Suche senden
Hochladen
هوش مصنوعی - شبکه عصبی
•
Als PPTX, PDF herunterladen
•
2 gefällt mir
•
2,950 views
Ali Ghaeni
Folgen
Bildung
Melden
Teilen
Melden
Teilen
1 von 16
Jetzt herunterladen
Empfohlen
Neural networks
Neural networks
Meysam Asadi
هوش مصنوعی
هوش مصنوعی
Hadi Sedaghat
(MATLAB) شبکههای عصبی و استفاده از جعبه ابزار آن در محيط متلب
(MATLAB) شبکههای عصبی و استفاده از جعبه ابزار آن در محيط متلب
Hamed Zarei
Nabz AI Academy - Watson Course - Session 1
Nabz AI Academy - Watson Course - Session 1
Sahand Samiei
Introduction to Neural Network
Introduction to Neural Network
pouriya70
شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعی
dataminers.ir
هوش مصنوعی
هوش مصنوعی
karimimasod
report
report
Shakib Sharifian
Empfohlen
Neural networks
Neural networks
Meysam Asadi
هوش مصنوعی
هوش مصنوعی
Hadi Sedaghat
(MATLAB) شبکههای عصبی و استفاده از جعبه ابزار آن در محيط متلب
(MATLAB) شبکههای عصبی و استفاده از جعبه ابزار آن در محيط متلب
Hamed Zarei
Nabz AI Academy - Watson Course - Session 1
Nabz AI Academy - Watson Course - Session 1
Sahand Samiei
Introduction to Neural Network
Introduction to Neural Network
pouriya70
شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعی
dataminers.ir
هوش مصنوعی
هوش مصنوعی
karimimasod
report
report
Shakib Sharifian
شبکه-عصبی-مصنوعی.ppt network network network
شبکه-عصبی-مصنوعی.ppt network network network
ahmedibraheemme
Maleki
Maleki
Kazem Maleki
هوش مصنوعی
هوش مصنوعی
karimimasod
111
111
Alireza Nouri
Classification of Iris flower data
Classification of Iris flower data
sahar zare
Quantom
Quantom
danesh_fd
Rough neural networks
Rough neural networks
Alireza Andalib
UploadFile_6976.ppt
UploadFile_6976.ppt
ssuser70b482
مروری برتکنیکهای با اشکال و بدون اشکال نگاشت در شبکه روی تراشه- سیده مریم سلی...
مروری برتکنیکهای با اشکال و بدون اشکال نگاشت در شبکه روی تراشه- سیده مریم سلی...
tarasad
Presentation.pptx
Presentation.pptx
ZeinabFarhoudi1
Biomedical and health informatics
Biomedical and health informatics
soheil farajollahi
نمایش دانش
نمایش دانش
farhad norouzi
particle swarm optimized autonomous learning fuzzy system
particle swarm optimized autonomous learning fuzzy system
Amir Shokri
کنترل اشیا با مغز
کنترل اشیا با مغز
Amir Ghorbanali
grid
grid
mohamad mahmodi
Nn
Nn
Muhammad Omara
Classical cellular automata
Classical cellular automata
mohamad mahmodi
مقدمه ای بر هوش تجاری
مقدمه ای بر هوش تجاری
Zahra Mansoori
Software Engineering - Project Management - مهندسی نرم افزار - مدیریت پروژه
Software Engineering - Project Management - مهندسی نرم افزار - مدیریت پروژه
Hamzeh Roustaei
Final report
Final report
nasim1993
Weitere ähnliche Inhalte
Ähnlich wie هوش مصنوعی - شبکه عصبی
شبکه-عصبی-مصنوعی.ppt network network network
شبکه-عصبی-مصنوعی.ppt network network network
ahmedibraheemme
Maleki
Maleki
Kazem Maleki
هوش مصنوعی
هوش مصنوعی
karimimasod
111
111
Alireza Nouri
Classification of Iris flower data
Classification of Iris flower data
sahar zare
Quantom
Quantom
danesh_fd
Rough neural networks
Rough neural networks
Alireza Andalib
UploadFile_6976.ppt
UploadFile_6976.ppt
ssuser70b482
مروری برتکنیکهای با اشکال و بدون اشکال نگاشت در شبکه روی تراشه- سیده مریم سلی...
مروری برتکنیکهای با اشکال و بدون اشکال نگاشت در شبکه روی تراشه- سیده مریم سلی...
tarasad
Presentation.pptx
Presentation.pptx
ZeinabFarhoudi1
Biomedical and health informatics
Biomedical and health informatics
soheil farajollahi
نمایش دانش
نمایش دانش
farhad norouzi
particle swarm optimized autonomous learning fuzzy system
particle swarm optimized autonomous learning fuzzy system
Amir Shokri
کنترل اشیا با مغز
کنترل اشیا با مغز
Amir Ghorbanali
grid
grid
mohamad mahmodi
Nn
Nn
Muhammad Omara
Classical cellular automata
Classical cellular automata
mohamad mahmodi
مقدمه ای بر هوش تجاری
مقدمه ای بر هوش تجاری
Zahra Mansoori
Software Engineering - Project Management - مهندسی نرم افزار - مدیریت پروژه
Software Engineering - Project Management - مهندسی نرم افزار - مدیریت پروژه
Hamzeh Roustaei
Final report
Final report
nasim1993
Ähnlich wie هوش مصنوعی - شبکه عصبی
(20)
شبکه-عصبی-مصنوعی.ppt network network network
شبکه-عصبی-مصنوعی.ppt network network network
Maleki
Maleki
هوش مصنوعی
هوش مصنوعی
111
111
Classification of Iris flower data
Classification of Iris flower data
Quantom
Quantom
Rough neural networks
Rough neural networks
UploadFile_6976.ppt
UploadFile_6976.ppt
مروری برتکنیکهای با اشکال و بدون اشکال نگاشت در شبکه روی تراشه- سیده مریم سلی...
مروری برتکنیکهای با اشکال و بدون اشکال نگاشت در شبکه روی تراشه- سیده مریم سلی...
Presentation.pptx
Presentation.pptx
Biomedical and health informatics
Biomedical and health informatics
نمایش دانش
نمایش دانش
particle swarm optimized autonomous learning fuzzy system
particle swarm optimized autonomous learning fuzzy system
کنترل اشیا با مغز
کنترل اشیا با مغز
grid
grid
Nn
Nn
Classical cellular automata
Classical cellular automata
مقدمه ای بر هوش تجاری
مقدمه ای بر هوش تجاری
Software Engineering - Project Management - مهندسی نرم افزار - مدیریت پروژه
Software Engineering - Project Management - مهندسی نرم افزار - مدیریت پروژه
Final report
Final report
هوش مصنوعی - شبکه عصبی
1.
2.
مصنوعیهوشوعصبیشبکه فهرست: 1-مقدمه 2–عصبی های شبکه
با آشناییزیستی 3–مصنوعی عصبی های شبکه معرفی(ANNها) 4–مصنوعی عصبی های شبکه مبانی 5–یک ریاضی مدلنورون 6–توپولوژیشبکه 7-یادگیری فرآیندشبکه 8-ایدهعصبی های شبکه عملکرد اصلی یمصنوعی 9-عصبی های شبکه کاربردهایمصنوعی 10–یگیر نتیجه 11-منابع
3.
مصنوعی هوش وعصبی
شبکه مقدمه مصنوعی عصبی هایشبکه(Artificial Neural Network - ANN)عصبی هایشبکه ترساده زبان به یا برای هستند نوینی محاسباتی هایروش و هاسیستمماشینی یادگیری،دانش نمایشدان اعمال انتها در و ،به ش از خروجی هایپاسخ بینیبیش جهت در آمده دستپیچیده هایسامانه.هاشبکه گونه این اصلی ٔهاید(ح تادودی) کارکرد ٔهشیو از گرفتهالهامزیستی عصبی سیستمبرای ،هاداده پردازشو ،اطالعاتیادگیری منظور بهایجاد و دانشدارد قرار.است اطالعات پردازش ٔهسامان برای جدید ساختارهایی ایجاد ،ایده این کلیدی عنصر.س اینیستم نام با پیوستهبهم العاده فوق پردازشی عناصر زیادی شمار ازنورونمسأل یک حل برای که شده تشکیلهم با ه توسط و کنندمی عمل هماهنگسیناپسها(الکترومغناطیسی ارتباطات)می منتقل را اطالعاتکنند.هاشبکه این در سلول بقیه ببیند آسیب سلول یک اگرباشند سهیم آن بازسازی در نیز و ،کرده جبران آنرا نبود توانندمی ها.این یادگیری به قادر هاشبکهاند.
4.
مصنوعی هوش وعصبی
شبکه عصبی های شبکه با آشناییزیستی از عظیم بسیار ای مجموعه ها شبکه اینموازی پردازشگرهاییبرای هماهنگ صورت به که اند نورون نام بهحلم عمل مسئلهی ها سیناپس توسط و کنند(الکترومغناطیسی های ارتباط)کنند می منتقل را اطالعات.آسی سلول یک اگر ها شبکه این دربقیه ببیند ب باشند سهیم آن بازسازی در نیز و کرده جبران آنرا نبود توانند می سلولها ی. ها شبکه اینیادگیری به قادراند.جس طرف به که گیرند می یاد سلولها ،المسه عصبی سلولهای به سوزش اعمال با مثالداغ م کند اصالح را خود خطای که آموزد می سیستم الگوریتم این با و نروند.back propagation of error)) از استفاده با یعنی ،گیرد می صورت تطبیقی صورت به ها سیستم این در یادگیریمثالا گونه به ها سیناپس وزن هاکند می تغییر ی کند تولید درستی پاسخ سیستم جدید های ورودی دادن صورت در که.
5.
مصنوعی هوش وعصبی
شبکه مصنوعی عصبی های شبکه معرفی(ANNها) زیاد بسیار و کوچک های پردازنده ی عهده به را ها داده پردازش و گرفته ایده انسان مغز از که ها داده پردازشی سیستم یکی کنند حل را مسئله یک تا کنند می رفتار یکدیگر با موازی و پیوسته هم به ای شبکه صورت به که سپرده. ، نویسی برنامه انش د کمک به ها شبکه این درای داده ر ساختانند هما تواند می که شود می طراحینورونکند عمل.ب کهاین ه ساختاردادهnodeشود می نیزگفته گره یا.این بین ای شبکه باایجاد بعدnode،ن آ به آموزشی الگوریتم یک اعمال و ها دهند می آموزش را شبکه. عصبی ی شبکه یا حافظه این درnodeفعال حالت دو دارای ها(onیا1)وغیرفعال(offیا0)یال هر و اند(یا سیناپس بین ارتباطnodeها)باشد می وزن یک دارای.کردن فعال یا تحریک ،موجب مثبت وزن با یالهایnodeمی بعدی فعال غیر منفی وزن با یالهای و شوندnodeمهار یا فعال غیر را بعدی متصل(باشد بوده فعال که صورتی در)کنند می.
6.
مصنوعی هوش وعصبی
شبکه مصنوعی عصبی های شبکه معرفی(ANNها) ANNمفهومی ضلع سه با هستند مثلثی واقع در ها: .Iها داده تحلیل و تجزیه سیستم .IIعصبی سلول یا نورون .IIIنورونها گروهی کار قانون(شبکه) ANNاند ن انسا مغز شبیه جهت دو از کم دست ها: .Iدارند گیری یاد به موسوم ای مرحله. .IIروند می کار به دانش ی ذخیره جهت سیناپسی های وزن. را عصبی های شبکه ت خصوصیا بعضی که دارند این بر سعی شناختی زی سا مدل و مصنوعی هوششبیسازی ه کنند.هدف و شخصی مسائل حل کار این از مصنوعی هوش هدف اما ،است هم شبیه یشان ها روش دو این گرچه باشد می زیستی نورونی های سیستم ضی ریا مدلهای ،ساخت شناختی زی سا مدل.
7.
مصنوعی هوش وعصبی
شبکه مصنوعی عصبی های شبکه معرفی(ANNها) کند بندی طبقه را الگوها بتواند. باشد گرایانه واقع فیزیکی نظر از تا باشد کوچک کافی اندازه به. باشد داشته یادگیری قدرت و باشد ریزی برنامه قابل ،آموزش گیری کار به با.پارامتر تنظیم توانایی یعنیشبکه های( سیناپتیکی اوزان)شود می جدیدی شرایط وارد شبکه و کند می تغییر شبکه محیط که زمان مسیر در ،.از هدفکار این ش ،داد رخ شبکه محیطی شرایط در کوچکی تغییر و دید آموزش خاص وضعیت یک برای شبکه اگر که است اینبکه باشد کارآمد نیز جدید شرایط برای ،مختصر آموزش با بتواند.س در عصبی های شبکه در اطالعات که این دیگریناپس پذیرد می تأثیر ها نرون سایر فعالیت کل از بالقوه صورت به شبکه در نرون هر و ذخیره ها.ا اطالعات نتیجه درنوع ز باشد می شبکه کل از متأثر و نبوده هم از مجزا. آمو فرآیند در شده ارائه های مثال از استفاده با را تعمیم تواناییزباشد داشته ،ش.
8.
مصنوعی هوش وعصبی
شبکه عصبی های شبکه مبانیمصنوعی کلی طور به عصبی های شبکهخطی غیر یادگیر ریاضی سیستمهایهستند.اس شده برداری الگو انسان مغز کار روش از ها شبکه این کار طرزت.در ع و کرد سازی شبیه افزار نرم یا افزار سخت بوسیله را آن توان می که مدل یک ساخت برای است ماشینی تعریف طبق عصبی های شبکه واقعملکردی دارند انسان مغز شبیه. است مشخص و صریح کامال دستورات نیازمند که رقومی کامپیوترهای خالف بر عصبی شبکه یک،مانند بلکه ندارد نیاز محض ریاضی های مدل به دارد را مشخص مٽال تعدادی وسیله به یادگیری قابلیت انسان. مرحله سه عصبی شبکه هرآموزش،سنجی اعتبارواجراگذارد می سر پشت را.دقیق روابط که مسایلی حل در توان می را عصبی های شبکه واقع در برد بکار نیست برقرار آن های خروجی و ها ورودی بین ریاضی. جز چیزی واقع در عصبی های شبکه دیدن آموزشارتباطی های وزن تنظیمشبکه خروجی تا نیست مختلف های مٽال دریافت ازائ به ها نرون اینبه شود همگرا مطلوب خروجی سمت.
9.
مصنوعی هوش وعصبی
شبکه یک ریاضی مدلنورون عص های شبکه عملکرد که است مصنوعی عصبی شبکه یک واحد کوچکترین نرون شد ذکر که گونه همانرا بی دهد می تشکیل. شود می تشکیل بخش دو از عصبی سلول هر بدنه،را اول بخشترکیب تابعگویند می.این ترکیب تابع وظیفه کند می تولید عدد یک و ترکیب را ها ورودی تمام که است.به که دارد قرار انتقال تابع سلول دوم بخش درآن تحریک تابعگویند می نیز.تحریک آستانه سطح به باید بیولوژیک سلول یک که گونه همان درواقعخاصی کند تولید سیگنال یک تا برسد،ح یک به شده دار وزن و شده ترکیب های ورودی که زمانی تا نیز تحریک توابعد میکنند تولید کوچکی بسیار نظیر خروجی مقدار نرسند خاص ای آستانه. برسند خاصی ای آستانه حد به شده ترکیب های ورودی وقتی،خروجی سیگنال و شده تحریک عصبی سلول کند می تولید.بردا این و شده محاسبه خطا بردار نظر مورد مطلوب مقدار با شبکه خروجی جواب مقایسه بابا ر شده پخش شبکه ابتدای سمت به آخر از مختلف های الگوریتم از استفاده،که طوری بهکاهش خطا بعد درسیکل یابد.
10.
مصنوعی هوش وعصبی
شبکه شبکه توپولوژی شبکه در سلولها نسبی وضعیت(آنها اتصاالت نوع و بندی گروه و تعداد)گویند شبکه توپولوژی را.توپولوژی واقع دریکدیگر به نورونها افزار سخت اتصال سیستممربوطه افزار نرم با توام که است(یعنیروش وزنها ی محاسبه و اطالعات جریان ریاضی)کند می تعیین را عصبی ی شبکه عملکرد نوع. یک توپولوژی این درورودی ی الیهکند،تعدادی می دریافت را اطالعات که دارد وجودی الیهمخفیوجود یک نهایت در و گیرند می قبلی های الیه از را اطالعات که داردخروجی ی الیهی نتیجه که دارد وجود میگیرند قرار آن در جوابها و میرود آنجا به محاسبات. FeedForward topology Recurrent topology
11.
مصنوعی هوش وعصبی
شبکه یادگیری فرآیندشبکه است یادگیری عصبی های شبکه ی وظیفه.خردسال کودک یادگیری به شبیه چیزی تقریبا. اشبکه آموزش نواع: نظارت تحت یادگیری(یاsupervised):آن از مختلفی مثالهای ی ارائه و خاص موضوع یک روی تمرکز با گیرد می صورت.خواهد قادر مدتی از پس که طوری به کرد خواهد تحلیل و تجزیه را ها مثال و ورودی اطالعات شبکه کند شناسایی بود ندیده هرگز قبال که را ها مثال دسته آن از جدید نوع یک بود. نظارت بدون یادگیری(یاunsupervised):است کمتر امروزه آن کاربرد که است باالتری سطح یادگیری. تقویتی یادگیری(یاreinforcement:) مدلمارکوف پنهانی(MDP:)از عبارتند مارکوف مدل یک اصلی اجزای: مجموعهیحالتها،مجموعهعملها ی،گذرها،عمل هر فوری ی افزوده ارزش
12.
مصنوعی هوش وعصبی
شبکه مصنوعی عصبی های شبکه عملکرد اصلی ی ایده است غیرفعال و فعال وضعیت دو دارای گره هر(یك یا صفر)می وزن یك دارای نیز یال هر وباشد(شكل 2.)یالمی تحریك را دیگری فعال گره تا گره دو بین مثبت وزن با هاییال و كننددو بین منفی وزن با های می فعال غیر را دیگری فعال گره ،گرهسازند. كه است صورت بدین شبكه عملكرد نحوهمی انتخاب تصادف به گره یك ابتداشود.از بیشتر یا یك اگر همسایهوزن جمع بودند فعال گره آن هاییال دارگره آن به منتهی هایمی حساب هاشود.جمع این اگر می فعال گره بود مثبتماند خواهد باقی غیرفعال مذكور گره صورت این غیر در و شود.یك مجددا سپس و شده انتخاب تصادف به دیگر گرهمی تكرار آنقدر عملیات همینبرسد پایدار حالت یك به شبكه تا شود. هاپفیلد اصلی تز:یال از وزنی هر با و ابتدایی حالت هر ازحالت به نهایت در شبكه ،كنیم شروع كه ها رسید خواهد پایدار.
13.
مصنوعی هوش وعصبی
شبکه مصنوعی عصبی های شبکه عملکرد اصلی ی ایده
14.
مصنوعی هوش وعصبی
شبکه کاربردهایعصبی های شبکهمصنوعی امروزهشبكههایعصبیدركاربردهایمختلفینظیرمسائلتشخیصالگو(Pattern Recognition)كه خودشاملمسائلیمانندتشخیصخط(Character Recognition) ،شناساییگفتار(Speech Recognition)،پردازشتصویر(Image Processing) ومسائلیازایندستمیشودونیزمسائلدستهبندي(Classification)ماننددستهبندی (Classification Problems)متونویاتصاویر،بهكارمیروند.دركنترلیامدلسازیسیستمهایی كهساختارداخلیناشناختهیابسیارپیچیدهایدارندنیزبهصورتروزافزونازشبكههایعصبی مصنوعیاستفادهمیشود.بهعنوانمثالمیتواندركنترلورودییكموتورازیكANNاستفاده نمودكهدراینصورتشبكهعصبیخودتابعكنترلرایادخواهدگرفت.
15.
مصنوعی هوش وعصبی
شبکه گیری نتیجه کنم می دعوت مصنوعی هوش محصول آخرین دیدن به را شما (ببینید را پیوست ویدئو)
16.
تشکر با... info@alighaeni.ir
Jetzt herunterladen