شبکه های عصبی و کاربردهای آنها
61 Questions
9 Views

Choose a study mode

Play Quiz
Study Flashcards
Spaced Repetition
Chat to Lesson

Podcast

Play an AI-generated podcast conversation about this lesson

Questions and Answers

پارامترهای w و b غیر قابل تنظیم هستند.

False (B)

تابع محرک تنها می‌تواند غیر خطی باشد.

False (B)

خروجی تابع خطی برابر با ورودی آن است.

True (A)

تابع محرک آستانه‌ای دو مقداره حدی تنها می‌تواند خروجی‌های مثبت داشته باشد.

<p>False (B)</p> Signup and view all the answers

تابع محرک سیگموئید به صورت غیرخطی عمل می‌کند.

<p>True (A)</p> Signup and view all the answers

نرون‌ها معمولاً تنها یک ورودی دارند.

<p>False (B)</p> Signup and view all the answers

ضریب b تنها بر اساس ورودی‌ها تعیین می‌شود.

<p>False (B)</p> Signup and view all the answers

مدل نرون چند ورودی می‌تواند به صورت ماتریسی نمایش داده شود.

<p>True (A)</p> Signup and view all the answers

فرمول ورودی خالص یک نرون معروف به عنوان n نمایش داده می‌شود.

<p>True (A)</p> Signup and view all the answers

تعداد توابع محرک مورد استفاده در عمل بسیار زیاد است.

<p>False (B)</p> Signup and view all the answers

خروجی نرون‌ها به حالت متناهی محدود می‌شود.

<p>True (A)</p> Signup and view all the answers

مدل نرون چند ورودی تنها با یک اسکریپت ساده قابل توصیف است.

<p>False (B)</p> Signup and view all the answers

مقدار C در تابع محرک سیگموئید وسعت ناحیه خطی بودن تابع را تعیین می‌کند.

<p>True (A)</p> Signup and view all the answers

یک شبکه تک الیه برای حل مسائل پیچیده کافی است.

<p>False (B)</p> Signup and view all the answers

در یک شبکه تک الیه، ورودی‌ها به همه نرون‌ها متصل هستند.

<p>True (A)</p> Signup and view all the answers

یک شبکه پیشخور فقط شامل یک الیه نرون است.

<p>False (B)</p> Signup and view all the answers

ماتریس وزن در شبکه‌های تک الیه دارای S سطر و R ستون است.

<p>True (A)</p> Signup and view all the answers

هر نرون در یک شبکه عصبی به ورودی خالص n متصل می‌شود.

<p>True (A)</p> Signup and view all the answers

یک شبکه تک الیه تنها برای مدل‌سازی نگاشت‌هایی با یک خروجی کافی است.

<p>False (B)</p> Signup and view all the answers

بردار خروجی در فرمول $a = f(Wp + b)$ مشخص می‌شود.

<p>True (A)</p> Signup and view all the answers

برنامه‌ریزی شبکه‌های عصبی تنها با ورودی‌های زیاد ممکن است.

<p>False (B)</p> Signup and view all the answers

مدل‌سازی شبکه‌های عصبی با الیه‌های چندگانه اغلب به حل مسائل پیچیده کمک می‌کند.

<p>True (A)</p> Signup and view all the answers

بردار بایاس b در شبکه‌های عصبی تنها دارای یک عنصر است.

<p>False (B)</p> Signup and view all the answers

کتاب Neuro-Dynamic Programming توسط Dimitri P. Bertsekas و John N. Tsitsiklis نوشته شده است.

<p>True (A)</p> Signup and view all the answers

مقاله Chemical Engineering Journal در صفحات 113 تا 120 منتشر شده است.

<p>True (A)</p> Signup and view all the answers

Dimitri P. Bertsekas یکی از نویسندگان مقاله در Chemical Engineering Journal است.

<p>False (B)</p> Signup and view all the answers

Elkamel، Desai و Crook در زمینه مهندسی شیمی فعالیت می‌کنند.

<p>True (A)</p> Signup and view all the answers

کتاب Neuro-Dynamic Programming توسط Athena Scientific منتشر شده است.

<p>True (A)</p> Signup and view all the answers

کتاب «هوش مصنوعی: رویکردی مدرن» را استوارت و پیتر نوشته‌اند.

<p>True (A)</p> Signup and view all the answers

نویسندگان کتاب «هوش مصنوعی: رویکردی مدرن» همگی از دانشگاه هاروارد هستند.

<p>False (B)</p> Signup and view all the answers

کتاب اشاره شده در سال 2003 منتشر شده است.

<p>True (A)</p> Signup and view all the answers

فصل 7 کتاب «هوش مصنوعی: رویکردی مدرن» به بررسی رباتیک پرداخته است.

<p>False (B)</p> Signup and view all the answers

زنگ، و. ج. یکی از نویسندگان کتاب «هوش مصنوعی: رویکردی مدرن» است.

<p>False (B)</p> Signup and view all the answers

در شبکه های پیشخور، تعداد ورودی ها و خروجی ها به طور آزاد انتخاب می شوند.

<p>False (B)</p> Signup and view all the answers

شبکه های عصبی چند الیه نسبت به شبکه های عصبی تک الیه عملکرد بهتری دارند.

<p>True (A)</p> Signup and view all the answers

هر شبکه عصبی پیشخور به طور خاص قابلیت تقریب زدن هر تابعی را دارد.

<p>False (B)</p> Signup and view all the answers

شبکه های پسخور به گونه ای طراحی شده اند که حداقل یک سیگنال برگشتی از یک نرون داشته باشند.

<p>True (A)</p> Signup and view all the answers

تعداد نرون های الیه میانی را می توان به راحتی با توجه به مشخصات مسئله تعیین کرد.

<p>False (B)</p> Signup and view all the answers

تابع محرک الیه خروجی با توجه به ویژگی های مطلوب خروجی تعیین می شود.

<p>True (A)</p> Signup and view all the answers

مقدار اولیه خروجی در شبکه های پسخور اهمیتی ندارد.

<p>False (B)</p> Signup and view all the answers

تعداد ورودی ها در شبکه های عصبی می تواند به صورت تصادفی انتخاب شود.

<p>False (B)</p> Signup and view all the answers

شبکه های عصبی تک الیه و چند الیه از نظر ساختاری تفاوتی ندارند.

<p>False (B)</p> Signup and view all the answers

در شبکه های پیشخور، الیه خروجی مقدار نهایی شبکه را معرفی می کند.

<p>True (A)</p> Signup and view all the answers

مقدار ورودی بلوک تاخیر زمانی در شبکه های پسخور برابر با ورودی یک واحد زمانی عقب تر است.

<p>True (A)</p> Signup and view all the answers

تابع متقارن آستانه ای برای خروجی هایی که تنها یک مقدار داشته باشند، مناسب نیست.

<p>False (B)</p> Signup and view all the answers

در شبکه های عصبی پیشخور، تعداد نرون های هر الیه میانی بر اساس داده ها انتخاب می شود.

<p>False (B)</p> Signup and view all the answers

سیستم‌های یادگیری تنها با مشاهده عملکرد خود می‌توانند رفتارهایشان را بهبود بخشند.

<p>True (A)</p> Signup and view all the answers

یادگیری بدون ناظر به معنی این است که هیچ هدفی برای سیستم یادگیرنده مشخص نشده است.

<p>False (B)</p> Signup and view all the answers

در یادگیری با ناظر، جواب مطلوب سیستم از قبل آماده است.

<p>True (A)</p> Signup and view all the answers

سیستم‌های یادگیری می‌توانند در شرایط محیطی پایدار به طور کامل عمل کنند.

<p>False (B)</p> Signup and view all the answers

الگوریتم‌های یادگیری بدون ناظر نمی‌توانند الگوها را گروه‌بندی کنند.

<p>False (B)</p> Signup and view all the answers

هر سیستم یادگیرنده باید به قوانین یادگیری برای بهینه‌سازی دسترسی داشته باشد.

<p>True (A)</p> Signup and view all the answers

بازگشتی بودن الگوریتم‌های یادگیری به اطلاعات دقیق پیرامون اهداف بستگی دارد.

<p>True (A)</p> Signup and view all the answers

جمع‌آوری داده‌ها برای یادگیری ضروری است.

<p>True (A)</p> Signup and view all the answers

خطای یادگیری به اختلاف بین مقدار مطلوب و واقعی اشاره دارد.

<p>True (A)</p> Signup and view all the answers

تعریف دقیق آموزش به الگوریتم‌ها اجازه می‌دهد که عملکرد بهتری داشته باشند.

<p>True (A)</p> Signup and view all the answers

سیگنال خطا در یادگیری بدون ناظر وجود ندارد.

<p>True (A)</p> Signup and view all the answers

در یادگیری با ناظر، خروجی سیستم همیشه دقیق است.

<p>False (B)</p> Signup and view all the answers

میزان یادگیری به درجه کامل بودن اطلاعات قبلی بستگی دارد.

<p>True (A)</p> Signup and view all the answers

الگوریتم‌های یادگیری به طور خودکار هدف خود را تعریف می‌کنند.

<p>False (B)</p> Signup and view all the answers

سیستم یادگیرنده برای پاسخ‌دهی بهتر به محیط باید تغییرات داخلی خود را بهبود بخشد.

<p>True (A)</p> Signup and view all the answers

Flashcards

Single-layer neural network

A neural network with one layer of neurons. Input is processed directly to output without an intermediate layer.

Multi-layer neural network

A neural network with multiple layers of neurons. Data passes through multiple layers for more complex processing.

Input vector (p)

A vector representing the input values to a neural network layer.

Output vector (a)

A vector representing the calculated output values of a neural network layer.

Signup and view all the flashcards

Weight matrix (W)

A matrix that holds the connection strengths between neurons in different layers.

Signup and view all the flashcards

Bias vector (b)

A vector that shifts the weighted sum of inputs to a neuron.

Signup and view all the flashcards

Activation function (f)

A function that determines the output value of a neuron by transforming the weighted sum of inputs.

Signup and view all the flashcards

Feedforward network

A type of neural network where data flows unidirectionally from input to output layers.

Signup and view all the flashcards

Neural network layer

Groups of neurons that process and transform input.

Signup and view all the flashcards

Input, Processing, Output

The fundamental operations of the neural network. Data inputs are processed by the network layers, ultimately producing outputs.

Signup and view all the flashcards

Activation function

A function that determines the output of a neuron based on its inputs.

Signup and view all the flashcards

Linear activation function

Produces an output equal to its input.

Signup and view all the flashcards

Bias

A constant added to the weighted sum of inputs to a neuron.

Signup and view all the flashcards

Hard-limit activation function

Outputs either 0 or 1 based on a threshold.

Signup and view all the flashcards

Sigmoid activation function

A S-shaped curve with an output between 0 and 1.

Signup and view all the flashcards

Multi-input neuron

A neuron with multiple inputs.

Signup and view all the flashcards

Input vector (p)

A vector containing the inputs to a single neuron.

Signup and view all the flashcards

Weight matrix (W)

A matrix that stores the weights for each connection, relating input to output.

Signup and view all the flashcards

Net input (n)

The weighted sum of inputs plus bias.

Signup and view all the flashcards

Neuron

Basic processing unit in a neural network.

Signup and view all the flashcards

Input weights (w1,i)

Strength of synaptic connections from input to a neuron.

Signup and view all the flashcards

Output(a)

Neuron's final calculation output.

Signup and view all the flashcards

Learning Algorithm

A set of rules for adjusting the weights of a neuron or network to improve performance.

Signup and view all the flashcards

Parameter tuning

Adjusting the parameters of a neuron/network (like weights and bias).

Signup and view all the flashcards

Parameters w and b

Adjustable parameters (weights and bias) of a neuron.

Signup and view all the flashcards

Neuro-Dynamic Programming

A computational approach to solve dynamic programming problems using neural networks.

Signup and view all the flashcards

Dynamic Programming

An algorithmic technique used to solve optimization problems by breaking them into smaller, simpler subproblems.

Signup and view all the flashcards

Bertsekas and Tsitsiklis (2013)

Authors of a book on Neuro-Dynamic Programming.

Signup and view all the flashcards

Chemical Engineering Journal

A journal focused on chemical engineering research and applications.

Signup and view all the flashcards

Elkamel, Desai, and Crook

Authors of a paper related to chemical engineering.

Signup and view all the flashcards

AI Book Author

Stuart, J.R., Peter, N. (2003) co-authored a key book on AI.

Signup and view all the flashcards

Book Title

The title of the AI book authored by Stuart, J.R., and Peter, N. in 2003

Signup and view all the flashcards

Publication Year

The year Stuart, J.R., and Peter, N. published their AI book.

Signup and view all the flashcards

Publisher

Pearson Education, Inc. published Stuart's book.

Signup and view all the flashcards

Chapter 7

A specific chapter in the AI book on the topic of AI.

Signup and view all the flashcards

Learning Systems

Systems that improve their behavior to achieve a specific goal by observing their own performance.

Signup and view all the flashcards

Supervised Learning

A learning process where the system has access to the desired output in each step of the learning algorithm.

Signup and view all the flashcards

Unsupervised Learning

A learning process where the system doesn't have access to the desired output.

Signup and view all the flashcards

Clustering

A type of unsupervised learning where input patterns are grouped into a finite number of clusters.

Signup and view all the flashcards

Activation Functions

Functions that determine the output of a neuron based on its input.

Signup and view all the flashcards

Threshold Functions

Outputs binary values (0 or 1) based on whether the input exceeds a certain threshold.

Signup and view all the flashcards

Linear Function

Activation function that produces a linear output.

Signup and view all the flashcards

Sigmoid Function

Activation function with a 'S'-shaped curve that outputs values between 0 and 1.

Signup and view all the flashcards

Hyperbolic Tangent Function

Activation function with a curve that outputs values between -1 and 1.

Signup and view all the flashcards

Linear Positive Function

Activation function that produces only positive outputs.

Signup and view all the flashcards

Training Data

The input-output pairs used to train a learning system.

Signup and view all the flashcards

Target Variable

The desired output value associated with an input.

Signup and view all the flashcards

Error Signal

Difference between the desired output and the actual output.

Signup and view all the flashcards

Weight Vector

A vector of weights assigned to the inputs of a neuron.

Signup and view all the flashcards

Learning Algorithm

Procedure that adjusts the parameters of a learning system to improve its performance.

Signup and view all the flashcards

Input Vector

A vector representing the features or attributes of the input data.

Signup and view all the flashcards

Feedforward Network

A type of neural network where information flows in one direction from input to output layers, without loops or feedback connections.

Signup and view all the flashcards

Output Layer

The final layer in a neural network that produces the network's output.

Signup and view all the flashcards

Hidden Layers

Intermediate layers in a neural network between the input and output layers used for processing data.

Signup and view all the flashcards

Weights (W)

Numerical values that determine the strength of connections between neurons in a neural network.

Signup and view all the flashcards

Bias (b)

A constant added to the weighted sum of inputs to a neuron, affecting its activation.

Signup and view all the flashcards

Activation Function

A function applied to the weighted sum of inputs to a neuron to determine its output.

Signup and view all the flashcards

Multilayer Perceptron

A type of feedforward network with one or more hidden layers.

Signup and view all the flashcards

Recurrent Network

A network where information can flow in both directions (feedback) or in loops, unlike feed-forward networks.

Signup and view all the flashcards

Input Layer

The starting layer of a neural network, where initial data enters.

Signup and view all the flashcards

Input/Output Matching

The design of neural network layers requires the input and output to match the problem's needs.

Signup and view all the flashcards

Hidden Layer Units

Determining neuron count in hidden layers is less straightforward than defining inputs and outputs.

Signup and view all the flashcards

Feedback Connections

Connections that loop back to previous layers in a network, enabling past information to influence current processing.

Signup and view all the flashcards

Time Delay

A temporal lag in the flow of information in a recurrent neural network.

Signup and view all the flashcards

Network Design Flexibility

The number of neurons in a network can be adjusted to fit complex patterns

Signup and view all the flashcards

Problem Specific Structure

Design of the network in response to the specific problem to be solved

Signup and view all the flashcards

Sigmoid Function

A common activation function in neural networks that outputs a value between 0 and 1.

Signup and view all the flashcards

Study Notes

پایگاه داده SID

  • SID یک مرکز اطلاعات علمی است.
  • خدمات آموزشی مختلفی مانند فیلم های آموزشی، کارگاه های آموزشی و سرویس ترجمه تخصصی ارائه می دهد.
  • پایگاه های اطلاعات علمی بین المللی و ترفندهای جستجو را آموزش می دهد.
  • از نرم افزارهای SPSS و EndNote برای استناددهی مقالات استفاده می کند.
  • کارگاه های آموزشی پروپوزال نویسی در علوم انسانی ارائه می دهد.
  • گواهینامه نمایه مقالات نویسندگان را در SID صادر می کند.

همایش بین المللی پژوهش های مدیریت و علوم انسانی

  • سومین همایش بین المللی در زمینه مدیریت و علوم انسانی در دانشگاه تهران برگزار شده است.
  • تاریخ برگزاری: ۱۴ تیر ۱۳۹۷
  • موضوع: انواع شبکه های عصبی و کاربرد آنها
  • پژوهشگران: شاهین بیرانوند و کیانا صحرائیان (دانشجویان دکتری)

شبکه های عصبی مصنوعی

  • شبکه های عصبی مصنوعی مدل هایی بر اساس مغز جانوران هستند.
  • یک سیستم داده پرداز اطلاعات با ویژگی های مخصوص می باشند.
  • از شاخه های هوش مصنوعی هستند تا الگوهای ناشناخته در اطلاعات را تشخیص داده و پیش بینی کنند.
  • دو مرحله آموزش و پیش بینی دارند.
  • از الگوریتم پس انتشار برای آموزش و شبکه عصبی feedforward برای پیش بینی استفاده می شود.
  • ویژگی های شبیه به سیستم عصبی جانوری دارند که از تعمیم مدل های ریاضی شکل گرفته اند.

تشابهات و انتظارات شبکه های عصبی

  • بلوک های ساختاری در هر دو شبکه مصنوعی و بیولوژیکی دستگاه های محاسباتی ساده ای هستند که نرون های مصنوعی از سادگی بیشتری برخوردارند.
  • ارتباطات بین نرون ها عملکرد شبکه را تعیین می کنند.
  • نرون های عصبی بیولوژیکی از نرون های مصنوعی بسیار کندتر هستند (یک میلیون بار). اما مغز به دلیل ساختار موازی نرون ها سریع تر از رایانه های معمولی عمل می کند.
  • شبکه های عصبی مصنوعی هم ساختار موازی دارند.
  • قابلیت یادگیری شامل تنظیم پارامترهای شبکه (وزن های سیناپسی) در مسیر زمان است.
  • اطلاعات در شبکه های عصبی در سیناپس ها ذخیره می شوند. هر نرون در شبکه از فعالیت سایر نرون ها تحت تاثیر قرار می گیرد.
  • پردازش اطلاعات متن گونه است.
  • قابلیت تعمیم به معنای قابلیت ارائه خروجی مناسب برای ورودی های جدید است.
  • قابلیت پردازش موازی در پیاده سازی سخت افزاری امکان می دهد.
  • مقاومت یا تحمل پذیری خطاها که هر سلول مستقل عمل می کند و رفتار کلی شبکه برآیند رفتارهای محلی سلولهای متعدد است.
  • خطاهای محلی از چشم خروجی نهایی دور می مانند و باعث افزایش قابلیت تحمل خطا در سیستم می شود.

مدل نورون

  • نورون کوچکترین واحد پردازشگر اطلاعات در شبکه های عصبی است.
  • انواع مدل نورون از جمله تک ورودی و چند ورودی وجود دارد.
  • ساختار یک نورون تک ورودی در شکل نشان داده شده است.
  • اسکالرهای (a, p) به ترتیب ورودی و خروجی هستند.
  • میزان تأثیر p روی a به وسیله مقدار اسکالر w تعیین می شود.
  • ورودی دیگر (بایاس) که با wp جمع می شود، برای تابع محرک استفاده می شود.
  • خروجی نرون با معادله ( a = f(wp+b) ) تعریف می شود.

توابع محرک

  • تابع محرک می تواند خطی یا غیر خطی باشد.
  • انتخاب تابع محرک بر اساس نیاز مسئله انجام می شود.
  • انواع توابع محرک (خطی، آستانه ای، سیگموئیدی) وجود دارد.
  • تابع محرک خطی خروجی برابر ورودی آن است ( a=f₁(n)=n ).
  • تابع محرک آستانه ای دو مقداره حدی (مقدار خروجی صفر یا یک است)
  • فرمول تابع تحریک سیگموئیدی

ساختار شبکه های عصبی

  • شبکه های عصبی تک لایه و چند لایه وجود دارند.
  • شبکه های تک لایه از اجتماع چندین نرون ساخته شده است.
  • شبکه های چند لایه که از چند لایه نرون تشکیل شده است، توانایی بیشتری برای انجام محاسبات پیچیده تر دارند.

فرآیند یادگیری

  • سیستم های یادگیری به بهبود عملکرد خود براساس مشاهده عملکردشان می پردازند.
  • دو نوع یادگیری وجود دارد (با ناظر و بدون ناظر)
  • یادگیری با ناظر به این معنی است که جواب مطلوب از قبل شناخته شده است.
  • یادگیری بدون ناظر، سیستمی است که در آن بدون دسترسی به جواب مطلوب باید عمل کند.
  • در مورد یادگیری بدون ناظر، فرد طراح یا معلم است که هدف و مقصد نهایی یعنی چیزی را که باید به آن رسید مشخص می کند.
  • در فرآیند یادگیری، سیستم یاد می‌گیرد، پارامترها را تغییر می‌دهد و به محیط واکنش مناسبتری نشان می‌دهد.
  • قانون یادگیری، به تنظیم پارامترهای سیستم بر اساس اطلاعات جدید کمک می کند .

یادگیری شبکه

  • یادگیری شبکه مربوط به تنظیم پارامترهای شبکه عصبی است تا عملکرد آن بهتر شود.
  • در شبکه های عصبی، نحوه یادگیری نرون‌ها به رفتارهای نرون های دیگر شبکه‌ها بستگی دارد.

روش های آموزش شبکه های عصبی

  • روش‌های آموزش شبکه های عصبی (مانند گرادیان شیب، روش نیوتون، اندازه حرکت، انتروپی متقابل، Levenberg-Marquardt)

شبکه های عصبی پرسپترون

  • شبکه های پرسپترون، به خصوص پرسپترون های چند لایه، از کاربردی ترین شبکه‌ های عصبی هستند.
  • این شبکه‌ها با انتخاب مناسب تعداد لایه‌ها و نرون‌ها می‌توانند یک نگاشت غیرخطی را با دقت بالا انجام دهند.

مفاهیم کلیدی

  • وزن ها (Weights),
  • ماتریس وزن (Weight Matrix),
  • سیگنال خطا (Error Signal)
  • لایه ها (Layers),
  • توابع سیگموئید (sigmoid functions)
  • مشکلات آموزش شبکه های عصبی (مینیمم های محلی، سرعت آموزش، تعداد ورودی ها)

Studying That Suits You

Use AI to generate personalized quizzes and flashcards to suit your learning preferences.

Quiz Team

Related Documents

انواع شبکه های عصبی و کاربرد آنها PDF

Description

این آزمون به بررسی مفهوم و کاربرد شبکه های عصبی مصنوعی می پردازد. شما با آشنایی با مدل ها و مراحل آموزش و پیش بینی در این سیستم ها، توانایی خود را در این زمینه آزمایش خواهید کرد. همچنین، اطلاعاتی درباره همایش بین المللی پژوهش های مدیریت و علوم انسانی ارائه می شود.

More Like This

Use Quizgecko on...
Browser
Open
Browser
Browser