2. فهرست مزایا و انتظارات از شبکه عصبی قابلیت های شبکه عصبی پرسپترون
دسته بندی و جداسازی خطی توسط شبکه عصبی
فرآیند یادگیری
انواع یادگیری ماشین - یادگیری با نظارت - یادگیری بدون نظارت - یادگیری تقویتی
ارزیابی یادگیری
شبکه هب (یادگیری با نظارت)

3. مزایا و انتظارات از شبکه عصبی

4. مزایا و انتظارات از شبکه عصبی

5. 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.

6. قابلیت های شبکه های عصبی
محاسبه یک تابع معلوم
تقریب یک تابع ناشناخته
شناسائی الگو
پردازش سیگنال
یادگیری انجام موارد فوق

7. Perceptron
نوعی از شبکه عصبی برمبنای یک واحد محاسباتی به نام پرسپترون ساخته میشود. یک پرسپترون برداری از ورودیهای با مقادیر حقیقی را گرفته و یک ترکیب خطی از این ورودیها را محاسبه میکند. اگر حاصل از یک مقدار آستانه بیشتر بود خروجی پرسپترون بر اساس تابع فعالیت زیربرابر با 1 و در غیر اینصورت معادل -1 خواهد بود. x1 w1 x2 w2
{1 or –1} Σ w0 wn xn
X0=1

9. یادگیری یک پرسپترون خروحی پرسپترون توسط رابطه زیر مشخص میشود:
که برای سادگی آن را می توان بصورت زیر نشان داد:
1 if w0 + w1 x1 + w2 x2 + … + wn xn > 0
-1 otherwise
O(x1 , x2,…, xn) =
O(X) = sgn(WX) where
Sgn(y) =
1 if y > 0
-1 otherwise
یادگیری پرسپترون عبارت است از:
پیدا کردن مقادیردرستی برای W
بنابراین منظور از یادگیری پرسپترون عبارت است ازمجموعه تمام مقادیر حقیقی ممکن برای بردارهای وزن.

10. توانائی پرسپترون
پریسپترون را میتوان بصورت یک سطح تصمیم hyperplane در فضای n بعدی نمونه ها در نظر گرفت. پرسپترون برای نمونه های یک طرف صفحه مقدار 1 و برای مقادیر طرف دیگر مقدار -1 بوجود میاورد. + + + - - -

11. توابعی که پرسپترون قادر به یادگیری آنها می باشد
یک پرسپترون فقط قادر است مثالهائی را یاد بگیرد که بصورت خطی جداپذیر باشند. اینگونه مثالها مواردی هستند که به طور کامل توسط یک hyperplane قابل جدا سازی میباشند. + + + + + - - - - + - -
Linearly separable
Non-linearly separable

12. افزودن بایاس
افزودن بایاس موجب می شود تا استفاده از شبکه پرسپترون با سهولت بیشتری انجام شود.
برای اینکه برای یادگیری بایاس نیازی به استفاده از قانون دیگری نداشته باشیم بایاس را به صورت یک ورودی با مقدار ثابت 1 در نظر گرفته و وزن b را به آن اختصاص میدهیم.

13. دسته بندی ساده

14. ترکیب عطفی AND

15. دسته بندی ساده با شبکه عصبی

16. تبیین عملکرد یک نورون در فضای m بعدی ورودی

17. تبیین عملکرد یک نورون در فضای m بعدی ورودی

18. تبیین عملکرد یک نورون در فضای m بعدی ورودی

19. جدا سازی خطی

20. جدا سازی خطی

21. جدا سازی خطی

22. جدا سازی خطی

23. فرآیند یادگیری

24. انواع یادگیری ماشین

25. یادگیری با نظارت Supervised Learning

26. یادگیری با نظارت Supervised Learning

27. کاربردهایی از یادگیری تحت نظارت

28. یادگیری بدون نظارت unsupervised Learning

29. یادگیری بدون نظارت unsupervised Learning

30. کاربردهایی از یادگیری بدون نظارت

31. یادگیری بدون نظارت

32. یادگیری بدون نظارت

33. یادگیری تقویتی reinforcement Learning

34. مراحل یک یادگیری تقویتی

35. ارزیابی سیستم های یادگیری

36. شبکه هب (یادگیری با نظارت)

37. الگوریتم شبکه هب

38. کاربرد شبکه هب (تابع AND)

39. کاربرد شبکه هب (تابع AND)

40. کاربرد شبکه هب (تابع AND)

41. کاربرد شبکه هب (تابع AND)

42. کاربرد شبکه هب (تابع AND)

43. کاربرد شبکه هب (تابع AND)

44. کاربرد شبکه هب (تابع AND)

45. نمایش داده ها در شبکه هب