شبکه های عصبی و کاربردهای آنها
61 Questions
0 Views

Choose a study mode

Play Quiz
Study Flashcards
Spaced Repetition

Podcast

Play an AI-generated podcast conversation about this lesson

Questions and Answers

پارامترهای w و b غیر قابل تنظیم هستند.

False

تابع محرک تنها می‌تواند غیر خطی باشد.

False

خروجی تابع خطی برابر با ورودی آن است.

True

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

<p>False</p> Signup and view all the answers

تابع محرک سیگموئید به صورت غیرخطی عمل می‌کند.

<p>True</p> Signup and view all the answers

نرون‌ها معمولاً تنها یک ورودی دارند.

<p>False</p> Signup and view all the answers

ضریب b تنها بر اساس ورودی‌ها تعیین می‌شود.

<p>False</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

تعداد توابع محرک مورد استفاده در عمل بسیار زیاد است.

<p>False</p> Signup and view all the answers

خروجی نرون‌ها به حالت متناهی محدود می‌شود.

<p>True</p> Signup and view all the answers

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

<p>False</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

یک شبکه تک الیه برای حل مسائل پیچیده کافی است.

<p>False</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

یک شبکه پیشخور فقط شامل یک الیه نرون است.

<p>False</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

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

<p>False</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

برنامه‌ریزی شبکه‌های عصبی تنها با ورودی‌های زیاد ممکن است.

<p>False</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

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

<p>False</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

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

<p>False</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

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

<p>False</p> Signup and view all the answers

کتاب اشاره شده در سال 2003 منتشر شده است.

<p>True</p> Signup and view all the answers

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

<p>False</p> Signup and view all the answers

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

<p>False</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</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

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

<p>False</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</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</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

مقدار اولیه خروجی در شبکه های پسخور اهمیتی ندارد.

<p>False</p> Signup and view all the answers

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

<p>False</p> Signup and view all the answers

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

<p>False</p> Signup and view all the answers

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

<p>True</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</p> Signup and view all the answers

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

<p>False</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</p> Signup and view all the answers

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

<p>True</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</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

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

<p>False</p> Signup and view all the answers

الگوریتم‌های یادگیری بدون ناظر نمی‌توانند الگوها را گروه‌بندی کنند.

<p>False</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

جمع‌آوری داده‌ها برای یادگیری ضروری است.

<p>True</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

سیگنال خطا در یادگیری بدون ناظر وجود ندارد.

<p>True</p> Signup and view all the answers

در یادگیری با ناظر، خروجی سیستم همیشه دقیق است.

<p>False</p> Signup and view all the answers

میزان یادگیری به درجه کامل بودن اطلاعات قبلی بستگی دارد.

<p>True</p> Signup and view all the answers

الگوریتم‌های یادگیری به طور خودکار هدف خود را تعریف می‌کنند.

<p>False</p> Signup and view all the answers

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

<p>True</p> Signup and view all the answers

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