ساخت پاوپوینت با هوش مصنوعی
کم تر از 5 دقیقه با هوش مصنوعی کافه پاورپوینت ، پاورپوینت بسازید
برای شروع ساخت پاورپوینت کلیک کنید
شما در این مسیر هستید :خانه / محصولات /powerpoint / دانلود پاورپوینت آشنایی با شبکه های عصبی زیستی ومقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبیو بررسی وتجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی (کد16097)
سفارش انجام پاورپوینت - بهترین کیفیت - کم ترین هزینه - تحویل در چند ساعت 09164470871 ای دی e2proir
دانلود پاورپوینت آشنایی با شبکه های عصبی زیستی ومقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبیو بررسی وتجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی (کد16097)
شناسه محصول و کد فایل : 16097
نوع فایل : Powerpoint پاورپوینت
قابل ویرایش تمامی اسلاید ها دارای اسلاید مستر برای ویرایش سریع و راحت تر
امکان باز کردن فایل در موبایل - لپ تاپ - کامپیوتر و ...
با یک خرید میتوانید بین 342000 پاورپینت ، 25 پاورپوینت را به مدت 7 روز دانلود کنید
هزینه فایل : 105000 : 40000 تومان
فایل های مشابه شاید از این ها هم خوشتان بیاید !!!!
دانلود پاورپوینت تحلیل و بارزیابی مزایا و معایب کوره های قوس الکتريکی DC وبررسی مقايسه آن با کوره های AC (کد16113)
دانلود پاورپوینت آشنایی با انواع ابزار هاو برنامه های اینترنت و ارتباطات، فایروال رمزگذاری و بلوتوث (کد16112)
دانلود پاورپوینت آشنایی با گرایشهای مختلف مهندسی برق ودروس ونرم افزارهاو مقررات آموزشی رشته برق (کد16109)
دانلود پاورپوینت آشنایی با مفهوم صنعت پتروشیمی وگروه بندی محصولات پتروشیمی و بررسی شرح کلی فرآیند واحدهای منتخب (کد16105)
دانلود پاورپوینت تحلیل و بررسی مراحل مدل سازی امواج کم عمق نزدیک ساحل و امواج دور از ساحل عمیق ازطریق نرم افزار مایک (کد16103)
دانلود پاورپوینت آشنایی با صنعت گاز طبیعی در جهان و ایران و بررسی شیوه های قیمتگذاری گاز طبیعی و مسائل اقتصاد مقاومتی در صنعت گاز (کد16102)
دانلود پاورپوینت آشنايي با سابقه ديوان عدالت اداري و تشكيلات آن و بررسی صلاحيت و اختيارات ديوان (کد16100)
دانلود پاورپوینت آشنایی با گیاه آفتابگردان و بررسی تطبيق‌پذيري و ويژگي‌هاي فيزيولوژيك آفتابگردان (کد16088)
دانلود پاورپوینت آشنایی با راهکار هایی جهت ایمنی راکتور های توان هسته ای از طریق به دست آوردن معادله کینتیک راکتور یک گروهی وپوینت کینتیک وبررسی اثرات فیزیکی در طی گذارها (کد16085)
توضیحات محصول دانلود پاورپوینت آشنایی با شبکه های عصبی زیستی ومقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبیو بررسی وتجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی (کد16097)
دانلود پاورپوینت آشنایی با شبکه های عصبی زیستی ومقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبیو بررسی وتجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی
دانلود پاورپوینت آشنایی با شبکه های عصبی زیستی ومقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبیو بررسی وتجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی
عنوان های پاورپوینت آشنایی با شبکه های عصبی زیستی ومقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبیو بررسی وتجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی عبارتند از :
آشنایی با شبکه های عصبی زیستی
معرفی شبکه های عصبی مصنوعی(ANNها)
مبانی شبکه های عصبی مصنوعی
توپولوژی شبکه
نرم افزارهای شبکه های عصبی
مقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبی
فرآیند یادگیری شبکه
دانلود پاورپوینت آشنایی با شبکه های عصبی زیستی ومقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبیو بررسی وتجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی
تجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی
ایده ی اصلی شبکه های عصبی مصنوعی
مهم ترین تفاوت حافظه ی انسان و حافظه ی کامپیوتر
شبکه های عصبی در مقابل کامپیوترهای معمولی
معایب شبکه های عصبی مصنوعی
کاربردهای شبکه های عصبی مصنوعی
تکه ها و قسمت های اتفاقی از فایل آشنایی با شبکه های عصبی زیستی ومقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبیو بررسی وتجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی
آشنایی با شبکه های عصبی زیستی ومقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبیو بررسی وتجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی
2pro.ir
Artificial Neural Networks
Winter 2006
مباحث :
آشنایی با شبکه های عصبی زیستی
معرفی شبکه های عصبی مصنوعی(ANNها)
مبانی شبکه های عصبی مصنوعی
توپولوژی شبکه
نرم افزارهای شبکه های عصبی
مقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبی
فرآیند یادگیری شبکه
تجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی
ایده ی اصلی شبکه های عصبی مصنوعی
مهم ترین تفاوت حافظه ی انسان و حافظه ی کامپیوتر
شبکه های عصبی در مقابل کامپیوترهای معمولی
معایب شبکه های عصبی مصنوعی
دانلود پاورپوینت آشنایی با شبکه های عصبی زیستی ومقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبیو بررسی وتجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی
کاربردهای شبکه های عصبی مصنوعی
آشنایی با شبکه های عصبی زیستی
این شبکه ها مجموعه ای بسیار عظیم از پردازشگرهایی موازی به نام نورون اند که به صورت هماهنگ برای حل مسئله عمل می کنند و توسط سیناپس ها(ارتباط های الکترومغناطیسی)اطلاعات را منتقل می کنند.در این شبکه ها اگر یک سلول آسیب ببیند بقیه ی سلولها می توانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند.
این شبکه ها قادر به یادگیری اند.مثلا با اعمال سوزش به سلولهای عصبی لامسه، سلولها یاد می گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می آموزد که خطای خود را اصلاح کند.back propagation of error))
یادگیری در این سیستم ها به صورت تطبیقی صورت می گیرد، یعنی با استفاده ازمثال ها وزن سیناپس ها به گونه ای تغییر می کند که در صورت دادن ورودی های جدید سیستم پاسخ درستی تولید کند.
معرفی ANN ها
یک سیستم پردازشی داده ها که از مغز انسان ایده گرفته و پردازش داده ها را به عهده ی پردازنده های کوچک و بسیار زیادی سپرده که به صورت شبکه ای به هم پیوسته و موازی با یکدیگر رفتار می کنند تا یک مسئله را حل کنند.
در این شبکه ها به کمک د انش برنامه نویسی ، ساختا ر داده ای طراحی می شود که می تواند هما نند نورون عمل کند.که به این ساختارداده node یا گره نیزگفته می شود.بعد باایجاد شبکه ای بین این node ها و اعمال یک الگوریتم آموزشی به آ ن، شبکه را آموزش می دهند .
در این حافظه یا شبکه ی عصبی node ها دارای دو حالت فعال(on یا 1) وغیرفعال( off یا 0) اند و هر یال (سیناپس یا ارتباط بین node ها)دارای یک وزن می باشد.یالهای با وزن مثبت ،موجب تحریک یا فعال کردن node غیر فعال بعدی می شوند و یالهای با وزن منفی node متصل بعدی را غیر فعال یا مهار(در صورتی که فعال بوده باشد) می کنند.
معرفی ANN ها(ادامه...)
ANN ها در واقع مثلثی هستند با سه ضلع مفهومی :
سیستم تجزیه و تحلیل داده ها
نورون یا سلول عصبی
قانون کار گروهی نورونها (شبکه)
ANN ها دست کم از دو جهت شبیه مغز انسا ن اند:
مرحله ای موسوم به یاد گیری دارند.
وزن های سیناپسی جهت ذخیره ی دانش به کار می روند.
هوش مصنوعی و مدل سا زی شناختی سعی بر این دارند که بعضی خصوصیا ت شبکه های عصبی را شبیه سازی کنند. گرچه این دو روش ها یشان شبیه هم است، اما هدف هوش مصنوعی از این کار حل مسائل شخصی و هدف مدل سا زی شناختی ،ساخت مدلهای ریا ضی سیستم های نورونی زیستی می باشد .
به طور خلاصه یک شبکه عصبی باید خصوصیات زیر را داشته باشد:
بتواند الگوها را طبقه بندی کند.
به اندازه کافی کوچک باشد تا از نظر فیزیکی واقع گرایانه باشد.
با به کار گیری آموزش، قابل برنامه ریزی باشد و قدرت یادگیری داشته باشد. یعنی توانایی تنظیم پارامترهای شبکه ( اوزان سیناپتیکی )، در مسیر زمان که محیط شبکه تغییر می کند و شبکه وارد شرایط جدیدی می شود. هدف از این کار این است که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی شبکه رخ داد، شبکه بتواند با آموزش مختصر، برای شرایط جدید نیز کارآمد باشد. دیگر این که اطلاعات در شبکه های عصبی در سیناپس ها ذخیره و هر نرون در شبکه به صورت بالقوه از کل فعالیت سایر نرون ها تأثیر می پذیرد. در نتیجه اطلاعات از نوع مجزا از هم نبوده و متأثر از کل شبکه می باشد.
توانایی تعمیم را با استفاده از مثال های ارائه شده در فرآیند آموزش، داشته باشد.
مبانی ANN ها
شبکه های عصبی به طور کلی سیستمهای ریاضی یادگیر غیر خطی هستند. طرز کار این شبکه ها از روش کار مغز انسان الگو برداری شده است. در واقع شبکه های عصبی طبق تعریف ماشینی است برای ساخت یک مدل که می توان آن را بوسیله سخت افزار یا نرم افزار شبیه سازی کرد و عملکردی شبیه مغز انسان دارند.
یک شبکه عصبی ب...
بی تحریک شده و سیگنال خروجی تولید می کند. با مقایسه جواب خروجی شبکه با مقدار مطلوب مورد نظر بردار خطا محاسبه شده و این بردار با استفاده از الگوریتم های مختلف از آخر به سمت ابتدای شبکه پخش شده٬ به طوری که درسیکل بعد خطا کاهش یابد.
توپولوژی شبکه
وضعیت نسبی سلولها در شبکه(تعداد و گروه بندی و نوع اتصالات آنها)را توپولوژی شبکه گویند.توپولوژی در واقع سیستم اتصال سخت افزار نورونها به یکدیگر است که توام با نرم افزار مربوطه (یعنی روش ریاضی جریان اطلاعات و محاسبه ی وزنها)نوع عملکرد شبکه ی عصبی را تعیین می کند.
در این توپولوژی یک لایه ی ورودی وجود دارد که اطلاعات را دریافت می کند،تعدادی لایه ی مخفی وجود دارد که اطلاعات را از لایه های قبلی می گیرند و در نهایت یک لایه ی خروجی وجود دارد که نتیجه ی محاسبات به آنجا میرود و جوابها در آن قرار میگیرند.
FeedForward topology
Recurrent topology
نرم افزارهای شبکه های عصبی
نرم افزارهایی برای شبیه سازی ،مطالعه و تحقیق سیستمهای عصبی زیستی و گسترش شبکه های عصبی مصنوعی وAdaptive system ها .
شبیه سازها: نرم افزارهایی برای شبیه سازی رفتار شبکه های عصبی زیستی و مصنوعی که به صورت مستقل عمل می کنند و قادرند فرآیند آموزش شبکه ی عصبی را به شکل تصویری نمایش دهند.
شبیه سازهای تحقیقاتی :برای مطالعه ی الگوریتم ها و ساختارهای شبکه ی عصبی که به فهم بهتر رفتارها و خصوصیات شبکه ی عصبی کمک می کنند.(مطالعه ی ویژگی های شیمیایی و زیستی بافتهای عصبی و پالس های الکترومغناطیسی بین نورونها).
رایجترین شبیه سازهای ANN ها :
SNNS(stuttgart neural network simulator),PDP++(parallel distribution processing),JavaNNS
رایجترین شبیه سازهای شبکه های زیستی:
XNBC,BNN ToolBox
دانلود پاورپوینت آشنایی با شبکه های عصبی زیستی ومقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبیو بررسی وتجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی
نرم افزارهای شبکه های عصبی
شبیه سازهای آنالیز داده :علی رغم دسته ی اول ،کاربردهای عملی شبکه های عصبی را مطالعه می کنند.استفا ده از آنها نسبتا ساده است در عوض تواناییهاشان محدود است . بر روی Data miningوپیش بینی ها کار می کنند.
بعضی از آنها عبارتند از:
Microsoft Excel,Matlab
Development Environment ها:برای گسترش و آرایش شبکه های عصبی به کار می روند.
رایج ترین نرم افزارهای این دسته عبارتند از:
MathWorks NN ToolBox,GBlearn2
مقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبی
مدل سازی کلاسیک:
این مدل از نخستین قدم خطای بزرگی مرتکب می شود که فقط در سیستمهای ساده (خطی یا نزدیک به خطی )قابل صرفنظر است و آن محاسبه ی شاخصهای تمایل به مرکز و پراکندگی است که به این ترتیب راهمیت فردی تک تک داده ها از بین می رود و در نتیجه سیستم قادر به کشف پیچیدگی ها نخواهد بود.
مدل سازی شبکه ی عصبی :
در این مدل هر یک از کانالهای ورودی دارای یک ضریب عددی هستند که وزن سیناپسی نامیده می شود.شدت تحریک الکتریکی در این ضریب ضرب می شود و به جسم سلولی می رسد.
اگر مجموع تحریکات وارد به جسم سلولی به حد آستانه ی خاصی رسیده باشد،نورون شلیک می کند و در مسیرهای خروجی جریان الکتریکی ثابتی را ایجاد می کند.تحریکات لایه ی ورودی به یک یا چند لایه ی واسط می رود .ادامه ی جریان تحریکات در این لایه ها طوری هدایت میشود که پیچیدگیهای تاثیرات جریان ورودی را شبیه سازی می کند .سپس تحریکات به لایه ی خروجی می روند که هدف نهایی ماست.
مدل سازی شبکه ی عصبی(ادامه...)
اگر هدف پیشگویی کمی باشد ،مجموع تحریکات آخرین عصب خروجی ،آن عدد خواهد بود.
اگر هدف طبقه بندی باشد ،فعالیت یا عدم فعالیت (on یا off بودن)نورونهای لایه ی آخر نمایانگر این امر خواهد بود .مثلا شلیک نورون خروجی(فعال بودن آن)نشانگر حضور بیماری و خاموش بودن آن نشانه ی سلامتی است.
سیستم شبکه ی عصبی در فرآیند یادگیری طوری وزنهای سیناپسی را تغییر می دهد که بتواند با هر سری تحریکات ورودی (یعنی داده های هر نمونه)جریان خروجی مناسب(پاسخ R)را تولید کند.
چگونگی ریاضی این تغییر وزنها ظریفترین بخش مکانیسم عملکرد شبکه است.
فرآیند یادگیری شبکه
وظیفه ی شبکه های عصبی یادگیری است.تقریبا چیزی شبیه به یادگیری کودک خردسال.
انواع آموزش شبکه:
یادگیری تحت نظارت(یا supervised ) : با تمرکز روی یک موضوع خاص و ارائه ی مثالهای مختلفی از آن صورت می گیرد .شبکه اطلاعات ورودی و مثال ها را تجزیه و تحلیل خواهد کرد به طوری که پس از مدتی قادر خواهد بود یک نوع جدید از آن دسته مثال ها را که قبلا هرگز ندیده بود شناسایی کند.
یادگیری بدون نظارت(یا unsupervised ) :یادگیری سطح بالاتری است که کاربرد آن امروزه کمتر است.
یادگیری تقویتی(یا reinforcement):
مدل پنهانی مارکوف(MDP):اجزای اصلی یک مدل مارکوف عبارتند از :مجموعه ی حالتها،مجموعه ی عملها،گذرها،ارزش افزوده ی فوری هر عمل
تجزیه و تحلیل داده ها توسط ANN ها
شبکه ی عصبی مدتی ”فکر“ می کند،داده های موجود را ”تجزیه و تحلیل“ می کند،روابط پیچیده ی بین پارامترها را ”کشف“ کرده و جوابی با دقت قابل قبول ارائه می دهد.در اینجا هیچ خبری از تستهای پیچیده ی آماری نیست.
ایده ی اصلی عملکرد شبکه های عصبی مصنوعی
هر گره دارای دو وضعيت فعال و غيرفعال است(صفر يا يك) و هر يال نيز دارای يك وزن میباشد (شكل 2). يال‌های با وزن مثبت بين دو گره تا گره فعال ديگری را تحريك می‌كنند و يال‌های با وزن منفی بين دو گره، گره فعال ديگری را غير فعال می‌سازند.
نحوه عملكرد شبكه بدين صورت است كه ابتدا يك گره به تصادف انتخاب میشود. اگر يك يا بيشتر از همسايه‌های آن گره فعال بودند جمع وزن‌دار يال‌های منتهی به آن گره‌ها حساب میشود. اگر اين جمع مثبت بود گره فعال میشود و در غير اين صورت گره مذكور غيرفعال باقی خواهد ماند. سپس مجددا يك گره ديگر به تصادف انتخاب شده و همين عمليات آنقدر تكرار میشود تا شبكه به يك حالت پايدار برسد.
تز اصلی هاپفيلد : از هر حالت ابتدايی و با هر وزنی از يال‌ها كه شروع كنيم، شبكه در نهايت به حالت پايدار خواهد رسيد.
مهم ترین تفاوت حافظه ی انسان و حافظه ی کامپیوتر
يكی از مهم‌ترين تفاوت‌های حافظه انسان با حافظه كامپيوتر در نوع آدرس دهی اين دو نوع حافظه میباشد. در حافظه كامپيوتر اساس كار بر پايه آدرس خانه‌های حافظه يا آدرس اطلاعات بر روی حافظه دائم میباشد. به عنوان مثال برای دستيابی به يك تصوير يا متن خاص، بايد آدرس حافظه يا فايل مربوط به آن تصوير يا متن را داشته باشيد. اما با داشتن خود تصوير يا متن نمی‌توانيد به سادگی آدرس حافظه مربوطه را بيابيد (البته به اين معنی كه اين كار با يك قدم قابل انجام نيست، وگرنه می‌توانيد تصوير يا متن مورد نظر را با تمام موارد موجود در حافظه مقايسه كرده و در صورت تطبيق آدرس را بيابيد. ناگفته پيداست كه انجام چنين كاری بسيار زمان بر و پر هزينه میباشد).
دانلود پاورپوینت آشنایی با شبکه های عصبی زیستی ومقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبیو بررسی وتجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی
اما به سازوكار همين عمل در ذهن انسان دقت كنيد. با ديدن يك تصوير ناقص اغلب بلافاصله كامل آنرا به خاطر می‌آوريد يا با ديدن تصوير يك شخص سريعا نام او را می‌گوييد، يا با خواندن يك متن سريعا تمامی مطالب مربوط به آن را به ذهن می‌آوريد. در واقع ذهن انسان يك نوع حافظه آدرس‌دهی شده بر اساس محتواست (Content Addressable Memory). همانگونه كه از اين نام مشخص است در اين نوع حافظه، با دادن محتوای يك خانه حافظه، بلافاصله آدرس آن به عنوان خروجی داده میشود.
شبکه های عصبی در مقابل کامپیوترهای معمولی
شبکه های عصبی نسبت به کامپیوتر های معمولی مسیر متفاوتی را برای حل مسئله طی می کنند . کامپیوتر های معمولی یک مسیر الگو ریتمی را استفاده می کنند به این معنی که کامپیوتر یک مجموعه از دستورالعمل ها را به قصد حل مسئله پی می گیرد. بدون اینکه، قدم های مخصوصی که کامپیوتر نیاز به طی کردن دارد، شناخته شده باشند کامپیوتر قادر به حل مسئله نیست. این حقیقت قابلیت حل مسئله ی کامپیوتر های معمولی را به مسائلی ،محدود می کند که ما قادر به درک آنها هستیم و می دانیم چگونه حل میشوند. اما ....
آموزش شبكه ممكن است مشكل یا حتی غیرممكن باشد.
پیش‌بینی عملكرد آینده شبكه ( عمومیت یافتن ) آن به سادگی امكان‌پذیر نیست.
کاربردهای شبکه های عصبی مصنوعی
امروزه شبكه‌های عصبی در كاربردهای مختلفی نظير مسائل تشخيص الگو(Pattern Recognition) كه خود شامل مسائلی مانند تشخيص خط(Character Recognition)
، شناسايی گفتار(Speech Recognition)، پردازش تصوير(Image Processing)
و مسائلی ازاين دست میشود و نيز مسائل دسته‌بندي(Classification) مانند دسته‌بندی (Classification Problems)متون و يا تصاوير،به كار می‌روند.دركنترل يا مدل‌سازی سيستم‌هايی كه ساختار داخلی ناشناخته يا بسيار پيچيده‌ای دارند نيز به صورت روز افزون از شبكه‌های عصبی مصنوعی استفاده میشود . به عنوان مثال می‌توان در كنترل ورودی يك موتور از يك ANN استفاده نمود كه در اين صورت شبكه عصبی خود تابع كنترل را ياد خواهد گرفت.
مراجع و منابع:
https://www.wikipedia.com/
https://dbase.irandoc.ac.ir/
30 تا 70 درصد پروژه | پاورپوینت | سمینار | طرح های کارآفرینی و توجیهی | پایان-نامه | پی دی اف مقاله ( کتاب ) | نقشه | پلان طراحی | های آماده به صورت رایگان میباشد ( word | pdf | docx | doc | )
