این دوره شامل سه درس از درسهای بستۀ جامع آموزش شبکه های عصبی است که به طور جداگانه در اختیار افرادی که فقط به محتوای این دروس علاقمند هستند قرار داده شده است. پرسپترون در واقع اسم الگوریتمی برای آموزش شبکۀ عصبی تک لایه است. با این حال گاهی از این اسم برای اشاره به خود شبکۀ عصبی تک لایۀ آموزش دیده جهت حل مسائل دسته بندی الگو (Pattern Classification) نیز استفاده می شود. در درس اول با ذکر چند مثال کاربردی مفهوم بردار ویژگی (Feature Vector) را خواهید آموخت. آشنایی با این مفهوم از این نظر مهم است که ورودی ماشینهای یادگیرنده به طور استاندارد به فرم بردار ویژگی اشیاء مورد مطالعه است. در درس دوم علاوه بر مقدمات ضروری، با سه الگوریتم معروف برای آموزش پرسپترون یعنی قانون یادگیری هب، قانون یادگیری پرسپترون (ابداع شده توسط روزن-بلات) و قانون یادگیری دلتا (یا همان کمترین میانگین مربعات یا همان قانون ویدرو-هاف) آشنا خواهید شد. همچنین مثالهای عددی برای آموزش شبکه با قانون دلتا به روشهای ترتیبی (Sequential) و دسته ای (Batch) ارائه شده است. در درس سوم علاوه بر ارائۀ مثال عددی به کاربرد پرسپترون جهت بازشناسی حروف انگلیسی و مفهوم اولیۀ شبکه های عصبی رقابتی پرداخته شده است. (دربارۀ تصویر لوگو: یک نرون تنها، همانند جواهری در دنیای یادگیری ماشین! ساخت این عنصر محاسبه گر بیولوژیکی پایه توسط مادر طبیعت چند میلیارد سال طول کشید!)

در صورت تمایل می توانید با خرید بستۀ جامع آموزش شبکه های عصبی علاوه بر این دروس این دوره بسیاری از دروس مرتبط دیگر را نیز با هزینۀ مناسب تر تهیه نمایید.

پیش نمایش بخش اول:

پیش نمایش بخش دوم:

پیش نمایش بخش سوم: