شبکه های عصبی مصنوعی یادگیری یک پرسپترون توابع بولی و پرسپترون قانون پرسپترون قانون دلتا شبکه های چند لایه تابع سیگموئید الگوریتم Back propagatio
قیمت فایل فقط 16,900 تومان
مقدمه
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.
شبکه عصبی چیست؟
شبکه عصبی چه قابلیتهائی دارد؟
مسائل مناسب برای یادگیری شبکه های عصبی
خطا در داده های آموزشی وجود داشته باشد. مثل مسائلی که داده های آموزشی دارای نویز حاصل از دادهای سنسورها نظیر دوربین و میکروفن ها هستند.
مواردی که نمونه ها توسط مقادیر زیادی زوج ویژگی-مقدار نشان داده شده باشند. نظیر داده های حاصل از یک دوربین ویدئوئی.
تابع هدف دارای مقادیر پیوسته باشد.
زمان کافی برای یادگیری وجود داشته باشد؛ این روش در مقایسه با روشهای دیگر نظیر درخت تصمیم نیاز به زمان بیشتری برای یادگیری دارد.
نیازی به تعبیر تابع هدف نباشد؛زیرا به سختی میتوان اوزان یادگرفته شده توسط شبکه را تعبیر نمود.
قیمت فایل فقط 16,900 تومان
برچسب ها : شبکه های عصبی مصنوعی , یادگیری یک پرسپترون , توابع بولی و پرسپترون , قانون پرسپترون , قانون دلتا , شبکه های چند لایه , تابع سیگموئید , الگوریتم Back propagatio