شنبه ۱۷ خرداد ۹۹ | ۱۸:۵۶ ۵۹ بازديد

در جهان امروز به علت پيشرفت تكنولوژي و پيچيده تر شدن مسائل، استفاده از روش هاي نوين، جايگزين بسياري از روش هاي سنتي شده كه ديگر قادر به تخمين درستي از وضعيت موجود نمي باشند. همچنين پيچيده شدن فرايندها منجر به مشكلاتي مانند غير خطي شدن رابطه پارامترهاي فرايند شده كه روش هاي پيشين قادر به انجام و يا تصميم گيري در مورد آنها نيستند، از اين رو روش هاي جديدي از قبيل شبكه هاي عصبي جهت تحليل اين فرايندها پديد آمده است. به دليل پيچيده بودن محاسبات شبكه عصبي استفاده از نرم افزارهاي كامپيوتري توسط كاربران ناگزير مي نمايد. در اين ميان نرم افزارهاي متعددي به محاسبه شبكه هاي عصبي مي پردازند. نرم افزار SPSS نسبت به ساير نرم افزارها داراي مزيت هايي بوده كه مهمترين آن سهولت استفاده از آن مي باشد. از اين رو بر آن شديم تا راهنماي مناسبي جهت استفاده از اين نرم افزار مهيا كنيم كه كتاب حاضر حاصل اين احساس نياز مي باشد. توجه داشته باشيد كه اين آموزش بر اساس مثال هاي كاربردي صورت مي پذيرد كه تأثير مفيدي بر آموزش نرم افزار دارد...

كتاب آموزش شبكه هاي عصبي در نرم افزار SPSS، مشتمل بر 152 صفحه، در 3 فصل، با فرمت PDF، به زبان فارسي، همراه با تصاوير و روابط مهم رياضي به ترتيب زير گردآوري شده است:

فصل 1: مقدمه

شبكه عصبي چيست؟
مزيت هاي شبكه هاي عصبي
محدوديت هاي شبكه عصبي
نرون عصبي انسان
شبكه هاي عصبي تك نرونه، تك لايه، چند لايه
انواع شبكه اي عصبي مصنوعي از نظر برگشت پذيري
مراحل طراحي يك شبكه عصبي مصنوعي
يادگيري نظارت نشده يا بدون ناظر
شبكه پرسپترون
يادگيري يك پرسپترون
توابعي كه پرسپترون قادر به يادگيري آنها مي باشد
الگوريتم هاي يادگيري پرسپترون
مشكلات روش Gradient descent
الگوريتم Back propagation
انواع مدل هاي پرسپترون چند لايه
شبكه هاي تابع شعاع مدار (RBF)
معماري شبكه
شبكه هاي عصبي در SPSS
آموزش شبكه RBF
لايه خروجي
مزاياي يك RBF
برخي كاربردهاي شبكه هاي عصبي مصنوعي

فصل 2: راهنماي كاربر

بخش اول

شبكه هاي عصبي در SPSS
ساختار شبكه عصبي

بخش دوم

پرسپترون چند لايه
متغيرهاي وابسته
ساخت يك شبكه پرسپترون چند لايه
تفكيك كردن (Partitions)
ساختار (Architecture)
لايه هاي پنهان
آموزش (Training)
خروجي (Out Put)
ذخيره (save)
احتمال ها و شبه احتمال ها
صدور (Export)
گزينه ها (Options)

بخش سوم

تابع شعاع مدار
متغيرهاي وابسته
ساخت يك شبكه تابع شعاع مدار
تفكيك كردن (Partiotions)
ساختار (Architecture)
خروجي (Out Put)
ذخيره (save)
احتمال ها و شبه احتمال ها
صدور (Export)
گزينه ها (Options)

فصل 3: مثال ها

بخش اول

پرسپترون چندلايه
آماده سازي داده ها جهت انجام تحليل ها
شروع تحليل ها
خلاصه فرايند انجام شده
اطلاعات شبكه
خلاصه مدل
طبقه بندي
تصحيح نمودن آموزش اضافي
ايجاد نمونه آموزشي
آغاز نمودن تحليل ها
خلاصه اي از فرايند انجام شده
اطلاعات شبكه
خلاصه مدل
طبقه بندي
منحني ROC
نمودار پيش بيني بر اساس مشاهده (Predicted-by-Observed Chart)
Cumulative Gains and lift charts
اهميت متغيرهاي مستقل
خلاصه
استفاده از پرسپترون چند لايه به منظور محاسبه هزينه هاي درماني و مدت زمان بستري بيماران
آماده سازي داده ها جهت انجام تحليل ها
آغاز آناليزها
اعلام خطرها
خلاصه فرايند
اطلاعات شبكه
خلاصه مدل
جدول پيش بيني بر اساس مشاهده (Predicted-by-Observed Charts)
Residual by predicted chart
Independent variable importance
شبكه هاي عصبي در SPSS
خلاصه