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 شبکه های عصبی هاپفیلد یا Hopfield Neural Network در متلب را معرفی کنیم که در آن علاوه بر مرور مبانی تئوری شبکه های عصبی هاپفیلد (Hopfield) و ارتباط آن با نظریه سیستم های دینامیکی غیر خطی، پیاده سازی عملی این نوع از شبکه عصبی برای حل مسأله بازشناسی الگو و تشخیص کاراکتر (Character Recognition) مورد بحث و بررسی قرار گرفته است. در ادامه، کاربرد این نوع از شبکه های عصبی در حل مسائل بهینه سازی ترکیباتی (Combinatorial) مانند مسأله فروشنده دوره گرد یا TSP مورد بررسی واقع شده است. ضمنا، ماشین بولتزمان به عنوان یک نسخه تصادفی از شبکه عصبی هاپفیلد نیز در این فیلم آموزشی معرفی شده است.
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 تئوری سیستم های دینامیکی
- مروری بر مفاهیم اساسی نقاط تعادل و نقش آن ها در تحلیل عملکرد سیستم های دینامیکی
- معرفی و بررسی قانون لیاپانوف (Lypunov) برای تحلیل پایداری سیستم های دینامیکی
- ارتباط شبکه عصبی هاپفیلد (Hopfield Neural Network) با نظریه سیستم های دینامیکی غیر خطی
- بررسی ساختار و شیوه عملکرد شبکه عصبی هاپفیلد
- رویکردهای طراحی شبکه های عصبی هاپفیلد
- طراحی شبکه هاپفیلد با استفاده از تابع newhop در متلب
- نمایش نتایج و ناحیه جذب (Domain of Attraction) برای یک شبکه هاپفیلد
- تعریف مسأله شناسایی الگوی یک کاراکتر (Character Recognition) به صورت یک مسأله یادگیری غیر نظارت شده
- پیاده سازی گام به گام برنامه جامع بازشناسی کاراکتر (الگو) با استفاده از شبکه عصبی هاپفیلد در متلب
- نمایش مرحله به مرحله همگرایی در شبکه هاپفیلد
- معرفی ماشین بولتزمان یا Boltzman Machine و ارتباط آن با شبکه عصبی هاپفیلد
- ارتباط ماشین بولتزمان با شبیه سازی تبرید (Simulated Aealing) یا SA
- حل مسائل بهینه سازی ترکیبیاتی یا Combinatorial با استفاده از شبکه هاپفیلد
- معرفی چگونگی حل مسأله TSP (فروشنده دوره گرد) با استفاده از شبکه هاپفیلد
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: Boltzman Machine, Character Recognition, Hopfield Network, Hopfield Neural Network, Simulated Aealing, بازشناسی الگو, بازشناسی کاراکتر, بهینه سازی با شبکه عصبی, بهینه سازی با شبکه عصبی هاپفیلد, بهینه سازی با شبکه هاپفیلد, بهینه سازی ترکیبیاتی, تابع newhop, تحلیل پایداری لیاپانوف, تعادل در سیستم های دینامیکی, سیستم های دینامیکی, شبکه عصبی هاپفیلد, شبکه هاپفیلد در متلب, شبیه سازی تبرید, شناسایی کاراکتر, فروشنده دوره گرد, قانون لیاپانوف, ماشین بولتزمان, مسأله TSP, مسأله فروشنده دوره گرد,
نویسنده: فرادرس |FaraDars