با سلام در این قسمت شبکه عصبی خود رمزگذار عمیق (Deep Autoencoder) را معرفی می کنیم. شبکه های Autoencoder از شبکه های بدون ناظر به حساب می آید. تفاوت این نوع شبکه ها با شبکه های دیگر بدون ناظر در این است که شبکه های خود رمزگذار از توزیع های احتمالی برای آموزش بدون ناظر استفاده نمیکند بلکه به روش مشابه شبکه های با ناظر عمل می کند. یعنی یک هدف دارد و با استفاده از روش گرادیان نزولی و پس انتشار خطا آموزش می بیند، اما هدف آن خود ورودی می باشد و به همین دلیل روش آن را بدون ...
بیشتر بخوانید
با سلام در این دوره سعی شده تا با مراحل مهم فرآیند شناسایی سیستم آشنا شده، آن ها را در محیط متلب اجرا نمائیم. سه مرحله مهم در فرآیند شناسایی عبارتند از: ۱٫ جمع آوری چندین دیتای آزمایشی ورودی، خروجی از فرآیندی که می خواهیم آن را مدلسازی کنیم ( در مورد سیستم پاندول معکوس ورودی و خروجی ها به ترتیب عبارتند از نیروی وارده بر ارابه و جابه جایی و زاویه انحراف پاندول). ۲٫ انتخاب ساختار مناسب ۳٫ تخمین و تنظیم پارامترهای مدل به طوری که خروجی این مدل شبیه به خروجی فرآیند باشد. بهترین راه انتخاب ساختار یک ...
بیشتر بخوانید
با سلام در این قسمت شبکه عصبی ماشین بولتزمن محدود شده (RBM) restricted Boltzmann machine را معرفی می کنیم. شبکه های RBM از شبکه هایی است که هم می تواند به صورت با ناظر و هم به صورت بدون ناظر یا همزمان به صورت ترکیبی آموزش ببیند. زمانی که شبکه به صورت بدون ناظر آموزش می بیند باید از توزیع های احتمالی پیروی کرد، بنابراین جهت درک این نوع شبکه ها باید با توزیع های آماری و مسائل و توضیحات مربوط به احتمالات آشنایی داشت. از طرفی به دلیل پیروی این نوع شبکه ها از گراف بیزی، هنگام آموزش بدون ناظر ...
بیشتر بخوانید
با سلام در این قسمت شبکه عصبی LVQ (Learning Vector Quantization ) را معرفی می کنیم. شبکه های lvq از شبکه های با ناظر و بدون ناظر (همزمان و ترکیبی) می باشند که به صورت کلاسیفیکیشن استفاده می شود. شبکه های lvq معمولا به دنبال SOM می آیند و در نتیجه SOM نقش استخراج گر ویژگی را ایفا می کند و شبکه ی lvq نقشه دیکودر را، که با توجه به نتیجه ی SOM به عنوان ویژگی ورودی کلاس داده ی مورد نظر را خروجی می دهد. این تصمیم گیری lvq بر اساس یادگیری با ناظر به دست می آید. ...
بیشتر بخوانید
با سلام در این قسمت شبکه عصبی LVQ (Learning Vector Quantization ) را معرفی می کنیم. س از آموزش ساختار شبکه به صورت تئوری، به صورت عملی یک شبکه LVQ را از ابتدا در MATLAB پیاده سازی می کنیم و فایل آن قابل دانلود است. شبکه عصبی LVQ از شبکه ی SOM ورودی خود را دریافت می کند. در پایان با استفاده از تولباکس متلب هم یک شبکه ی lvq را پیاده سازی می کنیم و آن را آموزش می دهیم. در این جلسه مهم ترین مطالبی که ذکر خواهند شد به شرح زیر می باشند: خصوصیات استخراج ویژگی توسط ...
بیشتر بخوانید
با سلام در این قسمت شبکه عصبی خود سازمان ده SOM را (Self–Organizing Map) معرفی می کنیم. پس از آموزش ساختار شبکه به صورت تئوری، به صورت عملی یک شبکه SOM را از ابتدا در MATLAB پیاده سازی می کنیم و فایل آن قابل دانلود است. شبکه های خود سازمان ده نوعی از شبکه های بدون ناظر می باشند که به دو روش کلاسیفیکیشن (کلاسترینگ) و استخراج ویژگی استفاده می شود. شبکه های SOM با توجه به فاصله ی ورودی ها از هر نورون خود را آموزش می دهند و نورون ها با یکدیگر رقابت می کنند. این نوع الگوریتم ها ...
بیشتر بخوانید
با سلام در این قسمت شبکه عصبی خود سازمان ده SOM را (Self–Organizing Map) معرفی می کنیم. شبکه های خود سازمان ده نوعی از شبکه های بدون ناظر می باشند که به دو روش کلاسیفیکیشن (کلاسترینگ) و استخراج ویژگی استفاده می شود. شبکه های SOM با توجه به فاصله ی ورودی ها از هر نورون خود را آموزش می دهند و نورون ها با یکدیگر رقابت می کنند. این نوع الگوریتم ها هم زمانی به کار می آیند که یا داده های هدف موجود نباشند یا اینکه داده های ورودی به راحتی قابل تمییز نباشند. پس از آموزش ساختار شبکه به ...
بیشتر بخوانید
با سلام در این قسمت شبکه عصبی (Group Method of Data Handling)GMDH را معرفی می کنیم. شبکه های GMDH برگرفته از روش حل معادلات چند مجهولی مرتبه بالا به نام GMDH یا ایواخننکو است. این شبکه ها به دلیل استفاده از نورون های ویژه ای به نام N_Adaline می توانند به صورت شی گرایی استفاده شوند و نحوه ی گسترش دادن آن ها بسیار ساده است. زیرا می توان با استفاده از اصول شی گرایی، نورون های جدیدی افزود. نورون های N_Adaline تابعی مرتبه دوم هستند بنابراین شبکه های GMDH توانایی تقریب گر غیر خطی بالایی دارند. نکته ی دیگر ...
بیشتر بخوانید
سلام دهمین قسمت از مجموعه فیلم های آموزش شبکه عصبی کتاب دکتر تشنه لب در سایت متلب یار منتشر گردید. در این قسمت روش های بهبود شبکه عصبی را معرفی می کنیم در این ویدئو ، مهمترین مطالب و موضوعاتی که در این مجموعه بیان شده را بطور مختصر در زیر مشاهده می نمایید: عبارت ممنتم یادگیری عاطفی Resilient Back propagation rule نرخ آموزش تطبیقی یافتن نرخ آموزش بعدی Shuffling (بر زدن) پیش آموزش الزام بر اجرای موازی (multi thread) و مشکلات آن الزام بر اجرا بر روی GPU و مشکلات آن توضیحات کاملتر این پست در سایت متلب ...
بیشتر بخوانید
سلام نهمین قسمت از مجموعه فیلم های آموزش شبکه عصبی کتاب دکتر تشنه لب در سایت متلب یار منتشر گردید. در این قسمت فصل هشتم از بخش بندی مورد نظر یعنی شبکه عصبی بازگشتی و حافظه دار (Recurrent Neural Networks and Memory based Networks) را بررسی خواهیم کرد. در این قسمت ، یک شبکه ی بازگشتی را آموزش می دهیم و همچنین نحوه ی افزودن مرتبه های بیشتر حافظه را هم بررسی خواهیم کرد. بحث را با تعریف ورودی تاخیر یافته شروع خواهیم کرد و کاربردهای استفاده از ورودی تاخیر یافته را معرفی خواهیم کرد. پس از آن کاربرد و نحوه ی ...
بیشتر بخوانید