پروژه پاورپوینت شبکه‌های عصبی مصنوعی مبانی، پرسپترون و یادگیری

خلاصه ای از پروژه:

شبکه‌های عصبی مصنوعی روشی کارآمد برای یادگیری انواع توابع هستند و در برابر خطاهای داده‌های آموزشی مقاوم بوده و در مسائلی مانند شناسایی گفتار، تصویر و یادگیری ربات کاربرد دارند. این شبکه‌ها از واحدهای پردازشی متصل به هم ساخته شده‌اند و قادر به محاسبه توابع معلوم، تقریب توابع ناشناخته، شناسایی الگو، پردازش سیگنال و یادگیری هستند. از شبکه‌های عصبی می‌توان در شرایطی که داده‌های آموزشی دارای نویز هستند، نمونه‌ها با ویژگی‌های زیاد نمایش داده شده‌اند، تابع هدف پیوسته است، زمان کافی برای یادگیری وجود دارد و نیازی به تعبیر تابع هدف نیست، استفاده کرد.

شبکه‌های عصبی مصنوعی از سیستم‌های یادگیری طبیعی الهام گرفته‌اند و از تعداد زیادی نرون متصل به هم تشکیل شده‌اند. مغز انسان از حدود 10 به توان 11 نرون تشکیل شده که هر کدام با حدود 10 هزار نرون دیگر در ارتباط هستند. سرعت سوئیچینگ نرون‌ها در مقایسه با کامپیوترها بسیار کمتر است، اما پردازش موازی توزیع شده در تعداد زیادی از نرون‌ها باعث می‌شود که انسان بتواند در زمان کوتاهی تصاویر را بازشناسایی کند.

پرسپترون نوعی از شبکه عصبی است که بر اساس یک واحد محاسباتی به همین نام ساخته می‌شود. پرسپترون ورودی‌های با مقادیر حقیقی را دریافت کرده و یک ترکیب خطی از آن‌ها را محاسبه می‌کند. خروجی پرسپترون بر اساس مقایسه حاصل با یک مقدار آستانه تعیین می‌شود. یادگیری پرسپترون شامل یافتن مقادیر درست برای وزن‌ها است و پرسپترون می‌تواند به عنوان یک سطح تصمیم در فضای n بعدی نمونه‌ها در نظر گرفته شود. پرسپترون تنها قادر به یادگیری مثال‌هایی است که به صورت خطی جداپذیر باشند و نمی‌تواند توابعی مانند XOR را نمایش دهد.

آموزش پرسپترون شامل اختصاص مقادیر تصادفی به وزن‌ها و اعمال پرسپترون به مثال‌های آموزشی است. اگر مثال به درستی ارزیابی نشود، مقادیر وزن‌ها تصحیح می‌شوند. قانون پرسپترون و قانون دلتا دو روش مختلف برای آموزش پرسپترون هستند. قانون دلتا از روش gradient descent برای جستجو در فضای فرضیه وزن‌های ممکن استفاده می‌کند و پایه روش Back propagation است. الگوریتم gradient descent در فضای وزن‌ها به دنبال برداری می‌گردد که خطا را حداقل کند.

شبکه‌های چند لایه در مقایسه با پرسپترون‌ها قادر به یادگیری مسائل غیر خطی و مسائلی با تصمیم‌گیری‌های متعدد هستند. برای جدا کردن فضای تصمیم‌گیری به صورت غیر خطی، هر سلول واحد به صورت یک تابع غیر خطی تعریف می‌شود. یک سلول سیگموئید نمونه‌ای از چنین سلولی است.

**همین حالا پروژه‌های دانشجویی برتر و آماده استفاده در زمینه شبکه‌های عصبی را به آسانی دانلود کنید!

عناوین و فهرست کلی پروژه:

مقدمه
* شبکه عصبی چیست؟
* شبکه عصبی چه قابلیتهائی دارد؟
* مسائل مناسب برای یادگیری شبکه های عصبی
* الهام از طبیعت
* Perceptron
* یادگیری یک پرسپترون
* توانائی پرسپترون
* توابعی که پرسپترون قادر به یادگیری آنها میباشد
* توابع بولی و پرسپترون
* اضافه کردن بایاس
* آموزش پرسپترون
* الگوریتم یادگیری پرسپترون
* قانون پرسپترون
* قانون دلتا Delta Rule
* الگوریتم gradient descent
* بدست آوردن قانون gradient descent
* 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 BP
* انتشار به سمت جلو
* انتشار به سمت عقب
* شرط خاتمه
* محنی یادگیری
* مرور الگوریتم BP
* افزودن ممنتم
* قانون تغییر وزن
* عبارت ممنتم
* قدرت نمایش توابع
* فضای فرضیه و بایاس استقرا
* قدرت نمایش لایه پنهان
* قدرت تعمیم و overfitting
* راه حل
* روشهای دیگر
* مثال: تشخیص ارقام
* شبکه چه چیزی را یاد میگیرد؟
* انواع اتصالات شبکه
* Feedforward networks
* Recurrent networks
* انواع مختلف یادگیری
* Supervised learning
* Reinforcement learning
* Unsupervised learning
* اعمال Backpropagation به تشخیص اشیا
* The invariance problem
* The invariant feature approach
* The normalization approach
* The replicated feature approach
* Backpropagation with weight constraints
* Combining the outputs of replicated features
* The hierarchical partial invariance approach
* Le Net
* The architecture of LeNet5
* A brute force approach
* Making dumb backpropagation work really well for recognizing digits
* Problems with squared error
* Softmax