|
بخش اول
مقدمه اي بر شبکه هاي عصبي و تاريخچه آن
1. شبکه هاي عصبي چيست؟
2. چرا شبکه هاي عصبي ارزش يادگيري دارد؟
3. آموزش در شبکه هاي عصبي
4. تاريخچه شبکه هاي عصبي
5. برخي کابردهاي شبکه عصبي
شبکه هاي عصبي چيست؟
1. شبکه هاي عصبي شبکه اي از نرون ها است مشابه آنچه در مغز و اعصاب واقعي موجود است.
2. نرون هاي مصنوعي نيز تخمين خامي از نرون هاي واقعي است.
3. شبکه هاي عصبي تقريبي از بخشي از اعصاب(مغز)واقعي است.
4. از ديدگاه کاربردي شبکه هاي عصبي يک محاسبه گر(پردازشگر) موازي است، متشکل از المانهاي ساده به منظور انجام کارهاي عملي.
ارزش يادگيري شبکه هاي عصبي؟
1.روش محاسباتي بسيار قوي.
2. پردازش موازي در حجم بالا مي تواند بسيار مفيد باشد.
3. توانايي يادگيري و عموميت پيدا کردن از داده ها بدون نياز به شاهکار بنامه نويسي
4. قابليت عيب يابي.
5. قابليت حذف نويز.
دلايل استفاده ازشبکه عصبي
1. مدل نمودن مغز و اعصاب: هدف علمي از مدل سازي شبکه هاي عصبي دست يافتن به چگونگي عملکرد مغز و اعصاب مي باشد. بدين وسيله مي توان درک بهتري از چگونگي طبيعت هوشمندي انسان داشت، روشهاي آموزش بهتري را تدارک ديد.
2.ساخت سيستمهاي مصنوعي: هدف مهندسان ساخت سيستمهاي مؤثر براي کاربردهاي حقيقي است. اين امر مي تواند موجب ساخت ماشينهاي با قدرت و توانايي بالاتر به منظور بالابردن کارايي آنها گردد.
آموزش در شبکه هاي عصبي
آنچه موجب توانايي شبکه هاي عصبي گشته است عبارت است از تونايي آن در آموزش و عموميت يافتن با استفاده از اعمال اطلاعات.
سه روش اصلي آموزش:
1. آموزش با مربي(Supervised Learning)
2. آموزش با فيدبک محدود(Reinforcement Learning)
3. آموزش بدون مربي(Unsupervised Learning)
تاريخچه شبکه عصبي
1943 McCulloch and Pitts proposed the McCulloch-Pitts neuron model
1949 Hebb published his book The Organization of Behavior, in which the Hebbian
learning rule was proposed.
1958 Rosenblatt introduced the simple single layer networks now called Perceptrons.
1969 Minsky and Papert’s book Perceptrons demonstrated the limitation of single
layer perceptrons and almost the whole field went into hibernation.
1982 Hopfield published a series of papers on Hopfield networks.
1982 Kohonen developed the Self-Organising Maps that now bear his name.
1986 The Back-Propagation learning algorithm for Multi-Layer Perceptrons was rediscovered and the whole field took off again.
1990s The sub-field of Radial Basis Function Networks is developed.
2000s The power of Ensembles of Neural Networks and Support Vector Machines
becomes apparent.
کاربردهاي امروزه شبکه هاي عصبي
مدل نمودن مغز و اعصاب:
1. مدل سازي پيشرفت انسانها
2. شبيه سازي کارايي اعصاب در دوران بزرگسالي
3. مدل هاي روانشناسانه
کاربردها در دنياي واقعي:
1. مدل نمودن فرايندهاي اقتصادي: پيش بيني سهام، تغيير نرخ ارز و ...
2. پيش بيني سريهاي زماني: وضعيت آب و هوا، فروش خطوط هوايي
3. بازيهاي کامپيوتري: تخته نرد، ...
4. سيستمهاي کنترل
5. شناسايي الگو
6. تحليل داده ها
7. کاهش نويز: تقريب توابع
جمع بندي
1. شبکه عصبي مصنوعي سيستم محاسبه قدرتمندي است که شامل تعداد زيادي پردازشگر ساده به هم متصل مي باشد.
2. پردازش با حجم وسيعي بصورت موازي انجام مي گيرد.
3. شبکه عصبي توانايي آموزش از طريق training اطلاعات را داراست.
4. به منظور مدل نمودن مغز و اعصاب و کاربردهاي عملي داراي کارايي بسياري است.
|
کتب جدید
