نوع فایل: power point

قابل ویرایش 56 اسلاید

قسمتی از اسلایدها:

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 از تعداد دلخواهی سلول یا گره یا واحد و یا نرون تشکیل میشود که مجموعه ورودی ها را به خروجی ربط میدهد.

یک شبکه عصبی شامل اجزای سازنده لایه‌ها و وزن‌ها می‌باشد. رفتار شبکه نیز وابسته به ارتباط بین اعضا است. در حالت کلی در شبکه‌های عصبی سه نوع لایه نورونی وجود دارد:

لایه ورودی: دریافت اطلاعات خامی که به شبکه تغذیه شده‌است.

لایه‌های پنهان: عملکرد این لایه‌ها به وسیله ورودی‌ها و وزن ارتباط بین آنها و لایه‌های پنهان تعیین می‌شود. وزن‌های بین واحدهای ورودی و پنهان تعیین می‌کند که چه وقت یک واحد پنهان باید فعال شود.

لایه خروجی: عملکرد واحد خروجی بسته به فعالیت واحد پنهان و وزن ارتباط بین واحد پنهان و خروجی می‌باشد.

فهرست مطالب و اسلایدها:

شبکه عصبی چیست؟ ( به طور کلی)

ساختار شبکه‌های عصبی

 انواع شبکه عصبی

معایب شبکه‌های عصبی

شبکه عصبی مصنوعی چیست؟

آشنایی با شبکه های عصبی  زیستی

کاربردهای شبکه های عصبی مصنوعی

کاربردهای شبکه های عصبی :

کاربردها:

عناصر پردازشی:

مبانی ANN ها

ساختار مغز انسان

شباهت مغز انسان با شبکه های عصبی:

مغز چگونه کار میکند؟

تقسیم بندی شبکه‌های عصبی بر مبنای آموزش

توپولوژی شبکه

شبکه های عصبی چند لایه یا MLP

نرم افزارهای شبکه های عصبی

مقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبی

مدل سازی شبکه ی عصبی :

تجزیه و تحلیل داده ها توسط ANN ها

ایده ی اصلی عملکرد شبکه های عصبی مصنوعی

جمع بندی