فایل دانلودی حاوی یک فایل پاورپوینتی قابل ویرایش در 86 اسلاید به صورت متنی همراه با عکس میباشد. از جمله مطالب فایل دانلودی: مقدمه شبکه عصبی چیست؟ شبکه عصبی چه قابلیتهائی دارد؟ مسائل مناسب برای یادگیری شبکه های عصبی الهام از طبیعت Perceptron توانائی پرسپترون توابعی که پرسپترون قادر به یادگیری آنها میباشد توابع بولی و پرسپترون اضافه کردن بایاس آموزش پرسپترون قانون پرسپترون الگوریتم gradient descent بدست آوردن قانون gradient descent محاسبه گرادیان خلاصه یادگیری قانون دلتا مشکلات روش gradient descent تقریب افزایشی gradient descent مقایسه آموزش یکجا و افزایشی شبکه های چند لایه یک سلول واحد تابع سیگموئید الگوریتم Back propagation الگوریتم Back propagation الگوریتم BP شرط خاتمه مرور الگوریتم BP افزودن ممنتم قدرت نمایش توابع فضای فرضیه و بایاس استقرا قدرت نمایش لایه پنهان قدرت نمایش لایه پنهان قدرت تعمیم و overfitting دلایل رخ دادن overfitting مثال: تشخیص ارقام روشی که وزنها یاد گرفته میشوند شبکه چه چیزی را یاد میگیرد؟ مثالی از تنوع ارقام دستنویس انواع اتصالات شبکه انواع مختلف یادگیری اعمال Backpropagation به تشخیص اشیا بخشی از متن: 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 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.
تعداد مشاهده: 1550 مشاهده
فرمت فایل دانلودی:.zip
فرمت فایل اصلی: powerpoint
تعداد صفحات: 86
حجم فایل:5,278 کیلوبایت