شبكه‌ هاي عصبي مصنوعي (Artificial Neural Network – ANN) يا به زبان ساده ‌تر شبكه‌ هاي عصبي سيستم‌ ها و روش ‌هاي محاسباتي جديدي براي يادگيري ماشيني، نمايش دانش و در انتها اعمال دانش به دست آمده در جهت بيش‌ بيني پاسخ ‌هاي خروجي از سامانه ‌هاي پيچيده مي باشد. اين شبكه ها از تعداد دلخواهي سلول يا گره يا واحد يا نرون تشكيل مي شود كه مجموعه ورودي را به خروجي ربط مي دهند. همچنين اين شبكه‌ ها قادر به يادگيري‎ هستند...

جزوه آموزش شبكه عصبي مصنوعي، مشتمل بر 131 صفحه، در 7 فصل، با فرمت PDF، به زبان فارسي، همراه با تصاوير و روابط مهم رياضي به ترتيب زير گردآوري شده است:

فصل 1: هوش محاسباتي

• تاريخچه
• هوش مصنوعي
• چالش هاي بنيادين هوش مصنوعي
• هوش محاسباتي
• شبكه هاي عصبي (Neural Networks)
• مدل رياضي شبكه هاي عصبي
• منطق فازي (Fuzzy logic)
• الگوريتم هاي ژنتيك (GA)
• كاربردهاي شبكه هاي عصبي در پزشكي
• سيستم هاي تشخيص
• آناليزهاي شيمي پزشكي
• آناليز تصوير
• پيشرفتهاي دارويي و مدلسازي سيستم قلبي عروقي
• بويايي الكترونيكي
• شناخت الگو
• پزشك نمونه
• كاربردهاي سيستم هاي فازي در پزشكي
• سيستم هاي فازي در بيو انفورماتيك
• سيستم هاي فازي ژنتيك

فصل 2: شبكه هاي عصبي

• مقدمه
• معناي شبكه هاي عصبي
• انگيزه هاي بيولوژيكي
• تشابهات و انتظارات
• تاريخچه و كاربرد
• مدل رياضي نرون
• مدل تك ورودي
• برخي توابع تحريك مرسوم نرون مصنوعي
• مدل چند ورودي
• ساختار شبكه هاي عصبي
• شبكه هاي يك و چند لايه
• مثال: يك شبكه پيشخور 3 لايه
• چند سئوال
• شبكه هاي پسخور يا برگشتي
• مسائل حل شده

فصل 3: مسئله تشريحي شناسايي الگو

• شناسايي الگو
• روش هاي كلاسيك و شبكه هاي عصبي
• معرفي سه شبكه هاي نمونه: پرسپترون، همينگ و هاپفيلد
• پرسپترون تك لايه با تابع تحريك آستانه اي دو مقداره متقارن
• مثال تشريحي با پرسپترون
• شبكه همينگ
• شبكه همينگ، لايه اول
• شبكه همينگ، لايه دوم
• شبكه همينگ، لايه سوم
• شبكه هاپفيلد
• مهمترين ويژگي ها
• مهمترين نكات

فصل 4: پرسپترون تك لايه

• فرايند يادگيري
• يادگيري با ناظر
• يادگيري بدون ناظر
• خلاصه فرايند يادگيري
• سيستم هاي ديناميكي آموزش پذير
• معادله يادگيري در حالت كلي
• يادگيري با ناظر در شبكه عصبي
• يادگيري تشديدي (تقويتي) در شبكه عصبي
• يادگيري بدون ناظر در شبكه عصبي
• قانون يادگيري پرسپترون تك لايه (SLPR)

فصل 5: شبكه هاي آدالاين و يادگيري LMS

• مقدمه
• مباني بهينه سازي و نقاط بهينه
• بسط تيلور و تقريب توابع
• مشتقات برداري جهت دار
• شرايط لازم براي نقاط بهينه
• توابع درجه دوم
• توابع درجه دوم و ساختار ويژه
• روند مينيمم سازي، الگوريتم كلي
• روش بيشترين نزول (SD)
• نكات مربوط به الگوريتم SD
• مثالي از الگوريتم SD
• نكات

فصل 6: يادگيري LMS يا ويدرو هوف

• شبكه آدالاين
• معادلات ويدرو هوف در حالت تك نرون
• الگوريتم LMS
• فرم دسته اي يادگيري LMS در حالت تك نرون
• فرم دسته اي يادگيري LMS در حالت كلي
• بهبود هايي بر LMS
• كاربرد شبكه آدالاين در فيلترهاي تطبيقي

فصل 7: شبكه هاي عصبي چند لايه پيشخور و يادگيري پس انتشار خطا

• مقدمه
• تاريخچه
• شبكه پرسپترون چند لايه
• حل چند مسئله شناسايي الگو
• شناسايي الگو
• الگوريتم BP
• خلاصه الگوريتم BP

* توجه:
لازم به ذكر است كه علاوه بر جزوه آموزشي بالا، جزوه حل تمرينات درس شبكه عصبي مصنوعي (دكتر منهاج، 68 صفحه، به زبان فارسي، با فرمت pdf) نيز جهت دانلود قرار داده شده است.

جهت دانلود جزوه آموزش شبكه عصبي مصنوعي به همراه تشريح كامل مسائل، برلينك زير كليك نماييد.

آموزش شبكه عصبي مصنوعي به همراه تشريح كامل مسائل

جزوه آموزشي مجموعه مثال هاي كاربردي حل شده در زمينه شبكه عصبي مصنوعي با استفاده از نرم افزار MATLAB، مشتمل بر 13 مثال كاربردي كه به صورت گام به گام و به زبان روان به حل كامل مثال ها پرداخته شده است. جزوه مورد نظر 92 صفحه، با فرمت PDF، به زبان انگليسي، به ترتيب زير گردآوري شده است:

• Example 1: Calculate the output of a simple neuron
• Example 2: Create and view custom neural networks
• Example 3: Classification of linearly separable data with a perceptron
• Example 4: Classification of a 4-class problem with a 2-neuron perceptron
• Example 5: ADALINE time series prediction with adaptive linear filter
• Example 6: Classification of an XOR problem with a multilayer perceptron
• Example 7: Classification of a 4-class problem with a multilayer perceptron
• Example 8: Industrial diagnostic of compressor connection rod defects
• Example 9: Prediction of chaotic time series with NAR neural network
• Example 10: Radial basis function networks for function approximation
• Example 11: Radial basis function networks for classification of XOR problem
• Example 12: 1D and 2D Self Organized Map
• Example 13: PCA for industrial diagnostic of compressor connection rod defects

* توجه: لازم به ذكر است كه علاوه بر فايل جزوه آموزشي بالا، 3 فايل مرتبط با مباحث شبكه عصبي مصنوعي با عناوين زير نيز جهت دانلود قرار داده شده است:

• فايل 1: جزوه آموزشي شبكه عصبي مصنوعي (به زبان فارسي، 43 صفحه، فرمت JPEG)
• فايل 2: جزوه آموزشي شبكه عصبي مصنوعي (به زبان فارسي، 23 اسلايد، فرمت powerpoint)
• فايل 3: آموزش تصويري پياده سازي شبكه عصبي براي داده هاي آماري بانك مركزي (به زبان فارسي، 13 دقيقه، فرمت MP4)

جهت دانلود جزوه آموزشي مجموعه مثال هاي كاربردي حل شده در زمينه شبكه عصبي مصنوعي با استفاده از نرم افزار MATLAB به همراه فايل هاي ضميمه بالا، برلينك زير كليك نماييد.

مجموعه مثال هاي كاربردي حل شده در زمينه شبكه عصبي مصنوعي

كتاب طراحي شبكه هاي عصبي مصنوعي (Neural Network Design)، سعي دارد تا شبكه هاي عصبي مصنوعي را بيشتر با مفهوم و ساختار اساسي اش بيان نمايد. اين كتاب اثر هاگان بوده كه به همراه دانشجويانش تولباكس شبكه عصبي را نيز در نرم افزار متلب طراحي نموده اند. اين كتاب مشتمل بر 19 فصل، 733 صفحه، به زبان انگليسي، همراه با تصاوير، فرمول ها و جداول مهم، با فرمت pdf، به ترتيب زير گردآوري شده است:

• Chapter 1: Introduction
• Chapter 2: Neuron Model and Network Architectures
• Chapter 3: An Illustrative Example
• Chapter 4: Perceptron Learning Rule
• Chapter 5: Signal and Weight Vector Space
• Chapter 6: Linear Transformations for Neural Network
• Chapter 7: Supervised Hebbian Learning
• Chapter 8: Performance Surfaces and Optimum Points
• Chapter 9: Performance Optimization
• Chapter 10: Widrow Hoff Learning
• Chapter 11: Back propagation
• Chapter 12: Variations on Back Propagation
• Chapter 13: Associative Learning
• Chapter 14: Competitive Networks
• Chapter 15: Grossberg Network
• Chapter 16: Adaptive Resonance Theory
• Chapter 17: Stability
• Chapter 18: Hopfield Network
• Chapter 19: Epilogue

جهت دانلود كتاب طراحي شبكه هاي عصبي (Neural Network Design)، بر لينك زير كليك نماييد.

طراحي شبكه هاي عصبي مصنوعي