کتاب شبکه های عصبی دکتر منهاج را که به همراه تمرینات آن تهیه شده است را تقدیم شما کاربران عزیز سایت آغازه می کنیم. شبکه های عصبی علم نوینی است که در چند سال اخیر به علوم رایانه راه پیدا نموده است. شبکه‌ های عصبی مصنوعی (Artificial Neural Network – ANN) بطور خلاضه می توان اینگونه تعریف نمود که 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.. برای کسب اطلاعات بیشتر به صفحه ویکی پدیا مراجعه نماید. با استفاده از دانش برنامه‌نویسی رایانه می‌توان ساختار داده‌ای طراحی کرد که همانند یک نرون عمل نماید. سپس با ایجاد شبکه‌ای از این نورون‌های مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد. این کتاب یکی از کاملترین مراجع آموزشی شبکه های عصبی می باشد که رایگان در اختیار عموم قرار گرفته است. در ادامه سر فصل های این کتاب ذکر شده است.

عنوان: کتاب شبکه عصبی دکتر منهاج به همراه حل تمرینات

زبان آموزش : فارسی

نویسنده: دکتر منهاج

تعداد صفحه: ۱۴۲

حجم فایل: ۳ مگابایت

سر فصل های کتاب شبکه عصبی دکتر منهاج به همراه حل تمرینات به شرح زیر است.

تاریخچه

هوش مصنوعی

چالشهای بنیادین هوش مصنوعی

هوش محاسباتی

شبکه های عصبی Neural Networks

مدل ریاضی شبکه های عصبی

منطق فازی

الگوریتم های ژنتیک GA

کاربردهای شبکه های عصبی در پزشکی

سیستمهای تشخیص

آنالیز تصویر

پیشرفتهای دارویی و مدلسازی سیستم قلبی

بویایی الکترونیکی

شناخت الگو

کاربردهای سیستمهای فازی در پزشکی

سیستمهای فازی در بیو انفورماتیک

سیستمهای فازی ژنتیک

فصل اول

– مقدمه

– معنای شبکه های عصبی

– انگیزه های بیولوژیکی

– تشابهات و انتظارات

– تاریخچه و کاربرد

 فصل دوم :

– مدل ریاضی نرون

– مدل تک ورودی و چند ورودی

– ساختار شبکه های عصبی: شبکه های یک و چند لایه

– شبکه های پسخور یا برگشتی

– مسائل حل شده فصل ۲ ( خوانده شود و بحث در کلاس حل تمرین)

 فصل سوم: مسئله تشریحی شناسایی الگو

– شناسایی الگو

– معرفی سه شبکه های نمونه: پرسپترون، همینگ و هاپفیلد

– استفاده از آن در حل مسئله فوق

 فصل چهارم

– فرایند یادگیری

– شبکه های عصبی به عنوان سیستمهای دینامیکی آموزش پذیر

– یادگیری شبکه

– انواع یادگیری: با ناظر، بدون ناظر و تشدیدی

– قانون یادگیری پرسپترون

 فصل هفتم

– مقدمه

– مبانی بهینه سازی و نقاط بهینه

– روشهای می نیمم سازی

– یادگیری ویدرو-هوف و شبکه آدالاین

– الگوریتم LMS

– کاربرد شبکه آدالاین در فیترهای تطبیقی

 فصل هشتم

– مقدمه

– شبکه پرسپترون چند لایه

– حل چند مسئله

(BP) – الگوریتم پس انتشار خطا

– تقریب توابع

– کاربردهای شبکه عصبی چند لایه

قابل توجه کاربران شما می توانید این کتاب را یکجا و بطور کامل از لینک زیر دریافت کنید.

لینک مستقیم :

برای دریافت فایل اینجا کلیک کنید. (لینک مستقیم)