شبکه‌ های عصبی مصنوعی (Artificial Neural Network – ANN) یا به زبان ساده ‌تر شبکه‌ های عصبی سیستم‌ ها و روش ‌های محاسباتی جدیدی برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌ بینی پاسخ ‌های خروجی از سامانه ‌های پیچیده می باشد. این شبکه ها از تعداد دلخواهی سلول یا گره یا واحد یا نرون تشکیل می شود که مجموعه ورودی را به خروجی ربط می دهند. همچنین این شبکه‌ ها قادر به یادگیری‎ هستند...

جزوه آموزش شبکه عصبی مصنوعی، مشتمل بر 131 صفحه، در 7 فصل، با فرمت PDF، به زبان فارسی، همراه با تصاویر و روابط مهم ریاضی به ترتیب زیر گردآوری شده است:

فصل 1: هوش محاسباتی

• 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 عروقی
• بويايي الكترونيكي
• شناخت الگو
• پزشك نمونه
• كاربردهاي سيستم هاي فازي در پزشكي
• سيستم هاي فازي در بيو انفورماتيك
• سيستم هاي فازي ژنتيك

فصل 2: شبکه های عصبی

• 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 یادگیری 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: یادگیری 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 کلی
• 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 ذکر است که علاوه بر جزوه آموزشی بالا، جزوه حل تمرینات درس شبکه عصبی مصنوعی (دکتر منهاج، 68 صفحه، به زبان فارسی، با فرمت pdf) نیز جهت دانلود قرار داده شده است.

جهت دانلود جزوه آموزش شبکه عصبی مصنوعی به همراه تشریح کامل مسائل، به لینک زیر مراجعه نمایید:

آموزش شبکه عصبی مصنوعی به همراه تشریح کامل مسائل

جزوه آموزشی مجموعه مثال های کاربردی حل شده در زمینه شبکه عصبی مصنوعی با استفاده از نرم افزار MATLAB، مشتمل بر 13 مثال کاربردی که به صورت گام به گام و به زبان روان به حل کامل مثال ها پرداخته شده است. جزوه مورد نظر 92 صفحه، با فرمت PDF، به زبان انگلیسی، به ترتیب زیر گردآوری 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 ذکر است که علاوه بر فایل جزوه آموزشی بالا، 3 فایل مرتبط با مباحث شبکه عصبی مصنوعی با عناوین زیر نیز جهت دانلود قرار داده شده است:

فایل 1: جزوه آموزشی شبکه عصبی مصنوعی (به زبان فارسی، 43 صفحه، فرمت JPEG)

فایل 2: جزوه آموزشی شبکه عصبی مصنوعی (به زبان فارسی، 23 اسلاید، فرمت powerpoint)

فایل 3: آموزش تصویری پیاده سازی شبکه عصبی برای داده های آماری بانک مرکزی (به زبان فارسی، 13 دقیقه، فرمت MP4)

جهت دانلود جزوه آموزشی مجموعه مثال های کاربردی حل شده در زمینه شبکه عصبی مصنوعی با استفاده از نرم افزار MATLAB به لینک زیر مراجعه نمایید:

مجموعه مثال های کاربردی حل شده در زمینه شبکه عصبی مصنوعی

پیشرفت در جمع آوری و ذخیره داده در طول دهه های گذشته موجب انفجار داده در بیشتر موارد شده است. محققان در بسیاری از حیطه ها مانند مهندسی، ستاره شناسی، اقتصاد و تعاملات مصرف کننده، با مشاهدات و شبیه سازی بزرگ و بزرگتری روبه رو شده اند. چنین مجموعه داده ها در مقابل با مجموعه داده های کوچکتری که در گذشته مطالعه می شدند، چالش های جدیدتر در تحلیل داده ها به وجود آورده اند. به دلیل افزایش تعداد مشاهدات و از آن مهمتر به دلیل افزایش تعداد متغیرهای مربوط به هر مشاهده، روش های آماری قدیمی نسبتا درهم شکسته شد. مجموعه داده های با ابعاد زیاد چالش های ریاضیاتی زیادی همراه با فرصت های جدید به همراه داشتند. یکی از مسائل با مجموعه داده ابعاد بالا این است که در بسیاری از موارد همه متغیرهای اندازه گیری شده برای فهم موضوع موردنظر با اهمیت نیستند. کاهش بعد دسته بندی، تجسم، ارتباط و ذخیره داده با بعد بالا را تسهیل می بخشد. با وجود اینکه روش های جدید با هزینه محاسباتی بالا مدل های پیش بینی با دقت بالا از داده های با ابعاد بالا می سازند، هنوز هم در بسیاری از موارد تمایل به کاهش ابعاد داده اصلی به هر مدلی از داده است...

جزوه آموزش کاهش بعد با استفاده از شبکه های عصبی، مشتمل بر 22 صفحه، با فرمت PDF، تایپ شده، به زبان فارسی، به ترتیب زیر گردآوری شده است:

• ماشین بولتزمن محدود (RBM)
• نمونه سازی Gibbs
• رمزگذار خودکار
• شبکه های باور عمیق (DBN)
• کاهش بعد
• مقاله مورد بررسی
• توضیحات تکمیلی
• جزئیات پیش آموزش
• جزئیات میزان سازی دقیق
• متناسب شدن در logestic PCA
• تاثیر پیش آموزش میزان سازی دقیق در رمزگذار خودکارهای عمیق و سطحی
• جزئیات یافتن کدها برای اعداد MNIST
• جزئیات یافتن رمز برای چهره های Olivetti
• جزئیات یافتن رمزها برای اسناد رویتر
• مقایسه با جاسازی خطی محلی
• استفاده از پیش آموزش و میزان سازی دقیق برای دسته بندی اعداد
• مراجع

* توجه: لازم به ذکر است که علاوه بر فایل جزوه آموزشی بالا، مقاله زیر نیز جهت دانلود قرار داده شده است:

مقاله کاهش بعد داده های تصاویر تشدید مغناطیسی مغز با استفاده از شبکه عصبی آموزش یافته توسط الگوریتم ژنی (16 صفحه، به زبان فارسی)

جهت دانلود جزوه آموزش کاهش بعد با استفاده از شبکه های عصبی به انضمام مقاله، به لینک زیر مراجعه نمایید:

کاهش بعد با استفاده از شبکه های عصبی

شبکه هاي عصبی عمیق داراي کاربردهاي فراوانی در پردازش گفتار می باشند. در صورتی که این شبکه ها به صورت تصادفی مقدار دهی اولیه شوند به جواب درست همگرا نخواهند شد، چرا که داراي تعداد پارامترهاي فراوانی می باشند. روش هاي متعددي براي پیش تعلیم شبکه هاي عصبی عمیق مطرح شده است که باعث همگرا شدن شبکه می شوند. پیش تعلیم شبکه هاي عصبی می تواند هم بر مبناي شبکه باور عمیق و هم ماشین بولتزمان عمیق انجام گیرد. در این مقاله شبکه عصبی عمیق با روش پیش تعلیم جدیدي که بر مبناي ماشین بولتزمان عمیق می باشد، آموزش می بیند. در نهایت خروجی شبکه عصبی پس از پیش تعلیم توسط روش ارائه شده، براي طبقه بندي واج ها مورد استفاده قرار می گیرد. نتایج تجربی بر روي دادگان گفتار تیمیت بیانگر آن است که روش ارائه شده براي کاربردهاي بازشناسی واج مناسب می باشد. همچنین آزمایشات نشان داده است که روش ارائه شده بر مبناي ماشین بولتزمان عمیق به کاهش خطاي عمومی سیستم و افزایش کارائی آن کمک می کند و از طرفی باعث همگرائی سریع تر شبکه عصبی عمیق می شود...

مقالهروشی جدید براي پیش تعلیم شبکه عصبی بر مبناي ماشین بولتزمان عمیق به منظور افزایش سرعت آموزش و دقت در بازشناسی واج، مشتمل بر 7 صفحه، به زبان فارسی، تایپ شده، به همراه تصاویر، دیاگرام، فرمول ها و روابط ریاضی با فرمت pdf، به ترتیب زیر گردآوری شده است:

• چکیده
• مقدمه
• شبکه هاي عمیق
• ماشین بولتزمان محدود (RBM)
• شبکه باور عمیق (DBN)
• ماشین بولتزمان عمیق (DBM)
• روش جدید به منظور پیش تعلیم شبکه عصبی
• ارزیابی
• مقایسه روش هاي مختلف پیش تعلیم
• مقایسه تاثیر مقادیر متفاوت ابر پارامتر آلفا
• نتیجه گیري
• مراجع

جهت دانلود مقاله روشی جدید براي پیش تعلیم شبکه عصبی بر مبناي ماشین بولتزمان عمیق به منظور افزایش سرعت آموزش و دقت در بازشناسی واج، به لینک زیر مراجعه نمایید:

روشی جدید براي پیش تعلیم شبکه عصبی بر مبناي ماشین بولتزمان

کتاب طراحی شبکه های عصبی مصنوعی (Neural Network Design)، سعی دارد تا شبکه های عصبی مصنوعی را بیشتر با مفهوم و ساختار اساسی اش بیان نماید. این کتاب اثر هاگان بوده که به همراه دانشجویانش تولباکس شبکه عصبی را نیز در نرم افزار متلب طراحی نموده اند. این کتاب مشتمل بر 19 فصل، 733 صفحه، به زبان انگلیسی، همراه با تصاویر، فرمول ها و جداول مهم، با فرمت pdf، به ترتیب زیر گردآوری 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 کتاب طراحی شبکه های عصبی(Neural Network Design)، به لینک زیر مراجعه نمایید:

کتاب طراحی شبکه های عصبی مصنوعی