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
