ریاضیات

• یک مدل یادگیری الهام گرفته از ساختار مغز است.
• این یک شبکه موازی از نورون های متصل است که تعدادی از پارامترها را به عنوان ورودی می گیرند و تصمیم گیری را بر اساس آنها به عنوان خروجی برگردانده اند.
• اتصالات توسط تعدادی از وزن ها تعدیل می شوند، که بخشی است که NN می تواند یاد بگیرد.
• آنها طیف گسترده ای از برنامه های کاربردی دارند.
• مشکل NN به عنوان تصمیم اولیه برای ساختار آنها محسوب می شود.

تاریخچه NN

• اولین مدل نورون توسط W. McCulloch و W. Pitts در سال 1943.
• Rosenblatt (1958) ایده ی perceptron، یک NN 3 لایه را توسعه داد.
• ADALINE (ADAptive Lonear Element)، یک دستگاه الکترونیک آنالوگ ساخته شده در سال 1960 توسط Widrow و Hoff (از دانشگاه استنفورد).
• 1969 مینسکی و پاپرت کتابی درباره محدودیتهای NN نوشتند.  این باعث شد که این تحقیقات برای تأمین بودجه زیاد انجام شود.
• NNs دوباره در 70s ظهور کرد و آنها به نظر می رسد در حال حاضر موفقیت بزرگ استرا از NN
• استفاده میکنید؟

یادگیری سازگاری: آنها قادر به یادگیری از داده های آموزشی هستند.
انعطاف پذیری: آنها می توانند کاملا به راحتی به طیف وسیعی از مشکلات با نیازهای خاص دامنه اقتباس شده است.
خود سازمان: گاهی اوقات قادر به یادگیری نه تنها پارامترها، بلکه نمایندگی یا سازمان از مجموعه آموزشی است.
تحمل گسل: با استفاده از کدگذاری اطلاعات اضافی، آنها می توانند به تخریب جزئی شبکه متصل شوند.
نورون

• از نظر بیولوژیکی، نورون یک سلول مغزی است. این به دیگر نورون ها متصل است و با تبادل سیگنال های الکتریکی کار می کند.
• فرایندهایی که در مغز اتفاق می افتند، در نتیجه شبکه های نورون هستند.
• نورونهای مصنوعی واحد با تعدادی ورودی و یک خروجی هستند. هر یک از ورودی ها ai یک وزن تعادلی مرتبط با wi دارد و خروجی حاصل از تابع فعال سازی g از مجموع وزن ورودی است.

خروجی = g (Sumi ai wi)