلود مقاله بررسی رضایت زنانشویی خانواده های زنان شاغل و خانه دار (کد2721)

دانلود پایان نامه بررسی رابطه بین رضایت زناشویی والدین و پرخاشگری کودکان (کد2720)

دانلود پایان نامه بررسی رابطه بررسی جهت گیری مذهبی با شادکامی داوطلبان دختر و پسر (کد2719)

توضیحات محصول دانلود پاورپوینت کامل شبکه های عصبی مصنوعی وروان عصبی(کد2755)

دانلود پاورپوینت کامل شبکه های عصبی مصنوعی وروان عصبی

عنوان های پاورپوینت :

شبکه عصبی چیست؟

شبکه عصبی چه قابلیتهائی دارد؟

پرسپترون برای مثالهای آموزشی مقادیر صحیح را ایجاد نماید؟

دو راه مختلف :

قانون پرسپترون

قانون دلتا

مرور الگوریتم BP

استفاده ازشبکه های مختلف با مقادیر متفاوتی برای وزنهای اولیه

قدرت نمایش توابع

روشهای دیگر

The learned weights

شبکه چه چیزی را یاد میگیرد؟

انواع اتصالات شبکه

انواع مختلف یادگیری

چگونه میتوان فهمید که این مدل صحیح است؟

اعمال Backpropagation به تشخیص اشیا

\n \n\n

\n\n

قسمت ها و تکه های اتفاقی از فایل

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

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.

یک پرسپترون میتواند بسیاری از توابع بولی را نمایش دهد نظیر AND, OR, NAND, NOR

اما نمیتواند XORرا نمایش دهد

در واقع هر تابع بولی را میتوان با شبکه ای دوسطحی از پرسپترونها نشان داد.

اضافه کردن بایاس

افزودن بایاس موجب میشود تا استفاده از شبکه پرسپترون با سهولت بیشتری انجام شود.

برای 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.

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

 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

میتوان بجای تغییر وزنها پس از مشاهده همه مثالها، آنها را بازا هر مثال مشاهده شده تغییر داد. در این حالت وزنها بصورت افزایشی incremental تغییر میکنند. این روش را stochastic gradient descent نیزمینامند.

wi = η (t-o) xi

در بعضی موارد تغییر افزایشی وزنها میتواند از بروز مینیمم محلی جلوگیری کند. روش استاندارد نیاز به محاسبات بیشتری دارد درعوض میتواند طول step بزرگتری هم داشته باشد.

مقایسه آموزش یکجا و افزایشی

شبکه های چند لایه

مثال

یک سلول واحد

تابع سیگموئید

الگوریتم Back propagation

برای یادگیری وزن های یک شبکه چند لایه از روش Back Propagation استفاده میشود. در این روش با استفاده از gradient descent سعی میشود تا مربع خطای بین خروجی های شبکه و تابع هدف مینیمم شود.

خطا بصورت زیر تعریف میشود:

الگوریتم Back propagation

فضای فرضیه مورد جستجو در این روش عبارت است از فضای بزرگی که توسط همه مقادیر ممکن برای وزنها تعریف میشود. روش gradient descent سعی میکند تا با مینیمم کردن خطا به فرضیه مناسبی دست پیدا کند. اما تضمینی برای اینکه این الگوریتم به مینیمم مطلق برسد وجود ندارد.

معمولا الگوریتم BP پیش از خاتمه هزاران بار با استفاده همان داده های آموزشی تکرار میگردد شروط مختلفی را میتوان برای خاتمه الگوریتم بکار برد:

توقف بعد از تکرار به دفعات معین

توقف وقتی که خطا از یک مقدار تعیین شده کمتر شود

توقف وقتی که خطا در مثالهای مجموعه تائید از قاعده خاصی پیروی نماید

اگر دفعات تکرار کم باشد خطا خواهیم داشت و اگر زیاد باشد مسئله Overfitting رخ خواهد داد.

برای پرهیز از مینیمم محلی روشهای مختلفی وجود دارد:

افزودن ممنتم

استفاده از stochastic gradient descent

استفاده ازشبکه های مختلف با مقادیر متفاوتی برای وزنهای اولیه

افزودن ممنتم

میتوان قانون تغییر وزنها را طوری در نظر گرفت که تغییر وزن در تکرار n ام تا حدی به اندازه تغییروزن در تکرار قبلی بستگی داشته باشد.

ΔWji (n) = η δj Xji + αΔWji (n-1)

که در آن مقدارممنتم α بصورت 0 <= α <= 1 میباشد.

افزودن ممنتم باعث میشود تا با حرکت در مسیر قبلی در سطح خطا:

قدرت نمایش توابع

گرچه قدرت نمایش توابع به توسط یک شبکه feedforward بسته به عمق و گستردگی شبکه دارد، با این وجود موارد زیر را میتوان به صورت قوانین کلی بیان نمود:

توابع بولی: هر تابع بولی را میتوان توسط یک شبکه دو لایه پیاده سازی نمود.

توابع پیوسته: هر تابع پیوسته محدود را میتوان توسط یک شبکه دو لایه تقریب زد. تئوری مربوطه در مورد شبکه هائی که از تابع سیگموئید در لایه پنهان و لایه خطی در شبکه خروجی استفاده میکنند صادق است.

توابع دلخواه: هر تابع دلخواه را میتوان با یک شبکه سه لایه تا حد قابل قبولی تفریب زد.

فضای فرضیه و بایاس استقرا

فضای فرضیه مورد جستجو را میتوان بصورت یک فضای فرضیه اقلیدسی n بعدی از وزنهای شبکه در نظر گرفت )کهn تعداد وزنهاست(

یکی از خواص BP این است که میتواند در لایه های پنهان شبکه ویژگیهای نا آشکاری از داده ورودی نشان دهد.

قدرت نمایش لایه پنهان

نمودارخطا

قدرت تعمیم و overfitting

دلایل رخ دادن overfitting

overfitting ناشی از تنظیم وزنها برای در نظر گرفتن مثالهای نادری است که ممکن است با توزیع کلی داده ها مطابقت نداشته باشند. تعداد زیاد وزنهای یک شبکه عصبی باعث میشود تا شبکه درجه آزادی زیادی برای انطباق با این مثالها داشته باشد.

با افزایش تعداد تکرار، پیچیدگی فضای فرضیه یادگرفته شده توسط الگوریتم بیشتر و بیشتر میشود تا شبکه بتواند نویز و مثالهای نادر موجود در مجموعه آموزش را بدرستی ارزیابی نماید.

راه حل

روشهای دیگر

راه های بسیار متنوعی برای ایجاد شبکه های جدید وجود دارد از جمله:

استفاده از تعاریف دیگری برای تابع خطا

استفاده از روشهای دیگری برای کاهش خطا در حین یادگیری

Hybrid Global Learning

Simulated Annealing

Genetic Algorithms

استفاده از توابع دیگری در واحدها

Radial Basis Functions

استفاده از ساختار های دیگری برای شبکه

Recurrent Network

مثال: تشخیص ارقام

فرض کنید بخواهیم با استفاده از یک شبکه دو لایه ارقام دستنویس را تشخیص دهیم.

نرونهای لایه اول شدت روشنائی پیکسلها را تقریب میزنند ونرونهای لایه آخر شکل ارقام را تعیین میکنند.

روشی که وزنها یاد گرفته میشوند:

شکل گیری وزنها:

The learned weights

شبکه چه چیزی را یاد میگیرد؟

در این مثال یک شبکه با دو لایه معادل با استفاده از یک سری template یا قالب است که شبکه قالبی را که بهترین تطبیق با ورودی را داشته باشد بر میگزیند!

اما برای مسئله ارقام دستنویس شکلهای ورودی بسیار متنوع هستند لذا یک قالب ساده که با همه ورودیها سازگار باشد وجود ندارد. در نتیجه چنین شبکه ای هم نمیتواند راه حل مسئله در حالت کلی باشد!

برای اینکه بتوان مسئله را در حالت کلی حل نمود بایدشکل های ورودی به مجموعه ای از ویژگی ها تبدیل شده و شبکه را بر اساس ویژگی ها آموزش داد.

مثالی از تنوع ارقام دستنویس

انواع اتصالات شبکه

۳۰ تا ۷۰ درصد پروژه / پاورپوینت / پاور پوینت / سمینار / طرح های کار افرینی / طرح توجیهی / پایان

نامه/ مقاله ( کتاب ) های اماده به صورت رایگان میباشد

تو پروژه یکی از بزرگ ترین مراجع دانلود فایل های نقشه کشی در کشو در سال 1394 تاسیس گردیده در سال 1396 کافه پاورپوینت زیر مجموعه تو پروژه فعالیت خود را در زمینه پاورپوینت شروع کرده و تا به امروز به کمک کاربران و همکاران هزاران پاورپوینت برای دانلود قرار داده شده

با افتخار کافه پاورپوینت ساخته شده با وب اسمبلی

ظاهرا یک قسمت لود نشد صحفه را مجدد لود کنید