آموزش طراحی شبکه عصبی مصنوعی در متلب

توضیحات تدریس

• با مفاهیم شبکه های عصبی مصنوعی آشنا شویم • اجزاء اصلی شبکه های عصبی را شاسایی کنیم • مقایسه شبکه های عصبی مغز با شبکه های عصبی مصنوعی • ویژگی های اساسی شبکه های عصبی مصنوعی • اجزاء نرون از نمای نزدیک • مفهوم وزن و Bias در شبکه های عصبی مصنوعی • مفهوم تابع محرک چیست • با توابع محرک پرکاربرد در مهندسی آب و علوم محیطی آشنا شویم • مکان ظهور توابع محرک را شناسایی کنیم • کاربرد شبکه های عصبی استاتیکی در مهندسی آب • بحث در خصوص انواع مختلف شبکه های عصبی استاتیکی (پرسپترون، تطبیقی، شعاعی و ...) • انواع شبکه های عصبی دینامیک را به خدمت بگیریم • Recurrent Neural Network • Input Delay Neural Network • Time Delay Neural Network • Time Delay Recurrent Neural Network • Supervised Neural Network • Non – Supervised Neural Network • Pass Training • Random Training • Batch Training • مفهوم شبکه های عصبی دینامیکی سری یا موازی • نحوه آموزش شبکه های دو لایه • تحلیل اولیه داده ها جهت تخصیص ورودی های شبکه عصبی مصنوعی • دسته بندی داده های ورودی چگونه انجام می شود • مفاهیم train، calibration و verification • دلایل و متدهای نرمال سازی ورودی • معماری شبکه عصبی • الگوریتم های آموزش شبکه عصبی • انواع شاخص های خطا جهت برآورد Performance شبکه عصبی • با انواع معیار های توقف آموزش و پرورش شبکه عصبی آشنا شویم • پارامترهای معماری شبکه عصبی و نحوه تنظیم آنها • نمایش اجزاء شبکه عصبی • تعیین Structure شبکه عصبی مصنوعی از نمای نزدیک • با مفهوم تکرار در پروسهء پردازش داده ها بیشتر آشنا شویم • عناصر ورودی و خروجی چگونه معرفی می شوند • مفهوم set داده و تفاوت آن با پارامترهای ورودی و خروجی • قرائت وزن و Bias خروجی لایه های مخفی • پردازش متوالی داده های ورودی / خروجی جهت تربیت شبکه عصبی مصنوعی • پردازش تصادفی داده های ورودی / خروجی جهت تربیت شبکه عصبی مصنوعی • انتخاب توابع مناسب جهت تعیین وزن داده های ورودی به هر لایه • تولید وزن اوّلیه جهت تخصیص به ورودی هر یک از لایه های مخفی • با الگوریتم تعیین وزن لایه ها، دسته بندی های موجود و محدودیت های فی ما بین آشنا شویم • اجزاء مختلف تابع train را شناسایی کنیم • مفهوم تأخیر ورودی به لایه های مخفی چیست و چه انواعی دارد • ماهیت ابعاد مختلف زمان تأخیر و تفاوت های آن در شبکه های استاتیک و دینامیک • نحوه مواجهه با داده های مفقوده (NaN) در بخش ورود داده ها به شبکه عصبی مصنوعی • نکاتی در خصوص بردار خروجی از شبکه عصبی مصنوعی • روش حرفه ای تعیین تعداد نرون در هر یک از لایه های مخفی • طبقه بندی ارزش داده های خروجی بر اساس source و منبع دریافت داده ها • نحوه ذخیره مدل train شده بصورت خودکار با زمان بندی دلخواه • شبکه های عصبی دینامیکی • معماری یک شبکه دینامیک چگونه صورت می گیرد • طراحی Structure شبکه های دینامیک با بیش از یک لایه ورودی • طراحی Structure شبکه های دینامیک با بیش از یک لایه خروجی • طراحی Structure شبکه های دینامیک با تأخیر لایه • طراحی Structure شبکه های دینامیک با تأخیر ورودی • مفهوم زمان در سری زمانی های مورد تحلیل توسط شبکه های عصبی مصنوعی • تعیین دقیق اجزاء سری های زمانی • معرفی تأخیر ورودی از لایه های مخفی در عصبی دینامیک • تعیین دقیق وزن و Bias با استفاده از حلقه های تکرار • تعیین دقیق تعداد نرون لایه های مخفی در شبکه های دینامیک یک لایه و چند لایه • همگام سازی وزن، Bias و تعداد نرون در لایه های مخفی به دقیق ترین شکل ممکن • دسته بندی حرفه ای داده ها در شبکه های دینامیک • استاندارد کردن ورودی / خروجی در شبکه عصبی دینامیک را بیاموزیم • دسته بندی نتایج خروجی و تعیین میزان خطای مربوطه • ترسیم نمودار خروجی در شبکه های عصبی دینامیک چگونه صورت می گیرد • با انواع شبکه های عصبی آماده در محیط متلب آشنا شویم • تفاوت ساختاری شبکه های عصبی آماده در چیست • بحث در خصوص انتخاب نوع مدل • مقایسه شبکه عصبی custom و شبکه های عصبی آماده • با شبکه ADALINE آشنا شویم • تحلیل ساختار شبکه عصبی ADALINE • تحلیل شرایطی که شبکه ADALINE مناسب ترین گزینه است (تحلیل عملکرد) • معادلات حاکم بر روند انجام محاسبات در شبکه ADALINE را بررسی کنیم • الگوریتم آموزش شبکه عصبی ADALINE • روند اصلاح مقادیر وزن و Bias در شبکه ADALINE • نحوه تعریف پارامترهای موجود در شبکه ADALINE • تعیین مناسب ترین نرخ یادگیری شبکه عصبی بر اساس وضعیت داده های ورودی • با ساده ترین و کارآمد ترین شکل تعریف تأخیر در لایه آشنا شویم • تحلیل وضعیت داده های تأخیر یافته • انتخاب وزن و Bias بهینه برای شبکه های عصبی چگونه ممکن خواهد بود • شبکه های عصبی ADALINE با فیلتر تطبیقی • مفهوم(TDL) Tapped Delay Line چیست • با نحوه انجام محاسبات در شبکه عصبی ADALINE تطبیقی آشنا شویم • نحوه آموزش و تربیت شبکه عصبی ADALINE تطبیقی • با شبکه های عصبی پیشخور آشنا شویم • نحوه استفاده از شبکه های عصبی Feedforward به منظور داده کاوی • شبکه های عصبی پیشخور در عمل • با کاربرد عملی انواع گوناگون شبکه های عصبی پیشخور آشنا شویم • معماری شبکه های عصبی آماده • انواع مختلف متدهای آموزش و پرورش شبکه های عصبی آماده کدامند • آشنایی با شبکه های Perceptron • با کاربرد و نحوه استفاده از شبکه های MLP آشنا شویم • معماری شبکه عصبی Perceptron را بیاموزیم • با الگوریتم آموزش شبکه های Perceptron آشنا شویم • برنامه نویسی جهت ایجاد الگوریتم آموزش شبکه Perceptron تا رسیدن به خطای صفر • پیاده سازی اجزاء الگوریتم learnp در عمل • معرفی گام به گام قانون یادگیری Perceptron • معادلات کاربردی Perceptron • کدینگ روند train شبکه Perceptron برای تعداد دلخواهی از ورودی ها (Customized training) • استفاده از شبکه عصبی برای Pattern Recognition با n تعداد خروجی • آشنایی با trainscg • مفهوم Cross Entropy چیست (معادلات و محاسبات) • اجزاء تابع crossentropy در متلب • نحوه ممانعت از overfitting در زمان استفاده از patternnet • با شبکه های عصبی RBF آشنا شویم (RBFNN) • ساختار شبکه عصبی تابع پایه شعاعی از نمای نزدیک • الگوریتم انجام محاسبات در RBF چیست • توصیف تابع محرک شبکه عصبی RBF • نکات مربوط به تعیین میزان پارامتر هموار ساز در شبکه تابع پایه شعاعی • نحوه ساخت شبکه RBF در محیط متلب • نحوه تعیین بازه مناسب برای مقدار spread • ترفند محاسبه مقادیر وزن و Bias لایه خروجی • تکنیک کاربردی جهت ممانعت از over-training در شبکه RBF • نقاط ضعف شبکه RBF را شناسایی کنیم • توصیف ماهیت PCA • چگونه می توان از PCA در طبقه بندی و پهنه بندی داده ها استفاده نمود • متد PCA بر مبنای چه اصولی عمل می کند • کاهش ابعاد مسئله بدون کاهش دقت تحلیل را بیاموزیم • رویکرد آنالیز مولفه اصلی چه محدودیت هایی دارد • تحت کدام شرایط بهتر است تا از متد آنالیز فاکتور (PFA) استفاده کنیم • با نحوه کدنویسی و کاربرد ضریب KMO آشنا شویم • منظور از مولفه اصلی چیست و چگونه ایجاد می شود • با الگوریتم PCA به تفکیک مراتب آشنا شویم • بردار ویژه و مقدار ویژه چگونه تولید می شود • بحث در خصوص انواع Rotation بر روی بردارهای ویژه • پیاده سازی چرخش varimax در نرم افزار متلب • کار با متد آنالیز فاکتور در نرم افزار متلب (PFA) • نکات کلیدی آنالیز مولفه ها و فاکتورهای اصلی را شناسایی کنیم • اهمیت داده های مورد بررسی با توجه به میزان واریانس فاکتورهای تولید شده • تعیین اِلِمان های کلیدی با استفاده از نمودار مربوط به بردار ویژه • اجزاء تابع PCA در نرم افزار متلب • با انواع Name - Value های کاربردی تابع PCA آشنا شویم • توصیف مدل های خود سازمانده • انواع توپولوژی در شبکه SOM • با ساختار شبکه های رقابتی آشنا شویم • تفاوت شاخص تابع محرک SOM با دیگر توابع محرک • الگوریتم شبیه سازی مدل SOM • نحوه به روز رسانی وزن و Bias در شبکه های SOM • دلایل استفاده از تابع توزیع گوسی در مدل SOM • با مفاهیمی همچون نرون غالب و شعاع تأثیر نرون برنده آشنا شویم • نکات ضروری در خصوص آموزش شبکه های SOM • با کاربرد مهم Bias در شبکه SOM آشنا شده و کاربرد دوگانه آنرا بیاموزیم • نحوه کلاسه بندی و پهنه بندی داده ها با متدهای دستی • نحوه کلاسه بندی و پهنه بندی داده ها با توابع متلب • تولید یک شبکه رقابتی با استفاده از تابع selforgmap • با مفهوم و کاربرد Dimension آشنا شویم • تابع توپولوژی به چه معناست و چه انواعی دارد • در چه شرایطی نیاز به تعریف Bias نداریم • توابع فاصله را شناسایی کرده و کاربرد کلیه توابع فاصله را بیاموزیم • مدیریت خروجی ها جهت تعیین تعداد کلاس های مناسب • ایجاد گراف های چشم نواز با توجه به مفهوم نرون فعال و مرده

سطح آموزش

مبتدی: برای کسانی که می خواهند تازه شروع به یادگیری کنند

متوسط: برای کسانی که آشنایی دارند و تا حدی بلدند

حرفه ای: برای کسانی که بلدند ولی می خواهند بیشتر یاد بگیرند