شبکه عصبی مصنوعی
اسلاید 1: Artificial Neural NetworksMahsa RafieeWinter 2006
اسلاید 2: مباحث :آشنایی با شبکه های عصبی زیستیمعرفی شبکه های عصبی مصنوعی(ANNها)مبانی شبکه های عصبی مصنوعیتوپولوژی شبکهنرم افزارهای شبکه های عصبی مقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبیفرآیند یادگیری شبکهتجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعیایده ی اصلی شبکه های عصبی مصنوعیمهم ترین تفاوت حافظه ی انسان و حافظه ی کامپیوترشبکه های عصبی در مقابل کامپیوترهای معمولیمعایب شبکه های عصبی مصنوعیکاربردهای شبکه های عصبی مصنوعی
اسلاید 3: آشنایی با شبکه های عصبی زیستی این شبکه ها مجموعه ای بسیار عظیم از پردازشگرهایی موازی به نام نورون اند که به صورت هماهنگ برای حل مسئله عمل می کنند و توسط سیناپس ها(ارتباط های الکترومغناطیسی)اطلاعات را منتقل می کنند.در این شبکه ها اگر یک سلول آسیب ببیند بقیه ی سلولها می توانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند.این شبکه ها قادر به یادگیری اند.مثلا با اعمال سوزش به سلولهای عصبی لامسه، سلولها یاد می گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می آموزد که خطای خود را اصلاح کند.back propagation of error))یادگیری در این سیستم ها به صورت تطبیقی صورت می گیرد، یعنی با استفاده ازمثال ها وزن سیناپس ها به گونه ای تغییر می کند که در صورت دادن ورودی های جدید سیستم پاسخ درستی تولید کند.
اسلاید 4: معرفی ANN هایک سیستم پردازشی داده ها که از مغز انسان ایده گرفته و پردازش داده ها را به عهده ی پردازنده های کوچک و بسیار زیادی سپرده که به صورت شبکه ای به هم پیوسته و موازی با یکدیگر رفتار می کنند تا یک مسئله را حل کنند.در این شبکه ها به کمک د انش برنامه نویسی ، ساختا ر داده ای طراحی می شود که می تواند هما نند نورون عمل کند.که به این ساختارداده node یا گره نیزگفته می شود.بعد باایجاد شبکه ای بین این node ها و اعمال یک الگوریتم آموزشی به آ ن، شبکه را آموزش می دهند .در این حافظه یا شبکه ی عصبی node ها دارای دو حالت فعال(on یا 1) وغیرفعال( off یا 0) اند و هر یال (سیناپس یا ارتباط بین node ها)دارای یک وزن می باشد.یالهای با وزن مثبت ،موجب تحریک یا فعال کردن node غیر فعال بعدی می شوند و یالهای با وزن منفی node متصل بعدی را غیر فعال یا مهار(در صورتی که فعال بوده باشد) می کنند.
اسلاید 5: معرفی ANN ها(ادامه...)ANN ها در واقع مثلثی هستند با سه ضلع مفهومی :سیستم تجزیه و تحلیل داده هانورون یا سلول عصبیقانون کار گروهی نورونها (شبکه)ANN ها دست کم از دو جهت شبیه مغز انسا ن اند: مرحله ای موسوم به یاد گیری دارند.وزن های سیناپسی جهت ذخیره ی دانش به کار می روند. هوش مصنوعی و مدل سا زی شناختی سعی بر این دارند که بعضی خصوصیا ت شبکه های عصبی را شبیه سازی کنند. گرچه این دو روش ها یشان شبیه هم است، اما هدف هوش مصنوعی از این کار حل مسائل شخصی و هدف مدل سا زی شناختی ،ساخت مدلهای ریا ضی سیستم های نورونی زیستی می باشد .
اسلاید 6: به طور خلاصه یک شبکه عصبی باید خصوصیات زیر را داشته باشد: بتواند الگوها را طبقه بندی کند. به اندازه کافی کوچک باشد تا از نظر فیزیکی واقع گرایانه باشد. با به کار گیری آموزش، قابل برنامه ریزی باشد و قدرت یادگیری داشته باشد. یعنی توانایی تنظیم پارامترهای شبکه ( اوزان سیناپتیکی )، در مسیر زمان که محیط شبکه تغییر می کند و شبکه وارد شرایط جدیدی می شود. هدف از این کار این است که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی شبکه رخ داد، شبکه بتواند با آموزش مختصر، برای شرایط جدید نیز کارآمد باشد. دیگر این که اطلاعات در شبکه های عصبی در سیناپس ها ذخیره و هر نرون در شبکه به صورت بالقوه از کل فعالیت سایر نرون ها تأثیر می پذیرد. در نتیجه اطلاعات از نوع مجزا از هم نبوده و متأثر از کل شبکه می باشد. توانایی تعمیم را با استفاده از مثال های ارائه شده در فرآیند آموزش، داشته باشد.
نقد و بررسی ها
هیچ نظری برای این پاورپوینت نوشته نشده است.