در جهان امروز به علت پیشرفت تکنولوژی و پیچیده تر شدن مسائل، استفاده از روش های نوین، جایگزین بسیاری از روش های سنتی شده که دیگر قادر به تخمین درستی از وضعیت موجود نمی باشند. همچنین پیچیده شدن فرایندها منجر به مشکلاتی مانند غیر خطی شدن رابطه پارامترهای فرایند شده که روش های پیشین قادر به انجام و یا تصمیم گیری در مورد آنها نیستند، از این رو روش های جدیدی از قبیل شبکه های عصبی جهت تحلیل این فرایندها پدید آمده است. به دلیل پیچیده بودن محاسبات شبکه عصبی استفاده از نرم افزارهای کامپیوتری توسط کاربران ناگزیر می نماید. در این میان نرم افزارهای متعددی به محاسبه شبکه های عصبی می پردازند. نرم افزار SPSS نسبت به سایر نرم افزارها دارای مزیت هایی بوده که مهمترین آن سهولت استفاده از آن می باشد. از این رو بر آن شدیم تا راهنمای مناسبی جهت استفاده از این نرم افزار مهیا کنیم که کتاب حاضر حاصل این احساس نیاز می باشد. توجه داشته باشید که این آموزش بر اساس مثال های کاربردی صورت می پذیرد که تأثیر مفیدی بر آموزش نرم افزار دارد...

کتاب آموزش شبکه های عصبی در نرم افزار SPSS، مشتمل بر 152 صفحه، در 3 فصل، با فرمت PDF، به زبان فارسی، همراه با تصاویر و روابط مهم ریاضی به ترتیب زیر گردآوری شده است:

فصل 1: مقدمه

• شبکه عصبی چیست؟
• مزیت های شبکه های عصبی
• محدودیت های شبکه عصبی
• نرون عصبی انسان
• شبکه های عصبی تک نرونه، تک لایه، چند لایه
• انواع شبکه ای عصبی مصنوعی از نظر برگشت پذیری
• مراحل طراحی یک شبکه عصبی مصنوعی
• یادگیری نظارت نشده یا بدون ناظر
• شبکه پرسپترون
• یادگیری یک پرسپترون
• توابعی که پرسپترون قادر به یادگیری آنها می باشد
• الگوریتم های یادگیری پرسپترون
• مشکلات روش Gradient descent
• الگوریتم Back propagation
• انواع مدل های پرسپترون چند لایه
• شبکه های تابع شعاع مدار (RBF)
• معماری شبکه
• شبکه های عصبی در SPSS
• آموزش شبکه RBF
• لایه خروجی
• مزایای یک RBF
• برخی کاربردهای شبکه های عصبی مصنوعی

فصل 2: راهنمای کاربر

بخش اول

• شبکه های عصبی در SPSS
• ساختار شبکه عصبی

بخش دوم

• پرسپترون چند لایه
• متغیرهای وابسته
• ساخت یک شبکه پرسپترون چند لایه
• تفکیک کردن (Partitions)
• ساختار (Architecture)
• لایه های پنهان
• آموزش (Training)
• خروجی (Out Put)
• ذخیره (save)
• احتمال ها و شبه احتمال ها
• صدور (Export)
• گزینه ها (Options)

بخش سوم

• تابع شعاع مدار
• متغیرهای وابسته
• ساخت یک شبکه تابع شعاع مدار
• تفکیک کردن (Partiotions)
• ساختار (Architecture)
• خروجی (Out Put)
• ذخیره (save)
• احتمال ها و شبه احتمال ها
• صدور (Export)
• گزینه ها (Options)

فصل 3: مثال ها

بخش اول

• پرسپترون چندلایه
• آماده سازی داده ها جهت انجام تحلیل ها
• شروع تحلیل ها
• خلاصه فرایند انجام شده
• اطلاعات شبکه
• خلاصه مدل
• طبقه بندی
• تصحیح نمودن آموزش اضافی
• ایجاد نمونه آموزشی
• آغاز نمودن تحلیل ها
• خلاصه ای از فرایند انجام شده
• اطلاعات شبکه
• خلاصه مدل
• طبقه بندی
• منحنی ROC
• نمودار پیش بینی بر اساس مشاهده (Predicted-by-Observed Chart)
• Cumulative Gains and lift charts
• اهمیت متغیرهای مستقل
• خلاصه
• استفاده از پرسپترون چند لایه به منظور محاسبه هزینه های درمانی و مدت زمان بستری بیماران
• آماده سازی داده ها جهت انجام تحلیل ها
• آغاز آنالیزها
• اعلام خطرها
• خلاصه فرایند
• اطلاعات شبکه
• خلاصه مدل
• جدول پیش بینی بر اساس مشاهده (Predicted-by-Observed Charts)
• Residual by predicted chart
• Independent variable importance
• شبکه های عصبی در SPSS
• خلاصه

بخش دوم

• تابع شعاع مدار
• استفاده از RBF جهت طبقه بندی مشتریان خدمات ارتباط از راه دور
• آماده سازی داده ها جهت آغاز آنالیزها
• راه اندازی آنالیزها
• خلاصه فرایند انجام شده
• اطلاعات شبکه
• خلاصه مدل
• طبقه بندی
• نمودار پیش بینی بر اساس مشاهده
• منحنی ROC
• Cumulative gains and lift charts
• پیوست
• فایل های نمونه

جهت دانلود کتاب آموزش شبکه های عصبی در نرم افزار SPSS، بر لینک زیر کلیک نمایید.

آموزش شبکه های عصبی در نرم افزار SPSS

جزوه آموزشی مجموعه مثال های کاربردی حل شده در زمینه شبکه عصبی مصنوعی با استفاده از نرم افزار MATLAB، مشتمل بر 13 مثال کاربردی که به صورت گام به گام و به زبان روان به حل کامل مثال ها پرداخته شده است. جزوه مورد نظر 92 صفحه، با فرمت PDF، به زبان انگلیسی، به ترتیب زیر گردآوری شده است:

• Example 1: Calculate the output of a simple neuron
• Example 2: Create and view custom neural networks
• Example 3: Classification of linearly separable data with a perceptron
• Example 4: Classification of a 4-class problem with a 2-neuron perceptron
• Example 5: ADALINE time series prediction with adaptive linear filter
• Example 6: Classification of an XOR problem with a multilayer perceptron
• Example 7: Classification of a 4-class problem with a multilayer perceptron
• Example 8: Industrial diagnostic of compressor connection rod defects
• Example 9: Prediction of chaotic time series with NAR neural network
• Example 10: Radial basis function networks for function approximation
• Example 11: Radial basis function networks for classification of XOR problem
• Example 12: 1D and 2D Self Organized Map
• Example 13: PCA for industrial diagnostic of compressor connection rod defects

* توجه: لازم به ذکر است که علاوه بر فایل جزوه آموزشی بالا، 3 فایل مرتبط با مباحث شبکه عصبی مصنوعی با عناوین زیر نیز جهت دانلود قرار داده شده است:

• فایل 1: جزوه آموزشی شبکه عصبی مصنوعی (به زبان فارسی، 43 صفحه، فرمت JPEG)
• فایل 2: جزوه آموزشی شبکه عصبی مصنوعی (به زبان فارسی، 23 اسلاید، فرمت powerpoint)
• فایل 3: آموزش تصویری پیاده سازی شبکه عصبی برای داده های آماری بانک مرکزی (به زبان فارسی، 13 دقیقه، فرمت MP4)

جهت دانلود جزوه آموزشی مجموعه مثال های کاربردی حل شده در زمینه شبکه عصبی مصنوعی با استفاده از نرم افزار MATLAB به همراه فایل های ضمیمه بالا، بر لینک زیر کلیک نمایید.

مجموعه مثال های کاربردی حل شده در زمینه شبکه عصبی مصنوعی

جبر خطّی شاخه‌ای از ریاضیات است که به بررسی و مطالعه ماتریس ها، بردارها، فضاهای برداری (فضاهای خطّی)، تبدیلات خطی، و دستگاه‌های معادلات خطی می‌پردازد. جبر خطّی کاربردهای فراوان و گوناگونی در ریاضیات و محاسبات گسسته دارد. علاوه بر کاربردهای آن در زمینه‌هایی از خود ریاضیات همانند جبر مجرد، آنالیز تابعی، هندسه تحلیلی، و آنالیز عددی، جبر خطّی استفاده‌های وسیعی نیز در فیزیک، مهندسی، علوم طبیعی، و علوم اجتماعی پیداکرده است. این درس شامل موضوعاتی است که در یک درس جبر خطی دانشگاهی بررسی می شود که شامل فضاهای برداری، تبدیلات خطی، مقدار یکه و بردار یکه،‌ دستگاه معادلات خطی می باشد...

کتاب جبر خطی پیشرفته برای مهندسین با استفاده از نرم افزار متلب (Advanced Linear Algebra for Engineers with MATLAB)، مشتمل بر 6 فصل، 367 صفحه، با فرمت pdf، همراه با تصاویر، به زبان انگلیسی، به ترتیب زیر گردآوری شده است:

Chapter 1: Matrices, Matrix Algebra, and Elementary, Matrix Operations

• Introduction
• Basic Concepts and Notation
• Matrix Algebra
• Elementary Row Operations
• Solution of System of Linear Equations
• Matrix Partitions
• Block Multiplication
• Inner, Outer, and Kronecker Products

Chapter 2: Determinants, Matrix Inversion and Solutions to Systems of Linear Equations

• Introduction
• Determinant of a Matrix
• Matrix Inversion
• Solution of Simultaneous Linear Equations
• Applications: Circuit Analysis
• Homogeneous Coordinates System
• Rank, Null Space and Invertibility of Matrices
• Special Matrices with Applications
• Derivatives and Gradients

Chapter 3: Linear Vector Spaces

• Introduction
• Linear Vector Space
• Span of a Set of Vectors
• Normed Vector Spaces
• Inner Product Spaces
• Orthogonality
• Matrix Factorization

Chapter 4: Eigenvalues and Eigenvectors

• Introduction
• Matrices as Linear Transformations
• Eigenvalues and Eigenvectors
• Matrix Diagonalization
• Special Matrices
• Singular Value Decomposition
• Numerical Computation of Eigenvalues and Eigenvectors
• Properties of Eigenvalues and Eigenvectors of Different Classes of Matrices
• Applications

Chapter 5: Matrix Polynomials and Functions of Square Matrices

• Introduction
• Matrix Polynomials
• Cayley–Hamilton Theorem
• Functions of Matrices
• The State Space Modeling of Linear Continuous-time Systems
• State Space Representation of Discrete-time Systems
• Controllability of LTI Systems
• Observability of LTI Systems

Chapter 6: Introduction to Optimization

• Introduction
• Stationary Points of Functions of Several Variables
• Least-Square (LS) Technique
• Total Least-Squares
• Eigen Filters
• Stationary Points with Equality Constraints

جهت دانلود کتاب جبر خطی پیشرفته برای مهندسین با استفاده از نرم افزار متلب (Advanced Linear Algebra for Engineers with MATLAB)، بر لینک زیر کلیک نمایید.

جبر خطی پیشرفته برای مهندسین با استفاده از نرم افزار متلب