در این پست قصد داریم فیلم آموزشی 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 غیر نظارت 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 فیلم آموزشی به صورت گام به گام پیاده سازی شده اند.

شبکه های عصبی مصنوعی یا Artificial Neural Networks (به اختصار ANN) ابزارهایی مهم در میان مباحث هوش محاسباتی (Computational Intelligence) به حساب می آیند. انواع مختلفی از شبکه های عصبی مصنوعی 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.

 

برای کسب اطلاعات بیشتر در خصوص این فیلم آموزشی، ادامه مطلب را ببینید.

 

 

در این پست قصد داریم فیلم آموزشی 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 غیر نظارت 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 فیلم آموزشی به صورت گام به گام پیاده سازی شده اند.

شبکه های عصبی مصنوعی یا Artificial Neural Networks (به اختصار ANN) ابزارهایی مهم در میان مباحث هوش محاسباتی (Computational Intelligence) به حساب می آیند. انواع مختلفی از شبکه های عصبی مصنوعی 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.

رویکردهای ارائه شده در این فیلم آموزشی بسیار فراگیر و عمومی هستند و می توان از نکات تئوری و عملی بیان شده، برای حل سایر مسائل کاربردی استفاده نمود. مطالب و مباحث این فیلم آموزشی به زبان فارسی روان، و توسط مهندس سید مصطفی کلامی هریس (دانشجوی دکترای مهندسی برق-کنترل، دانشگاه صنعتی خواجه نصیرالدین طوسی) ارائه شده است.

 

 

 

سرفصل های مهم مورد بحث در این فیلم آموزشی عبارتند از:

• 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 یا Self-Organazing Map (یا به اختصار SOM)
• معرفی و بررسی قانون یادگیری هب (Hebb) یا Hebbian Learning Rule
• معرفی و بررس قانون یادگیری کوهنن یا Kohenen Learning Rule
• تطبیق پذیری در شبکه های عصبی رقابتی
• پیاده سازی لایه رقابتی در متلب با استفاده از تابع competelayer
• حل مسأله 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

 

برای مشاهده جزئیات و تهیه آموزش فرادرس شبکه های عصبی رقابتی و نگاشت خود سازمان ده یا SOM به این لینک (+) مراجعه نمایید.