پاورپوینت کامل شبکه ‏های عصبی برای طبقه ‏بندی یک مرور ۳۷ اسلاید در PowerPoint

توجه : این فایل به صورت فایل power point (پاور پوینت) ارائه میگردد

 پاورپوینت کامل شبکه ‏های عصبی برای طبقه ‏بندی یک مرور ۳۷ اسلاید در PowerPoint دارای ۳۷ اسلاید می باشد و دارای تنظیمات کامل در PowerPoint می باشد و آماده ارائه یا چاپ است

شما با استفاده ازاین پاورپوینت میتوانید یک ارائه بسیارعالی و با شکوهی داشته باشید و همه حاضرین با اشتیاق به مطالب شما گوش خواهند داد.

لطفا نگران مطالب داخل پاورپوینت نباشید، مطالب داخل اسلاید ها بسیار ساده و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی پاورپوینت کامل شبکه ‏های عصبی برای طبقه ‏بندی یک مرور ۳۷ اسلاید در PowerPoint،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از مطالب داخلی اسلاید ها

پاورپوینت کامل شبکه ‏های عصبی برای طبقه ‏بندی یک مرور ۳۷ اسلاید در PowerPoint

اسلاید ۴: مقدمه (ادامه)شبکه های عصبی یک ابزار مهم برای طبقه بندی محسوب می شودمزیت های شبکه های عصبیروش های خود تطبیقی برای مبنای داده هستندمی تواند هر تابعی را با دقت دلخواه تخمین بزندمدل های غیر خطی هستنددر تخمین احتمالات عقبی (posterior probability) توانا هستندتعدادی از مسائل با توجه به شبکه های عصبی هنوز به طور موفقیت آمیزی حل نشده اند۴ / ۳۳

اسلاید ۵: تئوری طبقه بندی بیزینتئوری تصمیم بیزین پایه روش های آماری استمسئله طبقه بندی به M-گروه را در نظر بگیرید‌:x : بردار صفت با d بعدw : متغییر عضویت( ) :‌ احتمال عقبی گروه j( | ) :‌ تابع چگالی احتمال = | ( ) () = =۱ | ( ) ۵ / ۳۳

اسلاید ۶: تئوری طبقه بندی بیزین(ادامه)فرض کنید داده x مشاهده شده است. احتمال خطای طبقه بندی به صورت زیر است : = =۱ )= max =1,2,… , ) اگر هدف به حداقل رساندن نرخ طبقه بندی اشتباه باشد , پس از قانون طبقه بندی بیزین به طور گسترده به صورت زیر استفاده می کنیم :توابع جدا کننده خطی و درجه دوم می‌توانند با اتخاذ توزیع نرمال چند متغیره برای چگالی شرطی ) از بردار صفت x نتیجه شوند۶ / ۳۳

اسلاید ۷: تئوری طبقه بندی بیزین(ادامه)دو مشکل در پذیرفتن قانون تصمیم بیز ساده :در اکثر مواقع تابع چگالی معلوم نیستبه اثر خطای طبقه بندی اشتباه بی تفاوت هستیمراهکار : نسبت دادن هزینه به خطای طبقه بندی اشتباه c ij X : هزینه طبقه بندی اشتباه x به گروه i, در صورتی که در اصل متعلق به گروه j باشدهزینه مورد انتظار به صورت زیر است : = =۱ ) , i=1,2, …, Mقانون طبقه بندی بیزین به طوری کلی به صورت زیر است : = min =1,2, …, () ۷ / ۳۳

اسلاید ۸: تخمین احتمال عقبی از طریق شبکه های عصبیدر مسائل طبقه بندی می توان با استفاده از شبکه های عصبی,تخمینی از احتمالات عقبی بدست آوردیک شبکه عصبی برای مسئله طبقه بندی می تواند به صورت یک تابع نگاشت دیده شود : : از تئوری تخمین کمترین مربعات در آمار, تابع نگاشت :, به صورت زیر است : =[|]j-امین عنصر F(x) به صورت زیر تعین می شود : = =. = )+ . = )= = )=( |)می توان انواع دیگر تابع خطا را بکار برد.مثل: تابع آنتروپی تقابلی۸ / ۳۳

اسلاید ۹: شبکه های عصبی و طبقه بندی کننده های مرسومطبقه کننده های آماری مبتنی بر تئوری تصمیم بیزین هستند, که احتمالات عقبی نقش اصلی را بازی می‌کندکد کردن مختلف اعضای خروجی :مسئله طبقه بندی دو-گروه اگر شی متعلق به کلاس ۱ باشد, خروجی به صورت ۱اگر شی متعلق به کلاس ۲ باشد, خروجی به صورت ۱-تابع جدا کننده زیر را داریم : = ۱ ) ۲ )۹ / ۳۳

اسلاید ۱۰: شبکه های عصبی و طبقه بندی کننده های مرسوم(ادامه)Raudys ثابت کرد با کنترل هدفمند پیچیدگی پرسپترون تک لایه, مرزهای تصمیم طبقه بندی کننده, برابر یا نزدیک ۷ طبقه بندی کننده آماری زیر هستند :طبقه بندی کننده فاصله Enclideanتابع جدا کننده خطی Fisherتابع جدا کننده خطی Fisher با شبه وارونه سازی ماتریس کواریانستابع جدا کننده خطی Fisher تعمیم بافتهمنظم کردن تحلیل جدا کننده خطیطبقه بندی کننده حداقل خطای تجربیطبقه بندی کننده حداکثر اختلاف۱۰ / ۳۳

اسلاید ۱۱: شبکه های عصبی و طبقه بندی کننده های مرسوم(ادامه)رگرسیون دو حالته (Logistic Regression) ابزار طبقه بندی کننده مهم دیگر است, که در تشخیص پزشکی و مطالعات امراض همه گیر استفاده می شود.غالبا بر تحلیل جدا کننده ترجیح داده می شودنتیجه آزمایش جامع Minchiکه در مطالعه مقایسه ای پروژه StatLog بود و ۳ روش طبقه بندی (شبکه های عصبی , طبقه بندی کننده های آماری و یادگیری ماشین) مقایسه شده بود, نشان داد که یک طبقه بندی کننده خوب برای همه مجموعه داده ها وجود ندارد۱۱ / ۳۳

اسلاید ۱۲: یادگیری و تعمیمیادگیری : توانایی در تخمین رفتار با توجه به داده آموزشیتعمیم :‌ توانایی پیش بینی خوب, فراتر از داده های آمو