چکیده مقاله: 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. عناوین مورد بحث: 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 آموزش پرسپترون قانون پرسپترون قانون دلتا Delta Rule الگوریتم gradient descent بدست آوردن قانون gradient descent محاسبه گرادیان مشکلات روش gradient descent تقریب افزایشی gradient descent شبکه های چند لایه تابع سیگموئید الگوریتم Back propagation فضای فرضیه و بایاس استقرا دلایل رخ دادن overfitting اعمال Backpropagation به تشخیص اشیا Softmax ... فرمت فایل: PPT (پاورپوینت) تعداد صفحات: 85
پروژه
matrixgrandptc@yahoo.com
۱۳۹۵/۸/۱
تهران
1653