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 International Neural Network Conferencel

فعالیت روی شبکه های عصبی در سالهای اخیر افزایش چشمگیری داشته است. محققان زیادی به ترکیب علوم مختلف مانند: نوروبیولوژی، فیزیک، ریاضیات (جبر خطی، آمار ...)، علوم کامپیوتر (مهندسی نرم افزار، معماری سخت افزار ...) و یا روانشناسی، باهم و گرفتن نتایج، علاقه مند شده اند. به همین دلیل شرکت های زیادی  و سازمانهای دولتی فعالیت در حوزه شبکه های عصبی را آغاز کرده اند تا نیاز بازار را پاسخ گویند. شبکه های عصبی نیز یک  موضوع تحقیق عمده در سوپر کامپیوتر هستند. اروپا از ابتدا با شرکت BRAIN، BRA، ANNIE و PYGMALION (Esprit) مشارکت فعالانه ای را در تامین مالی پروژه های بزرگ در این زمینه به عهده داشت.

دریافت مقاله یا کتاب
حجم: 3.18 مگابایت

کتاب Neural Networks and Deep Learning

فصل های کتاب به شرح زیر است: فصل اول و دوم اصول پایه ای شبکه های عصبی را بیان میکند.در فصل های سه و چهار در ک مفصل تری از پالش های موجود در حل مساله مورد بحث قرار میگیرد. فصل های پنج و شش شبکه های RBF و ماشین های بولتزمن معرفی شده است. از فصل ششم به بعد موصوعات پیشرفته در زمینه شبکه های عصبی آمورده شده است. فصل ها ی7 و 8 درباره شبکه های عصبی مجاور و کانولوشن بحث می کنند. چندین بخش پیشرفته مانند یادگیری تقویتی عمیق، مکانیزم های تورینگ عصبی و شبکه های نژادی مولد در فصل ها 9 و 10 مورد بحث قرار می گیرند.

دریافت مقاله یا کتاب
حجم: 8.18 مگابایت