شبکه‌ های عصبی مصنوعی (Artificial Neural Network – ANN) یا به زبان ساده ‌تر شبکه‌ های عصبی سیستم‌ ها و روش ‌های محاسباتی جدیدی برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌ بینی پاسخ ‌های خروجی از سامانه ‌های پیچیده می باشد. این شبکه ها از تعداد دلخواهی سلول یا گره یا واحد یا نرون تشکیل می شود که مجموعه ورودی را به خروجی ربط می دهند. همچنین این شبکه‌ ها قادر به یادگیری‎ هستند...

جزوه آموزش شبکه عصبی مصنوعی، مشتمل بر 131 صفحه، در 7 فصل، با فرمت PDF، به زبان فارسی، همراه با تصاویر و روابط مهم ریاضی به ترتیب زیر گردآوری شده است:

فصل 1: هوش محاسباتی

• تاریخچه
• هوش مصنوعی
• چالش های بنیادین هوش مصنوعی
• هوش محاسباتی
• شبکه های عصبی (Neural Networks)
• مدل ریاضی شبکه های عصبی
• منطق فازی (Fuzzy logic)
• الگوریتم های ژنتیک (GA)
• کاربردهای شبکه های عصبی در پزشکی
• سیستم های تشخیص
• آنالیزهای شیمی پزشکی
• آنالیز تصویر
• پیشرفتهای دارویی و مدلسازی سیستم قلبی عروقی
• بویایی الکترونیکی
• شناخت الگو
• پزشک نمونه
• کاربردهای سیستم های فازی در پزشکی
• سیستم های فازی در بیو انفورماتیک
• سیستم های فازی ژنتیک

فصل 2: شبکه های عصبی

• مقدمه
• معنای شبکه های عصبی
• انگیزه های بیولوژیکی
• تشابهات و انتظارات
• تاریخچه و کاربرد
• مدل ریاضی نرون
• مدل تک ورودی
• برخی توابع تحریک مرسوم نرون مصنوعی
• مدل چند ورودی
• ساختار شبکه های عصبی
• شبکه های یک و چند لایه
• مثال: یک شبکه پیشخور 3 لایه
• چند سئوال
• شبکه های پسخور یا برگشتی
• مسائل حل شده

فصل 3: مسئله تشریحی شناسایی الگو

• شناسایی الگو
• روش های کلاسیک و شبکه های عصبی
• معرفی سه شبکه های نمونه: پرسپترون، همینگ و هاپفیلد
• پرسپترون تک لایه با تابع تحریک آستانه ای دو مقداره متقارن
• مثال تشریحی با پرسپترون
• شبکه همینگ
• شبکه همینگ، لایه اول
• شبکه همینگ، لایه دوم
• شبکه همینگ، لایه سوم
• شبکه هاپفیلد
• مهمترین ویژگی ها
• مهمترین نکات

فصل 4: پرسپترون تک لایه

• فرایند یادگیری
• یادگیری با ناظر
• یادگیری بدون ناظر
• خلاصه فرایند یادگیری
• سیستم های دینامیکی آموزش پذیر
• معادله یادگیری در حالت کلی
• یادگیری با ناظر در شبکه عصبی
• یادگیری تشدیدی (تقویتی) در شبکه عصبی
• یادگیری بدون ناظر در شبکه عصبی
• قانون یادگیری پرسپترون تک لایه (SLPR)

فصل 5: شبکه های آدالاین و یادگیری LMS

• مقدمه
• مبانی بهینه سازی و نقاط بهینه
• بسط تیلور و تقریب توابع
• مشتقات برداری جهت دار
• شرایط لازم برای نقاط بهینه
• توابع درجه دوم
• توابع درجه دوم و ساختار ویژه
• روند مینیمم سازی، الگوریتم کلی
• روش بیشترین نزول (SD)
• نکات مربوط به الگوریتم SD
• مثالی از الگوریتم SD
• نکات

فصل 6: یادگیری LMS یا ویدرو هوف

• شبکه آدالاین
• معادلات ویدرو هوف در حالت تک نرون
• الگوریتم LMS
• فرم دسته ای یادگیری LMS در حالت تک نرون
• فرم دسته ای یادگیری LMS در حالت کلی
• بهبود هایی بر LMS
• کاربرد شبکه آدالاین در فیلترهای تطبیقی

فصل 7: شبکه های عصبی چند لایه پیشخور و یادگیری پس انتشار خطا

• مقدمه
• تاریخچه
• شبکه پرسپترون چند لایه
• حل چند مسئله شناسایی الگو
• شناسایی الگو
• الگوریتم BP
• خلاصه الگوریتم BP

* توجه:
لازم به ذکر است که علاوه بر جزوه آموزشی بالا، جزوه حل تمرینات درس شبکه عصبی مصنوعی (دکتر منهاج، 68 صفحه، به زبان فارسی، با فرمت pdf) نیز جهت دانلود قرار داده شده است.

جهت دانلود جزوه آموزش شبکه عصبی مصنوعی به همراه تشریح کامل مسائل، برلینک زیر کلیک نمایید.

آموزش شبکه عصبی مصنوعی به همراه تشریح کامل مسائل

پیشرفت در جمع آوری و ذخیره داده در طول دهه های گذشته موجب انفجار داده در بیشتر موارد شده است. محققان در بسیاری از حیطه ها مانند مهندسی، ستاره شناسی، اقتصاد و تعاملات مصرف کننده، با مشاهدات و شبیه سازی بزرگ و بزرگتری روبه رو شده اند. چنین مجموعه داده ها در مقابل با مجموعه داده های کوچکتری که در گذشته مطالعه می شدند، چالش های جدیدتر در تحلیل داده ها به وجود آورده اند. به دلیل افزایش تعداد مشاهدات و از آن مهمتر به دلیل افزایش تعداد متغیرهای مربوط به هر مشاهده، روش های آماری قدیمی نسبتا درهم شکسته شد. مجموعه داده های با ابعاد زیاد چالش های ریاضیاتی زیادی همراه با فرصت های جدید به همراه داشتند. یکی از مسائل با مجموعه داده ابعاد بالا این است که در بسیاری از موارد همه متغیرهای اندازه گیری شده برای فهم موضوع موردنظر با اهمیت نیستند. کاهش بعد دسته بندی، تجسم، ارتباط و ذخیره داده با بعد بالا را تسهیل می بخشد. با وجود اینکه روش های جدید با هزینه محاسباتی بالا مدل های پیش بینی با دقت بالا از داده های با ابعاد بالا می سازند، هنوز هم در بسیاری از موارد تمایل به کاهش ابعاد داده اصلی به هر مدلی از داده است...

جزوه آموزش کاهش بعد با استفاده از شبکه های عصبی، مشتمل بر 22 صفحه، با فرمت PDF، تایپ شده، به زبان فارسی، به ترتیب زیر گردآوری شده است:

• ماشین بولتزمن محدود (RBM)
• نمونه سازی Gibbs
• رمزگذار خودکار
• شبکه های باور عمیق (DBN)
• کاهش بعد
• مقاله مورد بررسی
• توضیحات تکمیلی
• جزئیات پیش آموزش
• جزئیات میزان سازی دقیق
• متناسب شدن در logestic PCA
• تاثیر پیش آموزش میزان سازی دقیق در رمزگذار خودکارهای عمیق و سطحی
• جزئیات یافتن کدها برای اعداد MNIST
• جزئیات یافتن رمز برای چهره های Olivetti
• جزئیات یافتن رمزها برای اسناد رویتر
• مقایسه با جاسازی خطی محلی
• استفاده از پیش آموزش و میزان سازی دقیق برای دسته بندی اعداد
• مراجع

* توجه:
لازم به ذکر است که علاوه بر فایل جزوه آموزشی بالا، مقاله زیر نیز جهت دانلود قرار داده شده است:

• مقاله کاهش بعد داده های تصاویر تشدید مغناطیسی مغز با استفاده از شبکه عصبی آموزش یافته توسط الگوریتم ژنی (15 صفحه، به زبان فارسی)

جهت دانلود جزوه آموزش کاهش بعد با استفاده از شبکه های عصبی به انضمام مقاله، برلینک زیر کلیک نمایید.

کاهش بعد با استفاده از شبکه های عصبی