چگونه اولین شبکه عصبی مصنوعی را در پایتون درست کنیم ؟

دریافت مقاله یا کتاب
حجم: 549 کیلوبایت

مقاله Topology of a Neural Network

توپولوژی شبکه عصبی به نحوه متصل کردن نورونها اشاره دارد و عامل مهمی در نحوه عملکرد و یادگیری شبکه است. یک توپولوژی رایج در یادگیری بدون ناظر، نگاشت مستقیمی از ورودی ها به مجموعه ای از واحدها است که دسته بندی ها را نشان می دهد (به عنوان مثال، نقشه های خود سازمانده). معروفترین توپولوژی در یادگیری با ناظر، شبکه پیشخور ، سه لایه با ارتباط کامل است: تمام مقادیر ورودی به شبکه به تمام نورون ها در لایه مخفی متصل می شوند (پنهان شده زیرا در ورودی یا خروجی قابل مشاهده نیستند)، خروجی های نورون های پنهان به تمام نورون ها در لایه خروجی متصل می شوند و فعال سازی خروجی نرون ها خروجی کل شبکه را تشکیل می دهد...

دریافت مقاله یا کتاب
حجم: 59.7 کیلوبایت

کتاب FUNDAMENTALS OF NEURAL NETWORKS

 است. ترتیب ارائه عناوین بر اساس پیچیدگی شبکه ها است از ساده به پیچیده. نورون McCulloch-Pitts که در انتهای فصل 1 مورد بحث قرار گرفته، یک نمونه ساده از یک شبکه عصبی اولیه را فراهم می کند. شبکه های تک لایه برای طبقه بندی الگوی و ارتباط الگوها، که در فصل های 2و3 آمده است ، دو مورد از اولین کاربرد شبکه های عصبی با وزن های سازگار هستند. شبکه های پیچیده تر، که در فصل های بعد مورد بحث قرار می گیرند، برای این نوع مسئله ها و همچنین برای مشکلات عمومی نگاشت مورد استفاده قرار می گیرند. فصل 6 مباحث فصل 2 را دنبال میکند. فصل های 3 و 5 ساختارهای ساده ای را بیان میکنند. فصل های 4و 5 شبکه هایی را برای مسئله خوشه بندی بیان می کنند. فصل 7 برخی شبکه های کم کاربرد را مطرح می کند.

دریافت مقاله یا کتاب
حجم: 11.6 مگابایت

مقاله A survey of neural network-based cancer prediction models from microarray data

شبکه های عصبی  به عنوان ابزاری قدرتمند است که به طور گسترده ای برای ساخت مدل های پیش بینی سرطان استفاده می شود. در این مقاله،  مدل های پیشنهادی  اخیر را برای بررسی نقش شبکه های عصبی در پیش بینی سرطان از داده های بیان ژن بررسی می شوند. مقالات ارائه شده بین سال های 2013-2018 در پایگاه های علمی را با استفاده از کلمات کلیدی مانند طبقه بندی سرطان، تجزیه و تحلیل سرطان، پیش بینی سرطان، خوشه بندی سرطان  مورد بررسی قرار گرفته است. تجزیه و تحلیل مطالعات نشان می دهد که روش های شبکه عصبی برای فیلتر کردن (مهندسی داده ها) بیان ژن ها در یک مرحله قبل از مرحله پیش بینی ، وجود سرطان، نوع سرطان یا خطر زنده ماندن؛ یا برای خوشه بندی نمونه های بدون برچسب.استفاده شده است. نتایج نشان می دهد که عملکرد شبکه عصبی معماری کلی آن را تعیین می کند. با این حال، تصمیم گیری در مورد تعداد لایه های پنهان، نورون ها، ابررساناها و الگوریتم یادگیری با استفاده از تکنیک های آزمون و خطا صورت می گیرد.

دریافت مقاله یا کتاب
حجم: 1.22 مگابایت

مقاله پیش بینی میزان صادرات خرمای ایران با استفاده از روش های اقتصادسنجی و هوش مصنوعی

در این مطالعه با استفاده از روش های اقتصادسنجیARMA ،GARCH و روش های هوش محاسباتی، شبکه عصبی مصنوعی و الگوریتم ژنتیک اقدام به پیش بینی میزان صادرات خرمای ایران برای دوره 1395-1389 شد. به منظور انجام بررسی ها از داده های مربوط به دوره زمانی 1388-1346 استفاده گردید. از داده های دوره 1384-1346 به منظور مدل سازی و از داده های 4 سال آخر برای بررسی قدرت پیش بینی استفاده شد. نتایج مطالعه نشان داد که شبکه عصبی در مقایسه با سایر روش ها از خطای پیش بینی کمتری برخوردار است. بعد از شبکه عصبی الگوریتم ژنتیک دارای کمترین خطا بوده و معیارهای عملکرد نشان دهنده توانایی الگوریتم ژنتیک در پیش بینی میزان صادرات خرما می باشند. با توجه به برتری شبکه عصبی در پیش بینی میزان صادرات خرمای ایران، پیش بینی های صورت گرفته توسط این مدل، روند افزایشی-کاهشی در میزان صادرات خرمای ایران را نشان می دهد.

دریافت مقاله یا کتاب
حجم: 671 کیلوبایت

مقاله الگوسازی و پیش بینی مصرف انرژی بخش حمل و نقل ایران: کاربردی از هوش مصنوعی

هدف پژوهش حاضر، الگوسازی و پیش بینی مصرف انرژی بخش حمل و نقل ایران با استفاده از الگوهای شبکه عصبی فازی، شبکه عصبی ژنتیک و شبکه عصبی است. از این رو، از داده های سالانه مصرف انرژی بخش حمل و نقل کشور به عنوان متغیر خروجی الگوهای پیش بینی و از داده های سالانه جمعیت کل کشور، تولید ناخالص داخلی و تعداد خودرو، به عنوان متغیرهای ورودی الگوهای پیش بینی استفاده شد. در پایان دقت نتایج پیش بینی الگوهای مختلف، با استفاده از شاخص های ارزیابی مقایسه گردید. نتایج ارزیابی نشان داد که الگوی شبکه عصبی فازی، نسبت به سایر الگوها از بیشترین دقت در پیش بینی مصرف انرژی در بخش حمل و نقل کشور برخوردار است. همچنین بر اساس نتایج تحلیل حساسیت ورودی ها به وسیله شبکه عصبی، ورودی جمعیت کشور به عنوان ورودی شناخته شد که بیشترین تاثیر را در مصرف انرژی دارد.

دریافت مقاله یا کتاب
حجم: 504 کیلوبایت