شبکه‌ های عصبی مصنوعی (Artificial Neural Network – ANN) یا به زبان ساده ‌تر شبکه‌ های عصبی سیستم‌ ها و روش ‌های محاسباتی جدیدی برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌ بینی پاسخ ‌های خروجی از سامانه ‌های پیچیده می باشد. این شبکه ها از تعداد دلخواهی سلول یا گره یا واحد یا نرون تشکیل می شود که مجموعه ورودی را به خروجی ربط می دهند. همچنین این شبکه‌ ها قادر به یادگیری‎ هستند.

جزوه آموزش شبکه عصبی مصنوعی، مشتمل بر 131 صفحه، در 7 فصل، با فرمت PDF، به زبان فارسی، همراه با تصاویر و روابط مهم ریاضی به ترتیب زیر گردآوری شده است:

فصل 1: هوش محاسباتی

• تاريخچه
• هوش مصنوعي
• چالش هاي بنيادين هوش مصنوعي
• هوش محاسباتي
• شبكه هاي عصبي (Neural Networks)
• مدل رياضي شبكه هاي عصبي
• منطق فازي (Fuzzy logic)
• الگوريتم هاي ژنتيك (GA)
• كاربردهاي شبكه هاي عصبي در پزشكي
• سيستم هاي تشخيص
• آناليزهاي شيمي پزشكي
• آناليز تصوير
• پيشرفتهاي دارويي و مدلسازي سيستم قلبي عروقی
• بويايي الكترونيكي
• شناخت الگو
• پزشك نمونه
• كاربردهاي سيستم هاي فازي در پزشكي
• سيستم هاي فازي در بيو انفورماتيك
• سيستم هاي فازي ژنتيك

فصل 2: شبکه های عصبی

• مقدمه
• معناي شبكه هاي عصبي
• انگيزه هاي بيولوژيكي
• تشابهات و انتظارات
• تاريخچه و كاربرد
• مدل رياضي نرون
• مدل تك ورودي
• برخي توابع تحريك مرسوم نرون مصنوعي
• مدل چند ورودي
• ساختار شبكه هاي عصبي
• شبكه هاي يك و چند لايه
• مثال: يك شبكه پيشخور 3 لايه
• چند سئوال
• شبكه هاي پسخور يا برگشتي
• مسائل حل شده

فصل 3: مسئله تشريحي شناسايي الگو

• شناسايي الگو
• روش هاي كلاسيك و شبكه هاي عصبي
• معرفي سه شبكه هاي نمونه: پرسپترون، همينگ و هاپفيلد
• پرسپترون تك لايه با تابع تحريك آستانه اي دو مقداره متقارن
• مثال تشريحي با پرسپترون
• شبكه همينگ
• شبكه همينگ، لايه اول
• شبكه همينگ، لايه دوم
• شبكه همينگ، لايه سوم
• شبكه هاپفيلد
• مهمترين ويژگي ها
• مهمترين نكات

فصل 4: پرسپترون تك لايه

• فرايند يادگيري
• يادگيري با ناظر
• يادگيري بدون ناظر
• خلاصه فرايند يادگيري
• سيستم هاي ديناميكي آموزش پذير
• معادله يادگيري در حالت كلي
• يادگيري با ناظر در شبكه عصبي
• يادگيري تشديدي (تقويتي) در شبكه عصبي
• يادگيري بدون ناظر در شبكه عصبي
• قانون يادگيري پرسپترون تك لايه (SLPR)

فصل 5: شبكه هاي آدالاين و یادگیری LMS

• مقدمه
• مباني بهينه سازي و نقاط بهينه
• بسط تيلور و تقريب توابع
• مشتقات برداري جهت دار
• شرايط لازم براي نقاط بهينه
• توابع درجه دوم
• توابع درجه دوم و ساختار ويژه
• روند مينيمم سازي، الگوريتم كلي
• روش بيشترين نزول (SD)
• نكات مربوط به الگوريتم SD
• مثالي از الگوريتم SD
• نكات

فصل 6: یادگیری LMS يا ويدرو هوف

• شبكه آدالاين
• معادلات ويدرو هوف در حالت تك نرون
• الگوريتم LMS
• فرم دسته اي يادگيري LMS در حالت تك نرون
• فرم دسته اي يادگيري LMS در حالت کلی
• بهبود هايي بر LMS
• كاربرد شبكه آدالاين در هاي تطبيقي

فصل 7: شبكه هاي عصبي چند لايه پيشخور و يادگيري پس انتشار خطا

• مقدمه
• تاريخچه
• شبكه پرسپترون چند لايه
• حل چند مسئله شناسايي الگو
• شناسايي الگو
• الگوريتم BP
• خلاصه الگوريتم BP

* توجه: لازم به ذکر است که علاوه بر جزوه آموزشی بالا، جزوه حل تمرینات درس شبکه عصبی مصنوعی (دکتر منهاج، 68 صفحه، به زبان فارسی، با فرمت pdf) نیز جهت دانلود قرار داده شده است.

جهت دانلود جزوه آموزش شبکه عصبی مصنوعی به همراه تشریح کامل مسائل، به لینک زیر مراجعه نمایید:

آموزش شبکه عصبی مصنوعی به همراه تشریح کامل مسائل