close
تبلیغات در اینترنت
دانلود مقاله شبکه های عصبی مصنوعی
loading...

ذکر و طلسم

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…

دانلود مقاله شبکه های عصبی مصنوعی

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:

۸۵


برای دانلود اینجا را کلیک کنید تا به صفحه ی دانلود بروید

ارسال نظر برای این مطلب

نام
ایمیل (منتشر نمی‌شود) (لازم)
وبسایت
:) :( ;) :D ;)) :X :? :P :* =(( :O @};- :B /:) :S
نظر خصوصی
مشخصات شما ذخیره شود ؟ [حذف مشخصات] [شکلک ها]
کد امنیتی
تبلیغات
Rozblog.com رز بلاگ - متفاوت ترين سرويس سایت ساز
اطلاعات کاربری
نام کاربری :
رمز عبور :
  • فراموشی رمز عبور؟
  • آرشیو
  • 1392
  • 1391
  • آمار سایت
  • کل مطالب : 32
  • کل نظرات : 91
  • افراد آنلاین : 1
  • تعداد اعضا : 40
  • آی پی امروز : 22
  • آی پی دیروز : 17
  • بازدید امروز : 80
  • باردید دیروز : 30
  • گوگل امروز : 6
  • گوگل دیروز : 3
  • بازدید هفته : 412
  • بازدید ماه : 1,267
  • بازدید سال : 4,173
  • بازدید کلی : 880,590