فرادرس
درباره سایت
آخرین مطالب
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و ششم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و پنجم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و چهارم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و سوم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و دوم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و یکم
- وبلاگ های فرادرس
- فراردس – کلمات کلیدی جستجو شده – بخش نهم
- فراردس – کلمات کلیدی جستجو شده – بخش هشتم
- فراردس – کلمات کلیدی جستجو شده – بخش هفتم
امکانات وب
شبکه های عصبی مصنوعی یا Artificial Neural Networks (به اختصار ANN) ابزارهایی مهم در میان مباحث هوش محاسباتی (Computational Intelligence) به حساب می آیند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند، که عمدتا در کاربردهایی همچون طبقه بندی، خوشه بندی، تشخیص الگو، مدل سازی و تقریب توابع، کنترل، تخمین و بهینه سازی مورد استفاده قرار می گیرند.
در این پست قصد داریم فیلم آموزشی جامع شبکه های عصبی رقابتی و نگاشت خود سازمان ده یا SOM را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به شبکه های عصبی رقابتی و نگاشت های خود سازمان ده، کاربردهای عملی مربوط به این نوع از شبکه عصبی غیر نظارت شده در حل مسائل مختلفی (نظیر خوشه بندی و کاهش ابعاد) مورد بحث و بررسی قرار گرفته است. برنامه های مربوط به این شبکه های عصبی، در فیلم آموزشی به صورت گام به گام پیاده سازی شده اند.
رویکردهای ارائه شده در این فیلم آموزشی بسیار فراگیر و عمومی هستند و می توان از نکات تئوری و عملی بیان شده، برای حل سایر مسائل کاربردی استفاده نمود. مطالب و مباحث این فیلم آموزشی به زبان فارسی روان، و توسط مهندس سید مصطفی کلامی هریس ارائه شده است.
سرفصل های مهم مورد بحث در این فیلم آموزشی عبارتند از:
- مبانی شبکه های عصبی رقابتی
- سیاست های مختلف مورد استفاده در شبکه های عصبی رقابتی
- بررسی ساختار قشر مغز (Cerebral Cortex) و ارتباط آن با مفاهیم یادگیری رقابتی
- شیوه کارکرد نگاشت خود سازمان ده یا Self-Organazing Map (یا به اختصار SOM)
- معرفی و بررسی قانون یادگیری هب (Hebb) یا Hebbian Leaing Rule
- معرفی و بررس قانون یادگیری کوهنن یا Kohenen Leaing Rule
- تطبیق پذیری در شبکه های عصبی رقابتی
- پیاده سازی لایه رقابتی در متلب با استفاده از تابع competelayer
- حل مسأله خوشه بندی با استفاده از شبکه عصبی رقابتی و تابع competelayer
- کلاسترینگ در جعبه ابزار شبکه عصبی متلب یا nctool
- پیاده سازی نگاشت خود سازمان ده یا SOM ساده با استفاده از nctool
- تفسیر نمودارهای خروجی ارائه شده توسط nctool
- بررسی توپولوژی های قابل استفاده در ساختار SOM در متلب
- خوشه بندی با استفاده از شبکه عصبی SOM در متلب
- پیاده سازی SOM با استفاده از m-file در متلب
- مقدمات کاهش ابعاد و مدل سازی با استفاده از SOM
- بررسی شباهت ها و تفاوت موجود میان شبکه های عصبی رقابتی و الگوریتم k-Means
توجه: این محصول بخشی از بسته زرین فیلم های آموزشی شبکه های عصبی مصنوعی است.
برای کسب اطلاعات بیشتر بر روی این لینک (+) کلیک کنید.
برچسب: Cerebral Cortex, Clustering, competelayer, Hebbian Learning Rule, Kohenen Learning Rule, Self,Organizing Maps, ابزار nctool, تطبیق پذیری, خوشه بندی, خوشه بندی در متلب, شبکه عصبی Kohenen, شبکه عصبی کوهنن, شبکه های عصبی رقابتی, قانون یادگیری Hebb, قانون یادگیری هب, قانون یادگیری کوهنن, قشر مغز, لایه رقابتی, نگاشت خود سازمان ده, نگاشت های خود سازمان ده, کلاسترینگ, یادگیری ماشینی,
نویسنده: فرادرس |FaraDars