پاورپوینت شبکه عصبی (pptx) 56 اسلاید
دسته بندی : پاورپوینت
نوع فایل : PowerPoint (.pptx) ( قابل ویرایش و آماده پرینت )
تعداد اسلاید: 56 اسلاید
قسمتی از متن PowerPoint (.pptx) :
شبکه عصبی
شبکه عصبی چیست؟ ( به طور کلی)
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.
ساختار شبکه های عصبی
یک شبکه عصبی شامل اجزای سازنده لایه ها و وزن ها می باشد. رفتار شبکه نیز وابسته به ارتباط بین اعضا است. در حالت کلی در شبکه های عصبی سه نوع لایه نورونی وجود دارد:
لایه ورودی: دریافت اطلاعات خامی که به شبکه تغذیه شده است.
لایه های پنهان: عملکرد این لایه ها به وسیله ورودی ها و وزن ارتباط بین آنها و لایه های پنهان تعیین می شود. وزن های بین واحدهای ورودی و پنهان تعیین می کند 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 می باشد.
چرا از شبکه های عصبی استفاده می کنیم؟
* قابلیت قابل توجه شبکه های عصبی در استنتاج معانی از داده های پیچیده یا مبهم
* قابلیت بکارگیری به عنوان یک متخصص
انواع شبکه عصبی
شبکه عصبی پرسپترون
شبکه عصبی هاپفیلد
شبکه عصبی همینگ
شبکه عصبی کوهنن
شبکه عصبی انتشار رو به عقب
شبکه عصبی تاخیر زمانی
مزایای شبکه های عصبی
1. یادگیری تطبیقی : توانایی یادگیری اینکه چگونه وظایف خود را بر اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد در واقع اصلاح شبکه را گویند.
2. خود سازماندهی : یک شبکه عصبی مصنوعی به صورت خودکار سازماندهی و ارائه داده هایی که در طول آموزش دریافت کرده را انجام دهد. نورون ها با قاعدهٔ یادگیری سازگار شده و پاسخ به ورودی تغییر می یابد.
3. عملگرهای بی درنگ : محاسبات در شبکه عصبی مصنوعی می تواند به صورت موازی و به وسیله سخت افزارهای مخصوصی که طراحی و ساخت آن برای دریافت نتایج بهینه قابلیت های شبکه عصبی مصنوعی است انجام شود.
4. تحمل خطا : با ایجاد خرابی در شبکه مقداری از کارایی کاهش می یابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ می شود.
5. دسته بندی : شبکه های عصبی قادر به دسته بندی ورودی ها بر ای دریافت خروجی مناسب می باشند.
6. تعمیم دهی : این خاصیت شبکه را قادر می سازد تا تنها با برخورد با تعداد محدودی نمونه، یک قانون کلی از آن را به دست آورده، نتایج این آموخته ها را به موارد مشاهده از قبل نیز تعمیم دهد. توانایی که در صورت نبود آن سامانه باید بی نهایت واقعیت ها و روابط را به خاطر بسپارد.
7. پایداری ، انعطاف پذیری : یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فراگرفته خود را حفظ کند و هم قابلیت انعطاف و تطبیق را دارد و بدون از دست دادن اطلاعات قبلی می تواند موارد جدید را بپذیرد.
معایب شبکه های عصبی
با وجود برتری هایی که شبکه های عصبی نسبت به سامانه های مرسوم دارند، معایبی نیز دارند که پژوهشگران این رشته تلاش دارند که آنها را به حداقل برسانند، از جمله:
قواعد یا دستورات مشخصی برای طراحی شبکه جهت یک کاربرد اختیاری وجود ندارد.
در مورد مسائل مدل سازی، صرفاً نمی توان با استفاده از شبکه عصبی به فیزیک مساله پی برد. به عبارت دیگر مرتبط ساختن پارامترها یا ساختار شبکه به پارامترهای فرایند معمولاً غیر ممکن است.
دقت نتایج بستگی زیادی به اندازه مجموعه آموزش دارد.
آموزش شبکه ممکن است مشکل ویا حتی غیر ممکن باشد.
پیش بینی عملکرد آینده شبکه (عمومیت یافتن) آن به سادگی امکان پذیر نیست.
از جمله قابلیت های شبکه های عصبی میتوان به موارد زیر اشاره کرد:
محاسبه یک تابع معلوم
تقریب یک تابع ناشناخته
شناسائی الگو
پردازش سیگنال
یادگیری
