آموزش شبکه های عصبی – مقدماتی

آموزش شبکه های عصبی – مقدماتی دکتر آرمین الله وویردی

ویدیو آموزش شبکه های عصبی – مقدماتی (Artificial Neural Networks – ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوین برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده هستند.

ایدهٔ اصلی این گونه شبکه‌ها تا حدودی الهام‌گرفته از شیوهٔ کارکرد سیستم عصبی زیستی برای پردازش داده‌ها و اطلاعات به منظور یادگیری و ایجاد دانش میباشد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است.دوره شبکه های عصبی به مسائل مختلف در این حوزه می‌پردازد. امید است کاربران پزشک آموز پس از گذراندن این دوره، بتوانند بخش اعظمی از نیازهای خود را برآورد نمایند.

آموزش شبکه های عصبی پزشکی، دانشجویان علوم پایه، دانشجویان پرستاری مامایی، دانشجویان پیراپزشکی

ویدیو آموزش شبکه های عصبی – مقدماتی رشته های پرستاری مامایی، پزشکی ، دندانپزشکی ، داروسازی و دانشجویان فناوری های نوین و پیراپزشکی از سایت آموزشی پزشک آموز اولین رسانه دیجیتال آموزشی در حوزه علوم پزشکی …

مجموعه آموزش های پزشک آموز در زمینه پزشکی و مباحث مرتبط با آن

آموزش شبکه های عصبی (Artificial Neural Networks) یا به اختصار ANN ابزارهایی مهم در میان آموزش شبکه های عصبی (Computational Intelligence) به حساب می آیند. انواع مختلفی از شبکه های عصبی آموزش شبکه های عصبی معرفی شده اند که عمدتا در کاربردهایی همچون: طبقه بندی، خوشه بندی، تشخیص الگو، مدل سازی و تقریب توابع، کنترل، تخمین و بهینه سازی مورد استفاده قرار می گیرند.

بسته زرین آموزشی شبکه های آموزش شبکه های عصبی مصنوعی در متلب (MATLAB)، مجموعه ای از هفت مجموعه آموزشی جامع درباره شبکه های عصبی مصنوعی است. این بسته آموزشی بی نظیر، در مجموع شامل بیش از ۲۷ ساعت برنامه آموزشی تخصصی است، که تمام بخش های آن به صورت تئوری و عملی ارائه شده اند.

درس یکم: شبکه های عصبی پرسپترون چند لایه (Multilayer Perceptron) یا MLP در متلب

در این فرادرس قصد داریم آموزش جامع شبکه های عصبی پرسپترون چند لایه یا MLP در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری های مربوط به شبکه های عصبی MLP، پیاده سازی عملی این نوع شبکه ها در محیط متلب (MATLAB) نیز به طور کامل مورد بررسی قرار گرفته است. همچنین مباحث عمیق تئوری و عملی، در زمینه تقسیم بندی داده ها، تحلیل عملکرد شبکه، روش های پیش پردازش اطلاعات و ده ها مبحث تخصصی دیگر نیز در این فیلم مورد بحث و بررسی قرار گرفته اند. برنامه هایی که در این فیلم پیاده سازی شده اند به حل مسائل تخمین و تقریب توابع (Function Approximation) و پیش بینی سری های زمانی (Time Series Prediction) اختصاص دارند.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:

• مروری بر عملکرد سیستم عصبی طبیعی/آموزش شبکه های عصبی
• تعمیم تعریف نورون و استفاده از آن برای مدل سازی
• شبکه های عصبی پرسپترون چندلایه یا MLP و لزوم استفاده از آن ها
• بررسی مفاهیم مرتبط با آموزش شبکه های عصبی
• تقسیم بندی داده
  • روش ها و دلایل
• پیاده سازی شبکه عصبی در متلب با استفاده از رابط های گرافیکی (GUI) تولباکس شبکه عصبی
• پیاده سازی شبکه عصبی MLP با تولباکس
• حل یک مساله مدل سازی ساده
• روش های پیش پردازش اطلاعات
  • داده های بی مقدار (Missing Values)
  • داده های پرت (Outlier)
  • نرمال سازی (Normalization)
  • سفید سازی (Whitening)
  • روش های کاهش بعد و کارکرد آن ها
  • نگاشت های غیرخطی
• مروری بر کاربردهای مختلف شبکه های عصبی مصنوعی
• خواص و تنظیمات شبکه های عصبی در متلب (سفارشی سازی ها)
• بهبود عملکرد برنامه های نوشته شده
• تبدیل مساله پیش بینی سری زمانی به یک مساله تقریب تابع (مدل سازی)
• پیاده سازی شبکه عصبی برای پیش بینی سری زمانی آشوبی مکی گلاس (Mackey Glass)
• مدل سازی ارتباط میان گشتاور، سرعت، نرخ سوخت مصرفی و میزان تولید اکسید نیتروژن در یک موتور خودرو
• شیوه های نمایش گرافیکی نتایج به دست آمده از فرایند طراحی شبکه عصبی
• جمع بندی و نتیجه گیری های نهایی

درس دوم: شبکه های عصبی شعاعی پایه (Radial Basis Function) یا RBF در متلب

در این فرادرس قصد داریم فیلم آموزشی جامع شبکه های عصبی RBF در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری های مربوط به شبکه های عصبی مبتنی بر توابع شعاعی پایه یا RBF، پیاده سازی عملی این نوع شبکه ها در محیط متلب نیز مورد بررسی قرار گرفته است. برنامه هایی که در این فیلم پیاده سازی شده اند به حل مسائل تخمین و تقریب توابع (Function Approximation) و پیش بینی سری های زمانی (Time – Series Prediction) اختصاص دارند.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:

• مشکلات موجود با تفکیک کننده ها و نورون های خطی
• بیان ایده تفکیک غیرخطی با یک مثال ساده
• تعریف توابع شعاعی پایه و نورون های RBF
• ساختار عمومی یک شبکه عصبی RBF
• بیان قضیه میچلی (Micchelli) و شرایط تعریف مناسب یک تابع RBF
• شیوه های انتخاب مراکز توابع شعاعی
  • انتخاب مراکز ثابت
  • انتخاب با روش های غیرنظارت شده، مانند الگوریتم k-Means یا Lloyd
  • انتخاب با یادگیری نظارت شده
  • ارتباط میان شبکه عصبی RBF و سیستم فازی تاکاگی – سوگنو (Takagi – Sugeno) یا TSK
• پیاده سازی RBF در محیط متلب با استفاده از توابع newrb و newrbe
• تنظیم پارامترهای شبکه عصبی RBF
• استفاده از شبکه عصبی RBF برای تقریب و درون یابی توابع
• استفاده از شبکه عصبی RBF برای پیش بینی سری زمانی
• جمع بندی و نتیجه گیری های نهایی

درس سوم: ماشین های بردار پشتیبان (Support Vector Machine) یا SVM در متلب

در این فرادرس قصد داریم آموزش جامع ماشین های بردار پشتیبان یا SVM در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به ماشین های بردار پشتیبان یا SVM، پیاده سازی عملی این نوع شبکه ها در محیط متلب نیز به طور کامل مورد بررسی قرار گرفته است. برنامه هایی که در این آموزش پیاده سازی شده اند به حل مسائل طبقه بندی باینری (Binary Classification)، تخمین و تقریب توابع (Function Approximation) و پیش بینی سری های زمانی (Time – Series Prediction) اختصاص دارند

• جمع بندی و نتیجه گیری های نهایی

درس چهارم: یادگیری غیرنظارت شده و خوشه بندی با الگوریتم k-Means

در این آموزش شبکه های عصبی قصد داریم آموزش یادگیری غیرنظارت شده و خوشه بندی با الگوریتم k-Means در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به یادگیری غیرنظارت شده و مساله خوشه بندی (Clustering) و الگوریتم k-Means، پیاده سازی عملی این الگوریتم و حل مسائل خوشه بندی (کلاسترینگ) در محیط متلب نیز به طور کامل مورد بررسی قرار گرفته است. در برنامه های متعددی که در این فیلم آموزشی پیاده سازی شده است، ویژگی های مختلف تابع kmeans در متلب و نمایش نتایج حاصله را مورد بررسی دقیق قرار گرفته اند.

رویکردهای ارائه شده در این آموزش بسیار فراگیر و عمومی هستند و می توان از نکات تئوری و آموزش شبکه های عصبی بیان شده برای حل سایر آموزش شبکه های عصبی کاربردی استفاده نمود. مطالب و مباحث این آموزش شبکه های عصبی به زبان فارسی روان و توسط دکتر سید مصطفی کلامی هریس (فارغ التحصیل دکترای مهندسی برق – کنترل از دانشگاه صنعتی آموزش شبکه های عصبی نصیرالدین طوسی) ارائه شده است.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:

• مروری بر مبانی یادگیری ماشینی و انواع آن
• یادگیری نظارت شده
• یادگیری غیر نظارت شده
• یادگیری تقویتی
• مبانی خوشه بندی (Clustering)
• توصیف ریاضی مساله خوشه بندی به صورت مساله بهینه سازی
• الگوریتم k-Means (الگوریتم لوید (Lloyd’s Algorithm))
• خوشه بندی با استفاده از متلب
• حل مسائل خوشه بندی در متلب و نمایش نتایج حاصل

درس پنجم: شبکه های عصبی رقابتی و نگاشت خود سازمان ده (Self – Organization Map) یا SOM

در این پست قصد داریم آموزش جامع شبکه های عصبی رقابتی و نگاشت خود سازمان ده یا SOM را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به شبکه های عصبی رقابتی و نگاشت های خود سازمان ده، کاربردهای عملی مربوط به این نوع از شبکه عصبی غیرنظارت شده در حل مسائل مختلفی نظیر: خوشه بندی و کاهش ابعاد مورد بحث و بررسی قرار گرفته است. برنامه های مربوط به این شبکه های عصبی در آموزش به صورت گام به گام پیاده سازی شده اند.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:

• مبانی شبکه های عصبی رقابتی
• سیاست های مختلف مورد استفاده در شبکه های عصبی رقابتی
• بررسی ساختار قشر مغز (Cerebral Cortex) و ارتباط آن با مفاهیم یادگیری رقابتی
• شیوه کارکرد نگاشت خود سازمان ده (Self – Organazing Map) یا به اختصار SOM
• معرفی و بررسی قانون یادگیری هب (Hebbian Learning Rule)
• معرفی و بررس قانون یادگیری کوهونن (Kohenen Learning Rule)
• تطبیق پذیری در شبکه های عصبی رقابتی
• پیاده سازی لایه رقابتی در متلب با استفاده از تابع competelayer
• حل مساله خوشه بندی با استفاده از شبکه عصبی رقابتی و تابع competelayer
• کلاسترینگ در جعبه ابزار شبکه عصبی متلب یا nctool
• پیاده سازی نگاشت خود سازمان ده یا SOM ساده با استفاده از nctool
• تفسیر نمودارهای خروجی ارائه شده توسط nctool
• بررسی توپولوژی های قابل استفاده در ساختار SOM در متلب
• خوشه بندی با استفاده از شبکه عصبی SOM در متلب
• پیاده سازی SOM با استفاده از m-file در متلب
• مقدمات کاهش ابعاد و مدل سازی با استفاده از SOM
• بررسی شباهت ها و تفاوت موجود میان شبکه های عصبی رقابتی و الگوریتم k-Means

درس ششم: تحلیل مولفه اساسی (Principal Component Analysis) یا PCA

آموزش شبکه های عصبی  داریم آموزش تحلیل مولفه اساسی یا PCA در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به روش تحلیل مولفه اساسی (آموزش شبکه های عصبی) یا PCA، نحوه پیاده سازی عملی آن در محیط متلب، حل آموزش شبکه های عصبی کاهش ابعاد، انتخاب و استخراج ویژگی مورد بررسی واقع شده است. تمامی مراحل پیاده سازی انجام شده در این آموزش با ارائه توضیحات کامل تئوری و به صورت گام به گام انجام شده است.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:

• بررسی ارتباط میان PCA و تجزیه مقادیر تکین (Singular Value Decomposition) یا SVD
• مفهوم مولفه اساسی و کاربرد آن در استخراج ویژگی و کاهش ابعاد
• مفهوم پروب (حسگر یا معیار) واریانس (Variance Perobe) و نقش آن در تفکیک پذیری
• بیان هندسی و جبر خطی برای بیشینه سازی واریانس و تفکیک پذیری
• ارتباط میان مقادیر ویژه، بردارهای ویژه، مقادیر تکین و بیشینه سازی واریانس تفکیک
• پیاده سازی گام به گام و عملی PCA در متلب
• نمایش جهت های ویژه و مولفه های اساسی داده ها
• نمایش میزان تفکیک آموزش شبکه های عصبی داده ها با انتخاب هر یک از ورودی ها
• بیان ریاضی PCA به صورت فیلتر ویژه (Eigenfilter) برای داده های با حجم بالا
• قانون یادگیری اوجا (Oja Learning Rule)
• مقدمه ای بر PCA غیرخطی
• معرفی و بررسی الگوریتم Kernel PCA برای کاهش ابعاد غیرخطی با استفاده از Kernel Trick