1. Neural Networks

2. رئوس مطالب مقدمه کاربردهای شبکه عصبی مبانی نظری شبکه های عصبی مصنوعی

3. بخش اول: مقدمه
شبکه های عصبی مصنوعی

4. هوش مصنوعی (AI) ANNs FL GAs سوال: شباهت این تکنیکها در چیست؟
محاسبات تکاملی (EC)
الگوریتهای ژنتیک (GAs)
حرکت مورچگان …
ANNs FL
GAs
سوال: شباهت این تکنیکها در چیست؟
شبکه های عصبی مصنوعی

5. شبکه های عصبی مصنوعی

6. تعریف شبکه عصبی مصنوعی
روشی کامپیوتری برای محاسبه است که بر پایه اتصال به هم پیوسته چندین واحد پردازشی ساخته می شود.
شبکه از تعداد دلخواهی واحد پردازشی (یا نرون، سلول یا گره) که در لایه (ها) قرار می گیرند تشکیل می شود که مجموعه ورودی را به مجموعه خروجی ربط می دهند.
شبکه های عصبی مصنوعی 6

7. انواع شبکه های عصبی مصنوعی7

8. بخش دوم: کاربردهای شبکه عصبی مصنوعی
بخش دوم: کاربردهای شبکه عصبی مصنوعی
شبکه های عصبی مصنوعی

9. ANNs کاربردهای عمومی تشخیص الگو (گروه‌بندي اشكالي كه مشابه هم هستند)
ذخيره كردن و بازبيني داده‌ها
تقریب تابع (رگرسیون غیر خطی، تخمین و پیشگویی)
بهينه سازي و تعيین جواب با وجود قيود متعدد
داده کاوی (استخراج دانش کلان ، قابل استناد و جديد از پايگاه داده ها ي بزرگ )
به طور کلی هر جا که سخن از تخمین، تشخیص الگو یا طبقه بندی باشد می توان از شبکه های عصبی مصنوعی استفاده کرد.
شبکه های عصبی مصنوعی 9

10. فرایند داده کاوی تعريف مساله
انبارش داده ها ساختن پايگاه داده مربوط به داده كاوي
انتخاب داده ها جستجوي داده
تبديل داده ها آماده ساختن داده براي مدل سازي
کاوش در داده ها ساختن مدل
ارزيابي مدل
تفسير نتيجه ساخت مدل و ارائه نتايج
فرایند داده کاوی
database
data prospecting
and surveying
selected
data
select
transformed
preprocess
& transform
(normalization,
PCA, pruning,…)
make
model
Interpretation &
rule formulation
شبکه های عصبی مصنوعی 10

11. ANNs کاربردهای مختلف سیستمهای بازرسی کیفیت، پیش بینی کیفیت،
کلاسه بندی انواع سلولها, میکروبها و نمونه ها،
پیش بینی فروشهای آینده
پیش بینی نیازهای محصول
پیش بینی وضعیت بازار
پیش بینی شاخصهای اقتصادی
تعیین قیمت وضعیت فعلی
پیش بینی ملزومات انرژی پیش بینی هوا
پیش بینی محصول
مدیریت و برنامه ریزی
کنترل سیستم فرایند شیمیایی و دینامیکی
کنترل مسیر در دستگاههای خودکار, ربات, جرثقیل
مدل کردن کنترل فرآیند
شناسایی تصویر /سیگنال
بینایی ماشین
مدل کردن غیر خطی
کنترل فرآیند ساخت
ارزیابی بکارگیری یک سیاست
بهینه سازی محصول
تشخیص ماشین و فرآیند
مدل کردن کنترل سیستمها
مدل کردن ساختارهای شیمیایی
مدل کردن سیستمهای دینامیکی
تشخیص بیماری
پردازش سیگنالهای تصویری
زمانبندی وسیله نقلیه
سیستمهای مسیریابی
کلاسه بندی نمودارهای مشتری/بازار
شبکه های عصبی مصنوعی 11

12. ANNs کاربردهای تخصصی Aerospace
High performance aircraft autopilots, flight path simulations, aircraft control systems, autopilot enhancements, aircraft component simulations, aircraft component fault detectors
Agriculture
Agri-product classification, inspection, grading and sorting, soil and yield modeling, prediction and estimation, modeling, regression and non-linear curve-fitting, fault diagnoses and detection, …
Automotive
Automobile automatic guidance systems, warranty activity analyzers
Banking
Check and other document readers, credit application evaluators
Defense
Weapon steering, target tracking, object discrimination, facial recognition, new kinds of sensors, sonar, radar and image signal processing including data compression, feature extraction and noise suppression, signal/image identification
شبکه های عصبی مصنوعی

13. ANNs کاربردهای تخصصی Electronics
Code sequence prediction, integrated circuit chip layout, process control, chip failure analysis, machine vision, voice synthesis, nonlinear modeling
Financial
Real estate appraisal, loan advisor, mortgage screening, corporate bond rating, credit line use analysis, portfolio trading program, corporate financial analysis, currency price prediction
Manufacturing
Manufacturing process control, product design and analysis, process and machine diagnosis, real-time particle identification, visual quality inspection systems, beer testing, welding quality analysis, paper quality prediction, computer chip quality analysis, analysis of grinding operations, chemical product design analysis, machine maintenance analysis, project bidding, planning and management, dynamic modeling of chemical process systems
شبکه های عصبی مصنوعی

14. ANNs کاربردهای تخصصی Medical
Breast cancer cell analysis, EEG and ECG analysis, prosthesis design, optimization of transplant times, hospital expense reduction, hospital quality improvement, emergency room test advisement
Robotics
Trajectory control, forklift robot, manipulator controllers, vision systems
Speech
Speech recognition, speech compression, vowel classification, text to speech synthesis
Securities
Market analysis, automatic bond rating, stock trading advisory systems
Telecommunications
Image and data compression, automated information services, real-time translation of spoken language, customer payment processing systems
Transportation
Truck brake diagnosis systems, vehicle scheduling, routing systems
شبکه های عصبی مصنوعی

15. چند کاربرد شبکه عصبی
Bankruptcy prediction modeling with hybrid case-based reasoning and genetic algorithms approach  Applied Soft Computing, Volume 9, Issue 2, March 2009, Pages
Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters  Expert Systems with Applications, Volume 28, Issue 4, May 2005, Pages Jae H. Min, Young-Chan Lee
A threshold-varying artificial neural network approach for classification and its application to bankruptcy prediction problem  Computers & perations Research, Volume 32, Issue 10, October 2005, Pages
Hybrid neural network models for bankruptcy predictions  Decision Support Systems, Volume 18, Issue 1, September 1996, Pages 63-72
A multivariate neuro-fuzzy system for foreign currency risk management decision making  Neurocomputing, Volume 70, Issues 4-6, January 2007, Pages
What is machine learning?
شبکه های عصبی مصنوعی 15

16. چند کاربرد شبکه عصبی
Forecasting currency prices using a genetically evolved neural network architecture  International Review of Financial Analysis, Volume 8, Issue 1, 1999, Pages 67-82
ارزيابي روش هاي سنجش کيفيت خدمات به وسيله شبکه هاي عصبي مصنوعي
  ميرغفوري سيدحبيب اله,طاهري دمنه محسن*,زارع احمدآبادي حبيب
ارزیابی یک مدل شبکه عصبی جهت پیش بینی قیمت نفت
اصفهانیان و ناصری
پیش بینی نرخ ارز با مدل نروفازی
ایمان دوست
What is machine learning?
شبکه های عصبی مصنوعی 16

17. بخش سوم: مبانی شبکه های عصبی مصنوعی
بخش سوم: مبانی شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعی

18. تاریخچه ANN has past through three phases
1940’s – 1970’s, ’s – 1980’s, ’s – Now
Major contributors
- McCulloch & Walter Pitts (Mathematical model)
- Donald Hebb (Hebbian Rule)
- Rosenblatt (Perceptron)
- Widrow & Hoff (Delta rule)
- Minsky & Papert
- Kohonen
- Grossberg
- Hopfield
- Rumelhart & McClelland (Backpropagation)
شبکه های عصبی مصنوعی 18

19. تاريخچه
مطالعه برروي شبكه‌هاي عصبي توسط مك كلاخ و پيتس در سال 1943 آغاز شد. شبكه‌هاي تك لايه، با توابع فعال سازی آستانه‌اي، توسط روزنبلات در سال 1962 بنيان‌گذاري شدند كه اين نوع شبكه‌ها، پرسپترون ناميده شدند.
در دهه 1960، به صورت تجربي نشان داده شد كه پرسپترون‌ها قابليت حل مسائل فراواني را دارند، ولی بسياري از مسائل پيچيده توسط آنها قابل حل نبود.
محدوديت‌ پرسپترونهای يك لايه در سال 1966 توسط مينسكي و پپرت در كتاب پرسپترون آنها به چاپ رسيد. نتايج مطالعه اين كتاب باعث شد كه شبكه‌هاي عصبي به مدت دو دهه كمتر مورد توجه قرار گيرند.
با کشف الگوريتم پس-انتشار توسط رملهات، هينتن و ويليامز در سال 1986 مطالعات جديد بر روي شبكه‌هاي عصبي مجددا شروع شد. اهميت ويژه اين الگوريتم اين بود كه شبكه‌هاي عصبي چند لايه توسط آن مي‌توانستند آموزش داده شوند.
شبکه های عصبی مصنوعی

20. الهام از طبیعت
مطالعه شبکه های عصبی مصنوعی تا حد زیادی الهام گرفته از سیستم های یادگیر طبیعی است که در آنها یک مجموعه پیچیده از نرونهای به هم متصل در کار یادگیری دخیل هستند.
گمان میرود که مغز انسان از تعداد نرون تشکیل شده باشد که هر نرون با تقریبا 104 نرون دیگر در ارتباط است.
سرعت سوئیچنگ نرونها در حدود 10-3 ثانیه است که در مقایسه با کامپیوترها ) ثانیه ( بسیار ناچیز مینماید. با این وجود آدمی قادر است در 0.1 ثانیه تصویر یک انسان را بازشناسائی نماید. این قدرت فوق العاده باید از پردازش موازی توزیع شده در تعدادی زیادی از نرونها حاصل شده باشد.
شبکه های عصبی مصنوعی

21. نرون بیولوژیکی
شبکه های عصبی مصنوعی

22. نرون مصنوعی A physical neuron An artificial neuron
From experience: examples / training data
Strength of connection between the neurons is stored as a weight-value for the specific connection.
Learning the solution to a problem = changing the connection weights
A physical neuron
An artificial neuron
شبکه های عصبی مصنوعی

23. مدل ریاضی یک نرون (مک کلاخ-پیتس-1943)b w1 w2 wn x1 x2 xn + w0 x0
f(y) … y O
Inputs
Weights
Summation
Activation
Output
شبکه های عصبی مصنوعی 23

24. توابع فعال سازی متداول f(y) sgn(y) 1 tanh(y) y -1 شبکه های عصبی مصنوعی24

25. توابع فعال سازی سیکموئید
برای اینکه بتوانیم فضای تصمیم گیری را بصورت غیر خطی از هم جدا کنیم، لازم است تا هر سلول واحد را بصورت یک تابع غیر خطی تعریف نمائیم. مثالی از چنین سلولی میتواند یک واحد سیگموئید باشد: x1 x2 xn
X0=1 w0 w1 w2 wn Σ
O = f(net)
= 1 / (1 + e –net)
net O
What is machine learning?
شبکه های عصبی مصنوعی 25

26. ساختار شبکه عصبی
نرون ها به صورت طبيعي به روش خاصي اتصال مي يابند تا يک شبکه عصبي را تشکيل دهند نحوه اتصال نرون ها مي تواند به گونه اي باشد که شبکه تک لايه يا چند لايه باشد.
شبکه هاي چند لايه از يک لايه ورودي، يک لايه خروجي و يک يا چند لايه بين آنها (لایه پنهان) که مستقيما به داده هاي ورودي و نتايج خروجي متصل نيستند تشکيل يافته اند.
واحدهاي لايه ورودي صرفا وظيفه توزيع مقادير ورودي را به لايه بعد برعهده دارند. و هيچ گونه تاثيري بر روي سيگنال هاي ورودي ندارند. به همين دليل در شمارش تعداد لايه ها به حساب نيامده اند. شبکه شامل يک لايه خروجي است که پاسخ سيگنال هاي ورودي را ارائه مي دهد. که تعداد نرون ها در لايه ورودي و لايه خروجي برابر با تعداد ورودي ها و خروجي ها مي باشد و لايه يا لايه هاي پنهان وظيفه ارتباط دادن لايه ورودي به لايه خروجي را بر عهده دارند. شبکه با داشتن اين لايه هاي پنهان قادر مي گردد که روابط غير خطي را از داده هاي ارائه شده به شبکه استخراج کند.
شبکه های عصبی مصنوعی

27. شبکه های عصبی چند لایه یا MLP
x0=1 x1 x2
y0=1 y1 y2 y3
Input
Layer 1
Hidden
Layer 2
Output
شبکه های عصبی مصنوعی 27

28. پاسخ برای ورودی های مجهول
كار با هر شبکه عصبی شامل سه مرحله می باشد: آموزش، تعمیم و اجرا.
در مرحله آموزش، شبکه الگوهای موجود در داده هاي ورودي را یاد می گیرد. هر شبکه عصبی برای یادگیری از قانون خاص استفاده می کند.
تعمیم، قدرت شبکه عصبی در ایجاد پاسخ های قابل قبول برای ورودی هایی است که عضو مجموعه آموزشی نبوده اند.
در مرحله اجرا نیز شبکه عصبی برای عملکردی که به آن منظور طراحی گردیده است، استفاده می شود.
مراحل کار با شبکه عصبی
اجرا
آموزش
تعمیم
الگو های داده های ورودی
پاسخ برای ورودی های مجهول
شبکه های عصبی مصنوعی

29. یادگیری در شبكه‌هاي عصبي مصنوعي
هدف از آموزش شبكه، رسيدن به شرايطي است كه شبكه قادر به پاسخگويي صحيح به داده‌هاي ارائه شده در آموزش شبكه (به خاطر سپردن) و همچنين داده‌هاي مشابه و متفاوت از ورودي هايي كه از آنها براي آموزش شبكه استفاده شده است(تعميم دادن)،باشد.
برتري عمدة شبكه‌هاي عصبي آموزش داده‌شده بر محاسبات كلاسيك اين است كه نتايج مورد نياز با تلاش كمتر و در زمان كمتري قابل حصول است.در نتيجه اين مزايا خصوصاً براي مسائلي كه مستلزم محاسبات طولاني هستند بسيار مفيد و موثر واقع گردد.
دو نوع آموزش شبكه به شكل زير است: الف‌ ـ‌ آموزش با معلم ب‌ ـ‌ آموزش بدون معلم
شبکه های عصبی مصنوعی 29

30. آموزش شبكه‌هاي عصبي مصنوعي
الف‌- آموزش با معلم آموزش اكثر شبكه‌هاي عصبي با استفاده از زوج بردارهاي نمونه صورت مي‌گيرد به طوري كه به هر بردار ورودي يك بردار خروجي مشخص نسبت داده مي‌شود.با ارائة اين مجموعه بردارها به شبكه،وزنها بر اساس الگوريتم يادگيري شبكه اصلاح مي‌گردند.اينگونه آموزش را آموزش با معلم مي‌نامند.
شبکه­های دلتا، آدالاین ، مادالاین، تابع پایه شعاعی (RBF) و پس­انتشار (BP) ب-آموزش بدون معلم در اين نوع آموزش،بردارهاي ورودي به شبكه ارائه گرديده بدون اينكه بردارهاي خروجي مربوط به شبكه داده شوند،وزنهاي شبكه بصورتي اصلاح مي‌شوند كه بردارهاي ورودي مشابه در يك گروه‌بندي قرار گيرند. پاسخ شبكه بر اساس نزديكترين بردار به بردار ورودي خواهد بود. یادگیری بدون ناظر را خود یادگیری هم میگویند. از شبکه های به کارگیرنده الگوریتم بدون ناظر میتوان به شبکه های هب، کوهونن و هاپفیلد اشاره کرد.
شبکه های عصبی مصنوعی 30

31. یادگیری با معلم - یادگیری بدون معلم
این بلوکها را در
دو کلاس (گروه) قرار دهید.
سوال: کدام روش یادگیری مناسب است؟
شبکه های عصبی مصنوعی

32. یادگیری با معلم توجه: طبقات کلاس به عنوان اطلاعات تکمیلی داده شده است.
شبکه های عصبی مصنوعی

33. یادگیری بدون معلم دو جواب ممکن ...
... هیچگونه هدایتی برای اینکه کدام را انتخاب کنیم نشده است.
شبکه های عصبی مصنوعی

34. الگوريتم هاي يادگيري
منظور از يادگيري در ANN، تنظيم وزن ها و باياس هاي شبكه مي باشد. بر اين اساس الگوريتم هاي متفاوتي بيان شده، كه معمول ترين آنها عبارتند از:
يادگيري هب: در اين روش وزن مربوط به ورودي يك نرون، زماني افزايش مي يابد كه سيگنال ورودي و خروجي هر دو بالا باشند که در واقع منظور تقويت كردن آن ورودي است.
قانون يادگيري دلتا: اين الگوريتم كه بعضاً ميانگين مربع خطا (LMS) نيز ناميده مي شود وقتي استفاده مي‌گردد كه سيگنال خطا مينيمم شود كه به واقع اختلاف بين خروجي واقعي شبكه و خروجي مورد انتظار (مطلوب) مينيمم باشد. در اين روش سيگنال خطا جهت اصلاح وزن ها و باياس‌هاي نرون ها به عقب منتشر مي‌شود. الگوريتم پس انتشار خطا معمول ترين روش پياده سازي از قانون يادگيري دلتا است كه دست كم در 75% از كاربردهاي شبكه هاي عصبي مصنوعي استفاده مي‌گردد.
يادگيري رقابتي: در اين روش عناصر پردازشي جهت اصلاح وزن ها و باياس هاي خودشان با هم رقابت مي كنند.
شبکه های عصبی مصنوعی

35. الگوریتم نزول گرایان (Gradient Descent)w1 w2
E(W)
با توجه به نحوه تعریف E سطح خطا بصورت یک سهمی خواهد بود. ما بدنبال وزنهائی هستیم که حداقل خطا را داشته باشند.
الگوریتم GD در فضای وزنها بدنبال برداری میگردد که خطا را حداقل کند.
این الگوریتم از یک مقدار دلبخواه برای بردار وزن شروع کرده و در هر مرحله وزنها را طوری تغییر میدهد که در جهت شیب کاهشی منحنی فوق خطا کاهش داده شود.
E = ½Σi (Ti – Oi)2
شبکه های عصبی مصنوعی 35

36. شرط خاتمه الگوریتم BP
معمولا الگوریتم BP پیش از خاتمه هزاران بار با استفاده همان داده های آموزشی تکرار میگردد شروط مختلفی را میتوان برای خاتمه الگوریتم بکار برد:
توقف بعد از تکرار به دفعات معین
توقف وقتی که خطا از یک مقدار تعیین شده کمتر شود.
توقف وقتی که خطا در مثالهای مجموعه اعتبار سنجی از قاعده خاصی پیروی نماید.
اگر دفعات تکرار کم باشد خطا خواهیم داشت و اگر زیاد باشد مسئله Overfitting رخ خواهد داد.
شبکه های عصبی مصنوعی 36

37. قدرت تعمیم و overfitting
شرط خاتمه الگوریتم BP چیست؟
یک انتخاب این است که الگوریتم را آنقدر ادامه دهیم تا خطا از مقدار معینی کمتر شود. این امر میتواند منجر به overfitting شود.
Validation set error
Error
Training set error
epoch
overfitting ناشی از تنظیم وزنها برای در نظر گرفتن مثالهای نادری است که ممکن است با توزیع کلی داده ها مطابقت نداشته باشند. تعداد زیاد وزنهای یک شبکه عصبی باعث میشود تا شبکه درجه آزادی زیادی برای انطباق با این مثالها داشته باشد.
با افزایش تعداد تکرار، پیچیدگی فضای فرضیه یادگرفته شده توسط الگوریتم بیشتر و بیشتر میشود تا شبکه بتواند نویز و مثالهای نادر موجود در مجموعه آموزش را بدرستی ارزیابی نماید.
What is machine learning?
شبکه های عصبی مصنوعی

38. Feed Forward- Back propagation
MLP
Feed Forward- Back propagation
شبکه های عصبی مصنوعی

39. انتشار به سمت جلو انتشار به سمت عقب Inputs Output شبکه های عصبی مصنوعی39

40. شبکه عصبی چگونه کار میکند؟
در واقع ایده اصلي شبکه عصبی تبديل پذير بودن پارامترهاي آن ( باياس و وزن هاي ارتباطي بين نرون ها) بوده که اين پارامترها مي توانند طوري تنظيم شوند که انتظار مورد نظر را تامين کنند. بنابراين با استفاده از آموزش شبکه مي توانيم اين پارامترها را براي انجام کار مورد نظر خود تعديل کنيم
مقدار واقعی
مقایسه
ورودی ها
شبکه عصبی
خروجی ها
(منهاج، 1387)، (کیا،1387)

41. مثال پرسپترون x + >8? inputs weights output threshold w1 w2
شبکه های عصبی مصنوعی

42. مثال x 2 3 + >8? weights threshold output inputs P1 = P2 = Pn = x11 …
P1 =
P2 =
Pn =
P2 الگویی است که باید پرسپترون یاد بگیرد:
یعنی، اگر هر دو ورودی 1 هستند، خروجی با ید 1 باشد x 2 3 +
>8?
inputs
weights
output
threshold
شبکه های عصبی مصنوعی

43. مثال آموزشی (1و1) x 2 3 + >8? 1 1 inputs weights output threshold
شبکه های عصبی مصنوعی

44. مثال آموزشی (1و1) x 2 3 + >8? 2 1 3 1 inputs weights output
threshold 2 1 3 1
شبکه های عصبی مصنوعی

45. مثال آموزشی (1و1) x 2 3 + >8? 2 1 5 3 1 inputs weights output
threshold 2 1 5 3 1
شبکه های عصبی مصنوعی

46. مثال آموزشی (1و1) x 2 3 + >8? 2 1 5 3 1 inputs weights output
threshold 2 1 5 3 1
شبکه های عصبی مصنوعی

47. مثال آموزشی (1و1) x 2 3 + >8? 2 1 5 3 1 inputs weights output1 …
مثال آموزشی (1و1)
P2 = x 2 3 +
>8?
inputs
weights
output
threshold 2 1 5 3 1
شبکه های عصبی مصنوعی

48. مثال آموزشی (1و1) x 2 3 + >8? 2 1 5 3 1 inputs weights output
threshold
wi = wi + η(T – O) xi
Must increase weights! 2 1 5 3 1
شبکه های عصبی مصنوعی

49. مراحل طراحي يك مدل شبكه عصبي به منظور طبقه بندي يا پيش بيني (تخمين):
1- شناخت متغييرهاي ورودي و خروجي
2- تبديل مقادير ورودي و خروجي به دامنه صفر تا يك
3- انتخاب هندسه (توپولوژی) مناسب براي شبكه عصبي
4- آموزش با داده هاي آموزشي معرف
5- آزمون شبكه با داده هايي مستقل از مجموعه آموزشي و در صورت لزوم ادامه آموزش و تنظيم مثال هاي آموزشي، توپولوژی شبكه و پارامترهاي آن.
شبکه های عصبی مصنوعی

50. Initial Neural Net Training Training Set Data set Trained Neural Net
Testing
Testing Set
Trained Net with
Performance Measurement
شبکه های عصبی مصنوعی 50

51. مزایای شبکه های عصبی
توانایی حل طیف وسیعی از مسائل: شبکه های عصبی رهیافتی بسیار عمومی برای حل مسائلی از قبیل پیش بینی،طبقه بندی و خوشه بندی است و این ماهیت عام مسبب شهرت و مقبولیت آن است.
توانایی ایجاد جواب های مناسب در مسائل بسیار پیچیده: در مقایسه با رهیافت های آمار استاندارد و درخت تصمیم گیری،شبکه های عصبی قدرتمندترند و در بسیاری از صنایع کاربرد دارند.
قابلیت کاربرد بر روی هر دو نوع متغیر پیوسته و رسته ای: شبکه های عصبی می توانند از هر دو متغیر پیوسته و رسته ای در ورودی ها و خروجی ها استفاده نمایند. داده های رسته ای به دو روش مختلف به کار می روند، هم به صورت استفاده از یک گره (سلول) که هر ورودی رسته ای داده شده زیر مجموعه ای از دامنه [0،1] باشد و هم به صورت سلول های مجزا برای هر دسته. داده های پیوسته نیز به سادگی به دامنه مورد نظر تبدیل می شوند.
در دسترس بودن بسته های نرم افزاری: به دلیل جامعیت شبکه های عصبی و مناسب بودن جواب های آن ها، نرم افزارهای قدرتمند و مورد نظر کاربر در این زمینه به وجود آمده است.
شبکه های عصبی مصنوعی

52. معایب شبکه های عصبی
نیاز به ورودی ها در دامنه صفر و یک: تغییر مقیاس داده ها نیازمند انجام تبدیل های اضافی بر روی ورودی هاست. ابزارهای مناسب، امکان مشاهده هیستوگرام توزیع مقادبر رسته ای و تبدیل خودکار داده های عددی به دامنه مطلوب را فراهم می نمایند. البته پردازش اولیه داده ها یک مزیت نیز دارد و آن اینکه این فرایند به تعیین صحت و سقم داده های آموزش کمک می کند. از آنجا که کیفیت، مهمترین مسئله در پردازش داده است، لذا این مطالعه اضافی داده ها می تواند مانع بروز مشکلات بعدی گردد.
عدم ارائه توضیح در مورد پاسخ ها: شبکه های عصبی ابزار های مناسب برای مسائلی است که در آنها جواب ها مهمتر از درک روابط علت و معلولی است. با اینکه شبکه های عصبی قادر به ارائه قوانین صریح نیستند، اما آنالیز حساسیت می تواند توضیح دهد که کدام ورودی ها مهمتر از بقیه هستند. در بسیاری از موارد، دانستن اهمیت نسبی هر متغیر به خوبی داشتن قوانین صریح است.
امکان ارائه یک جواب زودرس و نامناسب: معمولاً شبکه های عصبی برای هر مجموعه از داده های آموزشی، به جواب همگرا می شود. متاسفانه هیچ تضمینی وجود ندارد که جواب ارائه شده، بهترین مدل داده ها باشد. برای رفع این مشکل باید بوسیله داده های موجود، مناسب بودن مدل بدست آمده را سنجید و سپس آن را بر روی داده های جدید به کاربرد.
شبکه های عصبی مصنوعی

53. معرفی چند کتاب و نرم افزار برای ادامه کار
البرزي، م ۱۳۸۲ آشنايي با شبكه هاي عصبي، انتشارات دانشگاه صنعتي شريف. (مقدماتی)
منهاج، محمدباقر،۱۳۸۱هوش محاسباتي (جلد اول) ـ مباني شبكه هاي عصبي، انتشارات دانشگاه صنعتي اميركبير. (پیشرفته).
استفاده از جعبه ابزار شبکه عصبی MATLAB و یا یکی از نرم افزار های حرفه ای (NeuralWare Professional II, Statistica Neural Networks, NeuroSolutions, )
شبکه های عصبی مصنوعی 53

54. Software
NeuroSolutions
MATLAB
شبکه های عصبی مصنوعی

55. NeuroSolutions
مراحل نصب:
شبکه های عصبی مصنوعی

56. NeuroSolutions
مراحل نصب:
شبکه های عصبی مصنوعی

57. NeuroSolutions
مراحل نصب:
شبکه های عصبی مصنوعی

58. NeuroSolutions
مراحل نصب:
شبکه های عصبی مصنوعی

59. NeuroSolutions
مراحل نصب:
شبکه های عصبی مصنوعی

60. NeuroSolutions
مراحل اجرا:
شبکه های عصبی مصنوعی

61. مراحل اجرا برای طبقه بندی:
شبکه های عصبی مصنوعی

62. شبکه های عصبی مصنوعی

63. شبکه های عصبی مصنوعی

64. شبکه های عصبی مصنوعی

65. شبکه های عصبی مصنوعی

66. شبکه های عصبی مصنوعی

67. شبکه های عصبی مصنوعی

68. شبکه های عصبی مصنوعی

69. شبکه های عصبی مصنوعی

70. شبکه های عصبی مصنوعی

71. شبکه های عصبی مصنوعی

72. شبکه های عصبی مصنوعی

73. شبکه های عصبی مصنوعی

74. شبکه های عصبی مصنوعی

75. شبکه های عصبی مصنوعی

76. مراحل اجرا برای رگرسیون:
شبکه های عصبی مصنوعی

77. شبکه های عصبی مصنوعی

78. شبکه های عصبی مصنوعی

79. شبکه های عصبی مصنوعی

80. شبکه های عصبی مصنوعی

81. شبکه های عصبی مصنوعی

82. شبکه های عصبی مصنوعی

83. شبکه های عصبی مصنوعی

84. شبکه های عصبی مصنوعی

85. شبکه های عصبی مصنوعی

86. شبکه های عصبی مصنوعی

87. شبکه های عصبی مصنوعی

88. شبکه های عصبی مصنوعی

89. شبکه های عصبی مصنوعی

90. شبکه های عصبی مصنوعی

91. آنالیز حساسیت
شبکه های عصبی مصنوعی

92. شبکه های عصبی مصنوعی

93. شبکه های عصبی مصنوعی

94. شبکه های عصبی مصنوعی

95. استفاده از شبکه عصبی برای داده های جدید
شبکه های عصبی مصنوعی

96. شبکه های عصبی مصنوعی

97. شبکه های عصبی مصنوعی

98. شبکه های عصبی مصنوعی

99. روش های دیگر در نرم افزار
شبکه های عصبی مصنوعی

100. شبکه های عصبی مصنوعی

101. شبکه های عصبی مصنوعی

102. شبکه عصبی پیش پردازش بروی داده: 1. تصادفی کردن داده ها
2. داده ها را به دو یا سه دسته تقسیم کردن
3. داده ها را بین 0 تا یک قرار دادن
شبکه های عصبی مصنوعی

103. شبکه های عصبی مصنوعی

104. شبکه عصبی وارد کردن داده ها به نرم افزار MATLAB
1. وارد کردن داده های ورودی (آموزش )
2. وارد کردن داده های خروجی(آموزش )
3. وارد کردن داده های ورودی (آزمون)
شبکه های عصبی مصنوعی

105. شبکه های عصبی مصنوعی

106. شبکه های عصبی مصنوعی

107. شبکه های عصبی مصنوعی

108. شبکه های عصبی مصنوعی

109. شبکه های عصبی مصنوعی

110. شبکه های عصبی مصنوعی

111. شبکه های عصبی مصنوعی

112. شبکه های عصبی مصنوعی

113. شبکه های عصبی مصنوعی

114. شبکه های عصبی مصنوعی

115. شبکه های عصبی مصنوعی

116. شبکه های عصبی مصنوعی

117. شبکه های عصبی مصنوعی

118. شبکه های عصبی مصنوعی

119. شبکه های عصبی مصنوعی

120. شبکه های عصبی مصنوعی

121. شبکه های عصبی مصنوعی

122. شبکه های عصبی مصنوعی

123. شبکه عصبی-فازی
شبکه های عصبی مصنوعی

124. شبکه عصبی-فازی
شبکه های عصبی مصنوعی

125. شبکه عصبی-فازی وارد کردن داده ها به نرم افزار MATLAB
1. وارد کردن داده های ورودی و خروجی (آموزش )
2. وارد کردن داده های ورودی و خروجی(آزمون )
شبکه های عصبی مصنوعی

126. شبکه های عصبی مصنوعی

127. شبکه های عصبی مصنوعی

128. شبکه های عصبی مصنوعی

129. شبکه های عصبی مصنوعی

130. شبکه های عصبی مصنوعی

131. شبکه های عصبی مصنوعی

132. شبکه های عصبی مصنوعی

133. شبکه های عصبی مصنوعی

134. شبکه های عصبی مصنوعی

135. شبکه های عصبی مصنوعی

136. شبکه عصبی-فازی گرفتن داده از مدل عصبی-فازی
1. وارد کردن داده های ورودی (آزمون)
شبکه های عصبی مصنوعی

137. شبکه های عصبی مصنوعی

138. شبکه های عصبی مصنوعی

139. شبکه های عصبی مصنوعی

140. ارزیابی مدل
معیارهای مختلف مقایسه مدل ها
شبکه های عصبی مصنوعی

141. C:\Program Files\NeuroSolutions 5\Excel\Demos
شبکه های عصبی مصنوعی