داده کاوی

صفحه 1:


صفحه 2:
‎al‏ ی نانک باور پوشت ‎Piha ey‏ 

صفحه 3:
نرم افزار حسابدارى و خريد و فروش بريال a= شما خودتان به آسانی: ۱ ree ae برگشت از خرید و برگشت از فروش خود را ثبت نما حسابها و مبالغ دریافتی و پرداختی روزانه خود را cde Sete oe oot ed IE nS) daa tant oe Fd ne TS eS Be eee ee rec cae 1 ote) 4 ۰ A 

صفحه 4:
RENE Ses TC et alee كرفتن كزارشات زير فقط با بى كليكه كزارش سود و زيان زوزانه. هفتكى, ماه (كلا هر بازه زمائى دلخوام). فاكتوز به فاكتور و كالابة كالا. ‎CO eh cre re eee er EIT ah FO Te‏ 0110001 111100 وضعيت برك جكهاى مربوط به هر دسته جك تعريف ششده. وضعيت صندوق و دخل مغازه در هر لحظه از روز. وضعیت کالاهای خریداری و فروخته شده و موجودی کالاها. [0 Bey ee Teme Fe aes ES ‎ay TA‏ وكر د خابرار از عدار( ‎Bree Aen esa 7 eo ‏تخاوت ما يشتيبانى برثر ماست 

صفحه 5:
ve , 

صفحه 6:
= بنام ایزد دانا #نام درس : مدیریت داده و کامپیوتر #نام استاد: جناب دکتر حق شناس ساهی گروه: آقایان فرجانی - براهی - بهرامی- فاطمى نسب ۴رشته: کارشناسی ارشد مهندسی صنایع- مدیریت سیستم و بهره وری *منبع: کتاب داده کاوی ‎DATA MINING )2 al>‏ ( *موضوع : شبکه های عصبی مصنوعی 

صفحه 7:
#تاریخچه : 1- بررسی عملکرد نورون های بیولوژیک قبل از اختراع کامپیوترهای دیجیتال( دهه های 194091930( 2 وارن مک کالع ( متخضض اعصاب ) و والتر پیتش ( منطی دان )مدل ساده عملکرد نورون های بیولوژیک را تحت مقاله ای نام محانسآب عطفقی در فطالتت عصتی متتهر ‏ گردند: (1943) 3-پس از اختراع کامپیوترهای دیجیتال در دهه 1950 دانشمندان علوم پایه براساس فعالیتهای مک کالچ و پیتس مدلهایی بنام پرسپترون( ۳۵۲0۵۵۱۲0 ) ایجاد کردند.( تعادل چوب قائم روی سطح متحرک) 4-بعلت ضعیف بودن کامپیوترها و نقایص نظری موفقیت محدودی در شبکه های اولیه بدست آمد.( سال 1968 دو پروفسور بنام های سایمون پاپرت و مارین مینسکی) 5- جان هاپفیلد از موسسه تکنولوژی کالیفرنیا روش پس انتشار خطا را ابداع کرد که فاقد نقایص و خطاهای اولیه بود.(1982) و از سطح آزمایشگاهی به سمت فعالیتهای عملی و تجاری حرکت کرد: 

صفحه 8:
اروشی برای محاسبه است که بر پایه اتصال به هم پیوسته چندین واحد پردازشی ساخته میشود. #شبکه از تعداد دلخواهی سلول يا گره یا واحد یا نرون تشکیل میشود که مجموعه ورودی را به خروجی ربط می دهند. © ‏هه‎ ‎١ ‏]م‎ ‏مر‎ ‎1 = . Adtea bover > ۳ = 4 a ) (cms)... ( ‏مسه‎ 

صفحه 9:
اربردهای داده کاوی ‎Target marketing ®‏ # پیدا کردن الگوي خرید مشتري ‎Cross-market analysis ®‏ # پیدا کردن قوانین انجمني مربوط به خرید مشتریان ‎Customer profiling ®‏ * دسته بندي مشتریان براساس نوع خرید ز نيازهاي مشتریان تشخیص محصولات مناسب براي دسته‌هاي مختلف مشتریان تشخیص فاكتورهايي براي جذب مشتریان جدید ‏© آنا ‎ ‎ ‎ 

صفحه 10:
قدرتمند ترین شبکه های عصبی ۰ شبکه های عصبی بیولوژیک می باشند مغز انسان به از لین اسکان را می دهد که از تجارب خود انستفاده کزده و آنها را تعمیم دهد. شبکه ها از ارتباطات عصبی موجود در مغز انسان الهام گرفته و آنها را روی کامپیوتر های دیجیتال پیاده سازی می کنند. در واقع از مغز و نحوه کار آن بمنظور ساخت کامپیوتر الگوبرداری می نماید. 

صفحه 11:
*#مطالعه شبکه های عصبی مصنوعی تا حد زیادی ملهم از سیستم های یادگیر طبیعی است که در آنها یک مجموعه پیچیده از نرونهای به هم متصل در کار یادگیری دخیل هستند. #*گمان میرود که مغز انسان از تعداد 10 11 نرون تشکیل شده باشد که هر نرون با تقریبا *10 نرون دیگر در ارتباط #سرعت سوئیچنگ نرونها در حدود 310 انیه است که در مقایسه با کامپیوترها 10 ۲ ) ثانیه ( بسیار ناچیز مینماید. با این وجود آدمی قادر است در 0.1 ثانیه تصوير یک انسان را بازشناسائی نماید. این قدرت فوق العاده باید از یر داز ش موازی توزیع شده در تعدادی زبادی از نرونها 

صفحه 12:
Perceptron © نوعى اذ شبکه عصبی برمبنای یک واحد محاسباتی به نام پرسپترون ساخته میشود. یک برس بترعت برداری از ورودیهای با مقادیر حقيقى را ا كرشته و يك تركيب خطى ال اين وروديها را محاسبه ميكند. اكر حاصل از یک مقدار استانه بيشتر بود خروجى يرسيترون برابر با 1 و در غير اينصورت معادل -1 خواهد بود. 

صفحه 13:
0-1010 بهت © عوامل رواج استفاده از شبكه هاى عصبى در دهه 1980 : 1. قدرت محاسباتی کافی در اختیاز متخصصین قزار گرفت: 2 تحلیل گران با پی بردن به ارتباط بین شبکه های عصبی و روش های آماری , درک بهتری نسبت به این شبکه ها پیدا کرده بودند. 3. خودکار شدن سیستم های عملیاتی که منجر به تولید داداه های مرتبط شده بود. 4 دانشمندان به كاربردهابى با اولويت بالاترى نسبت .به هوش مصنتوعى دست يافته بودند. در واقع يى رويكرد جدى در ارتباط با توليد ابزار و امكانات کلربردی ایجاد شد. کاربرد شبکه های عصبی در مسئله ارزیابی ملک: بمنظور ارزیابی خوب و سازگار و محاسبه ارزش بازار , فردی مک , اتحادیه شرکتهای رهن وام خانه , ‎agi Loan Prospector ply wWosare‏ کردکه این ارزیابی را بصورت خودکار برای تمام خانه های سرتاسر ایالات متحده انجام می داد. این شبکه عصبی از یک ارزیاب تقلید می کند که ارزش بازار ملک را براساس ویژگیهای ملک محاسبه می کند. منطقه - اتاق خواب اضاقه - پارکینگ بزرکتر - سرك جعماری - مساحت و فتای آزاز ‎ag‏ 

صفحه 14:
. 5 مس سوب جات بان بيش و تعكين عناست داراق 7 ورودیهای قابل درک 2 خروجی قابل درک 3 وجود تجربه کافی و در دسترس 

صفحه 15:
#*مراحل ساختن یک مدل : 1 تشخیص مشخصه های ورودی و خروجی 2 تبدیل ورودی و خروجی ها در یک بازه کوچک (1- تا 1) ‎fl‏ شبکه با یک ساختار مناسب ‏آموزش شبکه با مجموعه داده های آموزشی اعتبار سنجی ‏ارزیابی شبکه با آزمون جهت بررسی کیفیت بکارگیری مدل در شبکه جهت پیش بینی متناظر با ورودیهای نامعلوم ‎Nouaw ‎ 

صفحه 16:
#یکی از خطراتی که در استفاده از تمامی مدلهای پیش بینی و دسته بندی وجود دارد کاهش کارایی مدل در طی زمان می باشد.در مثال ارزیابی ملک ؛ یادگیری شبکه عصبی در ارتباط با الگوهای تاریخی و قدیمی صورت گرفته است هیچ تضمینی وجود ندارد که شرایط فعلی بازار مشابه به شرایط یک هفته پیش ؛ یک ماه پیش یا 6 ماه گذشته باشد خیلی از خرید و فروشها و اتفاقات ملک در مجموعه آموزشی وجود ندارد. مشکل به روز نگهداشتن مدل شبکه عصبی با توجه به دو عامل تشديد مى شود: 4 مدل ‎٠‏ عملكرد خود را با تولید قانون تمايش ‎oes‏ ‏دهد.بنابراین شاید معلوم نشود چه زمانی کارایی خود را از دست داده است. 7 کاهش کارایی شبکه های عصبی بتدریج و بدون بروز علایم خاصی رخ می دهد. و بروز نمودن آن معلوم نمی باشد. 

صفحه 17:
وراه حلها : 1 همان شبکه عصبی را به مرحله آموزش برگردانیم و مقادیر جدید بدهیم (هنگامی که نیاز به تفییرات کم باشد ( 2 نمونه های جدید به مجموعه ‎ee‏ بدهیم شاید مثالهای قدیمی تر را حذف کنیم . ( هنگامی که شرایط بازار بشدت تغییر کرده باشد ) عملكرد خوب يك شيكه عصبى , وابسته به خوبی مجموعه آموزشى بكار رفته در ايجاد آن است. 

صفحه 18:
* تابع فعالسازی ) ‎Activation Function‏ (: واحد ساختاری , ورودیهایش را با هم ترکیب می کند و یک مقدار را بدست می آورد . اين مقدار بعدا برای تولید خروجی دچار تغییر می شود این مراحل را تابع فعالسازی می ‎diol‏ ‏* تابع فعالسازی از دو قسمت تشکیل شده است: 1( تابع ترکیب 2( تابع تبدیل ‎O‏ تایع ترکیب : تمام ورودیها را باهم ترکیب کرده و یک مقدار را تولید می .هر ورودى وزن مخصوص به خودش را دارد معمولترين , تابع وزنى مى باشد كه هر ورودى در وزنش ضرب شده و حاصلصضرب ها با يكديكر جمع.می شوتد.تعدادی از ‎ele‏ ‏عبارتند از:بیشینه ورودی های وزن دار , تابع مینیمم . و عملگرد منطقی ۸۱۲ ب 08 که روی مقادیر اعمال می شوند. 

صفحه 19:
: ‏تابع تبدیل‎ Q ‏مقدار به دست آمده از طریق تابع ترکیب را به خروجی واحد ساختاری تبدیل می کند.‎ السأ تابع های تبدیل ‎gal‏ : تابع های خطی . سیگموئید( لجستیک) . تانوانت هیپربولیک | تولیع خطی : تلبع خطی کمترین اولویت را دارد یک شبکه عصبی پیش خور که تنها از واحدهای ساختاری با تلبع تبدیل خطی و تلبع ترکیب مجموع وزنی تشکیل شده باشد تنها همان کار رگرسیون خطل را تام عی دهد 9 ویع سكميتيتة توابعى بشكل شبيه به 5 که دوتا از معمولترين آنها در شبکه های عصبی .تلبع لجستیک و تاانت لیک می باشد تفاوت اصلی لين ذو تلبع در دامنه خروجی می باشد که در تلبع لجستیک بین ضفر و او هر تام تازنات هنپرپولیک پین 2۱ و۱ می باشد 

صفحه 20:
*لايه ينهان: ‎(Hidden Layer)‏ ورودی ها و خروجی شبکه به این لایه متصل نمی باشد.معمولا هر واحد ساختاری موجود در لایه پنهان به تمامی واحدهای ساختاری موجود در لایه ورودی متصل است یک شبکه عصبی می تواند هر تعدادی از لایه های پنهان را داشته باشد ولی بطور معمول یک لایه پنهان کفایت می ‎US‏ ~* اریبی یا بایاس: هر یک از واحدهای ساختاری دارای یک ورودی اضافی است این ورودی ثابت است و اریبی یا بایاس نامیده می شود. و هميشه دارای مقدار 1 است این ورودی مانند سار ورودیها دارای وزن بوده ونیز در تابع ترکیب بحساب آورده می شود. اریبی پا بایاس مانند یک وزنه متعادل کننده عمل كرده و به فهم بهتر الگوها توسط شبکه کمک می ‎US‏ 

صفحه 21:
لایه خروجی( 17۵۲ ‎Output‏ ): آخرین جزء لایه خروجی است زیرا به خروجی شبکه عصبی متصل است این لایه به تمامی واحدهای ساختاری لایه پنهان متصل است معمولا یک لایه خروجی وجود دارد اما ممکن است بیش از یک واحد ساختاری در لایه خروجی قرار گرفته باشد. پس انتشار خطا : اين روش اولین روشی است که برای آموزش شبکه های پیش خور بکاربرده شد.اين روش از سه مرحله اصلی تشکیل شده است: 1) شبکه یک نمونه آموزشی را با استفاده از وزن های موجود در شبکه خروجی(ها) را محاسبه می کند. 2( محاسبه اختلاف بین نتیجه محاسبه شده با نتیجه مورد انتظار( خطا) 3) تنظیم اوزان شبکه برای بحد اقل رساندن خطا 

صفحه 22:
قانون دلتای تعمیم يافته هر واحد ساختاری تخمین می زند که آیا انجام تغييرات روی هر ورودی خطا را افزایش با کاهش می دهد سپس هر واحذ یا انجام تعییرات سعی در کاهش خطا می نماید با انجام تغییرات روی هرکدام از نمونه های آموزشی اوزان را بسمت مقدار بهینه سوق می دهد این ادامه می یلید تا وزن های موجود در شبکه دیگر تغییری نخواهند داشت و خطا نیز کاهش تعی باید. دراین مرحله آموزش خانمه پندا می کند ‎Sie Gil‏ بکار رفته برای تنظیم اوزان را 06۱8۵ 66067۱:20 می نامند. الگوریتم های کاربردی برای آموزش شبکه ها: 1 پس اتشاز عصا 2 تیه نوردی 3. شبیه سازی تبرید 4 گرادیان مزدوج 

صفحه 23:
Descent با توجه به نحوه تعریف 1 سطح خطا بصورت یک سهمی خواهد بود. ما بدنبال وزنهانی هستیم که حداقل خطا را داشته باشند . الگوریتم 0850606 نو در فضای وزنها بدنبال برداری میگردد که خطا را حداقل کند. این الگوریتم از یک مقدار دلبخواه برای بردار وزن شروع کرده و در هر مرحله وزنها را طوری تغییر میدهد که در جهت شیب کاهشی منحنی فوق خطا کاهش داده شود. ‎E(W)‏ wl 

صفحه 24:
Descent 1 ممکن است همگرا شدن به یک مقدار مینیمم زمان زیادی لازم داشته باشد. 2 اگر در سطح خطا چندین مینیمم محلی وجود داشته باشد تضمینی وجود ندارد که الگوریتم مینیمم مطلق را بيدا بكند. در ضمن اين روش وقتى قابل استفاده است كه: © فضاى فرضيه داراى فرضيه هاى يارامتريك بيوسته باشد. © رابطه خطا قابل مشتق كيرى باشد 

صفحه 25:
انز تلم یبای 99۳۱3۹2 ‎ogee)‏ 520000 ايض دهایی است که مقادیر پیش بینی با دسته بندی آنها از قبل معلوم است. یک مجموعه آموزشی| | ‏را سا‎ nlec seni les Cun Were an apace Ey Frome ees er Ee ‏ا‎ 

صفحه 26:
53۳۹3۰5 testis SLT ۱. ‏محدوده مقادیر‎ 000 el OS cp ong] FRPP ‏ال ا‎ 00 rece epee ee feaiNn fare il aca aie Pore Opec yee vere CR eo op 

صفحه 27:
53۳۹3۰5 testis SLT “ayaa! a ‎ee a ee Be Teena‏ می گذارند ‏انخست آنکه هر چقدرتعداد مشخصه های ورودی شبکه بیشتر باشد. شبکه نیز بزرگتر خواهد شد و اين موضوع. ریسک ‎es Rene Sen‏ 20 ‎[۱ ies arse ave ICCC oy ‎Rees ‏اا‎ Rec Pe Ee ‎۷ aos i yee op Sy een cee PCa ‎ ‎Fe VSP Seng yer Pr Coreen pr Poy eae rear ee ehh ere eve pe eee |‏ عصیی طولانی تر می شود. در یک زمان ممین, ممکن است با استفاده از تعداد کمتری از مشخمه ها و مجموعه آموزشی أكوجكتر و نيز امتحان كردن تركيبات مختلفى از مشخصه ها و ساختارهای شبکه به مدل بهترى دست يابيد. تا آنکه ‎Sean Te eat ‏م ا ا‎ 2 ‎ ‎ ‎ ‎ 

صفحه 28:
53۳۹3۰5 testis SLT Fe ee eo Cee ene ar od Fe eerie eeepc pay aN Ty ey Calc om ve eric ea oH) pepo pees genre reed FRA pr CEN ne ene NTS oe Tee mE one neee ene tee reree| ۱ ‏ا ا ا‎ en is 

صفحه 29:
53۳۹3۰5 testis SLT ‏سوس‎ = ‎se i 35 Ser ee Snir aes ree‏ ات نی ار این ‎Cre Be Rea Fe mee RE ree SOE eC Pee SOLES eR Re ‎ ‏.بخش ديكر. مربوط مى شود به تضويركردن هر زمينه روى يك باز و دامنه مناسب ‎ ‎ ‎ ‎ 

صفحه 30:
53۳۹3۰5 testis SLT “ayaa! a ce sph ttle dices pata ee eer ee eRe eee esl aaah 5 jury ore pene أمقاديرى كه برحسب دلار كزارش مى شوند(قيمت فروش. تراز ماهانه: فروش هفتكى. درآمد و.) * 0 ra ree ‎Sree‏ را ‏اندازه های فیزیکی(مساحت فضای زندگی؛ درجه حرارت و..) ۰ ‏امثال ‎ ‏اس و ‎Fee ne eee eon eer ene een eee ee eet eee‏ ‎PRP Pe PN pear" PaR ava PRR OOR Pee OU Cre Ine eo PAR‏ ‏ناست. انجام داد ‎ ‎ ‏أمقدار تبديل شدة > 1- (1+ حداقل - حداكثر) / (حداقل - مقدار اضلى):؟ ‎ ‎ ‎ ‎ 

صفحه 31:
3۳۳۹3۰5 testis sl SLT Beto ne pen te ee ea * ‏/شمارش ها (تعداد فرزندان. تعداد اقلام خریداری شده. تعداد ماه هایی که از فروش می گذرد وس)‎ 9 00 اینها نیز مانند مشخصه های پیوسته یک مقدار کمینه و یک مقدار بیشینه دارند. بعنوان مثال. سن بطور معمول دارای بازه ‎glenn peer es Pe oC‏ ااا ا ااا ا ا راز ‎CP RAPA sesh a come Dera Sry eee OS ‎ ‎ ‎ ‎ 

صفحه 32:
53۳۹3۰5 testis SLT امشخصه هایی که شامل دسته های مختلف می باشند. فهرستهای بدون ترتبی از مقادیر هستند. این مشخصه ما با ‎eyes erry Rey soe OCpeS ee‏ اک زمعمول نمونه های متعددی از مقادیر دسته ای در داده ها وجود دارده از جمله اوضعیت تأهل ‎٩‏ ‏3 ‏آکدهای محصول ۰ ees 

صفحه 33:
53۳۹3۰5 testis SLT “ayaa! a ‎ee ed RC‏ های دسته ای سه شیوه کاملاً متفاوت وجود دارد ‎ ‎ey‏ 7 به کدها همچو ‎ ‏ی کته و مرب ‎Cae Une SAS‏ ‎ ‏.بخش قیل تصوير کنیم ‏وش م عام ی بای هر م۱ ‎Pry‏ ‏أكنيد كه براى جنسيت ۳۲مقدار وجود داشته باشد(مذ کره‌مونث. مجهول) ‏روش سوم هم اين است كه خود كد را يجاى داده عددى مربوط به كد جايكزين كنيم. بطور مثال: بجاى كنجاندن كدهاى ‏ا ا ۱[ ‎ ‎ ‎ ‎ 

صفحه 34:
53۳۹3۰5 testis SLT ‎os 5‏ تخمين يك مقدار بيوسته. اغلب لازم است كه خروجى » اغلب لازم ‏اأر بي 05000 ‎Seer ese‏ شبكه 3000 بزارهاى ‏یک 0-0005 محاسبه ۳9 ‏ارزش یک خانه شبکه بر ارزش ‏ار ‎525 55 ‏بازه درست و ‏اروی یک باز: ‎ ‎52 ۱ ‎Pare ns ‏د که - ار خروجى سر ‎Se eee ‎Po ‎ ‎ ‎ ‎ 

صفحه 35:
0 [1 ear gar FD ES es IT peer re ESE ee 528 ee ببینی تعداد مشتریان فعال در هر تاریج معین از آینده اشاره 7 36 93 2931 27 25 25 24 49 97 48 1449 9 7 5 و و سنوم 

صفحه 36:
حال ا عله بادك بي 39۳۹3۰5 أشبكه هاى عصبى مبهم بوده و دركشان مشكل است. حتى أكاهى از تمامى اوزان موجود روى كره هاى شبكه نيزء بينش اچندانی را در مورد چگونگی ایجاد نتایج ارائه شده توسط شبکه نشان نمی دهد. این عدم شناخت. تا حدودی جنبه فلسفی ا ۱ 000 0 comer es Mice cn senator Ped Coe teeta re ‏آهمان خصوصیات غیرخطی گره های شبکه عصبی که چنین قدرتی به آنها می بخشد. مانع از ایجاد قواعد ساده توسط آنها‎ ‏تحقیقات درباره استخراج قواعد از شبکه ها ممکن است.‎ | Fes ee res مى شود در نهایت. ‎ean vera‏ ا 00000 .مکانیسم داخلی آن پی ببریم به روشهای دیگری نیازمندیم یرای آنکه ان از ابهام موجود در شیوه کار این مدل ها ایده ای به دست آورده از تکنیکی به نام استفاده ‎ESO Renee cane LY TS ee Re eee Ne eC on meen cc tee‏ ال ا ‎Pee Rr cee eer oe ye oe me‏ 

صفحه 37:
53۳۹3۰5 testis SLT Paeiby ene sats Ese il (21 @)\V IF) pe ever ier| RUE Cons hie i Canton Peer ae, Conc Fs Pee ار رت ‎FSM‏ ‏" نمی کوید اگرجه این شبکه ها از ابتدابرای تضاویر اتطبیق هی خودسازمانده را ابداع کرد که به آنها --- او صداها استفاده می شدند اما می توان از آنها برای شناسایی خوشه ها در داده ها نیز استفاده کرد. این شبکه ها نیز دارای .همان واحدهای ساختاری که در شبکه های پیش خور و پس انتشار خطا وجود دارد 

صفحه 38:


صفحه 39:
حال ا ۱2777۳52۳۱ سوه 1 rca POET, SPN ed tom ROO Pane eee آخوشه بندی است. بانک بایستی در انتدا مشتریانی که از این وام خاص برخوردار هستند را شناسایی کرده تا بهترین ‎res hi meer) epee eae]‏ را ان ۱۳| ۰ مشتری که از این وام خاص استفاده کرده اند و نیز ۵۰۰۰ مشتری که از آن استفاده نکرده اند جمع آوری می شود. با وجود آنکه نسبت مشتريان بهره مند از اين نوع وام کمتر از ۵۰ است؛ ولی, تخصیص وزن یکسان در مجموعه آموزشی بها اين دو كروه از مشتريان ايده خوبى بنظر مى رسد | قیمنوزیایی‌شده خانه - آمزلاعتبار موجود - باه 

صفحه 40:
خنطا ةكيلم بلذكفا.. 9۳۳۹۲۲ ee i ae ee استفاده می شود. شبکه پنج خوشه را در داده ها 500111 همگی در فاصله بین ۱ تا ۱ قرارگرفتهان. از ین .شناسایی می کند. اما هیچ اطلاعاتی را در مورد این خوشه ها در اختیار تحلیلگران قرار نمی دهد پن خوشه ها چه معنایی دارند؟ | 1 ener a ey Pee eee] است كه در .تحليل حساسيت مورد استفاده قرار كرفت براى انجام اين كارء مقدار ميانكين را براى هر مشخصه در هر ‎cr cs een eu peer pee reed‏ ۳ ۱ ۱۳۰۱ 

صفحه 41:
53۳۹3۰5 testis SLT DO ee el cede TEC CD Bae ed oa aces Sen etc ‏بسیاری از صنایع و كاريرد ها به اثبات رسانده اند و در حوزه های پیچیده ای نتیجه بخش بوده اند حوزه هایی نظیر تحلیل‎ ‏اسری های زمانی و تشخیص تقلب که سایر تکنیک ها نمی تونند به سادگی به حل مسائل موجود در آنهابردازند.‎ PL gh pepe comer Pes ‏ا ا ل‎ pe Re rer EPS Me OTT ICN ces Ones ‏ا ا‎ 

صفحه 42:
53۳۹3۰5 testis SLT CS > Rom olen racer 1 01019 |0 ل ‎ON eget a Saal‏ شبكه عصبى بيش خوراست كه بمنظور مدلسازى بيش بينى كننده به كار كرقته مى شود 15: ‏ا كيك که هاوگ وهترچیستو چه کلبردوپایند؟‎ 00000 ‏ا لل‎ CES eS nT ey teone lee are, Ee Conc ne emer ۱ Fea pry Perea ge CE sa Geng Te pt Ry aL tes oe Fee ey ae red ees eevee ies rec eg rs Sees feb ee CE Rae es er | ‏أ.ديكرء تبديل كردن هر زمينه روى يك بازه و دامنه مناسب مى باشد‎ 

صفحه 43:
نکیاور ‎@PptBank‏ ‏-- و او د بقع = @=, Asleep? ar Ss ‏ع 097 .د ونا‎ 1 the judge ۱ ‏حم‎ ۱ oo | #6 

صفحه 44:
53۳۹3۰5 testis SLT 270005 لطفا کنال مارا به ۵ نفر از دوستانتان معرفی نمایید کانال تلگرامی بانک پاور پوینت ‎PptBank@‏ 21 1 anes OT