در جهان امروز به علت پيشرفت تكنولوژي و پيچيده تر شدن مسائل، استفاده از روش هاي نوين، جايگزين بسياري از روش هاي سنتي شده كه ديگر قادر به تخمين درستي از وضعيت موجود نمي باشند. همچنين پيچيده شدن فرايندها منجر به مشكلاتي مانند غير خطي شدن رابطه پارامترهاي فرايند شده كه روش هاي پيشين قادر به انجام و يا تصميم گيري در مورد آنها نيستند، از اين رو روش هاي جديدي از قبيل شبكه هاي عصبي جهت تحليل اين فرايندها پديد آمده است. به دليل پيچيده بودن محاسبات شبكه عصبي استفاده از نرم افزارهاي كامپيوتري توسط كاربران ناگزير مي نمايد. در اين ميان نرم افزارهاي متعددي به محاسبه شبكه هاي عصبي مي پردازند. نرم افزار SPSS نسبت به ساير نرم افزارها داراي مزيت هايي بوده كه مهمترين آن سهولت استفاده از آن مي باشد. از اين رو بر آن شديم تا راهنماي مناسبي جهت استفاده از اين نرم افزار مهيا كنيم كه كتاب حاضر حاصل اين احساس نياز مي باشد. توجه داشته باشيد كه اين آموزش بر اساس مثال هاي كاربردي صورت مي پذيرد كه تأثير مفيدي بر آموزش نرم افزار دارد...
کاهش بعد با استفاده از شبکه های عصبی
مجموعه مثال های کاربردی حل شده در زمینه شبکه عصبی مصنوعی 
آموزش شبكه هاي عصبي 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
- شبكه عصبي چيست؟
- مزيت هاي شبكه هاي عصبي
- محدوديت هاي شبكه عصبي
- نرون عصبي انسان
- شبكه هاي عصبي تك نرونه، تك لايه، چند لايه
- انواع شبكه اي عصبي مصنوعي از نظر برگشت پذيري
- مراحل طراحي يك شبكه عصبي مصنوعي
- يادگيري نظارت نشده يا بدون ناظر
- شبكه پرسپترون
- يادگيري يك پرسپترون
- توابعي كه پرسپترون قادر به يادگيري آنها مي باشد
- الگوريتم هاي يادگيري پرسپترون
- مشكلات روش Gradient descent
- الگوريتم Back propagation
- انواع مدل هاي پرسپترون چند لايه
- شبكه هاي تابع شعاع مدار (RBF)
- معماري شبكه
- شبكه هاي عصبي در SPSS
- آموزش شبكه RBF
- لايه خروجي
- مزاياي يك RBF
- برخي كاربردهاي شبكه هاي عصبي مصنوعي
فصل 2: راهنماي كاربر
بخش اول
- شبكه هاي عصبي در SPSS
- ساختار شبكه عصبي
بخش دوم
- پرسپترون چند لايه
- متغيرهاي وابسته
- ساخت يك شبكه پرسپترون چند لايه
- تفكيك كردن (Partitions)
- ساختار (Architecture)
- لايه هاي پنهان
- آموزش (Training)
- خروجي (Out Put)
- ذخيره (save)
- احتمال ها و شبه احتمال ها
- صدور (Export)
- گزينه ها (Options)
بخش سوم
- تابع شعاع مدار
- متغيرهاي وابسته
- ساخت يك شبكه تابع شعاع مدار
- تفكيك كردن (Partiotions)
- ساختار (Architecture)
- خروجي (Out Put)
- ذخيره (save)
- احتمال ها و شبه احتمال ها
- صدور (Export)
- گزينه ها (Options)
فصل 3: مثال ها
بخش اول
- پرسپترون چندلايه
- آماده سازي داده ها جهت انجام تحليل ها
- شروع تحليل ها
- خلاصه فرايند انجام شده
- اطلاعات شبكه
- خلاصه مدل
- طبقه بندي
- تصحيح نمودن آموزش اضافي
- ايجاد نمونه آموزشي
- آغاز نمودن تحليل ها
- خلاصه اي از فرايند انجام شده
- اطلاعات شبكه
- خلاصه مدل
- طبقه بندي
- منحني ROC
- نمودار پيش بيني بر اساس مشاهده (Predicted-by-Observed Chart)
- Cumulative Gains and lift charts
- اهميت متغيرهاي مستقل
- خلاصه
- استفاده از پرسپترون چند لايه به منظور محاسبه هزينه هاي درماني و مدت زمان بستري بيماران
- آماده سازي داده ها جهت انجام تحليل ها
- آغاز آناليزها
- اعلام خطرها
- خلاصه فرايند
- اطلاعات شبكه
- خلاصه مدل
- جدول پيش بيني بر اساس مشاهده (Predicted-by-Observed Charts)
- Residual by predicted chart
- Independent variable importance
- شبكه هاي عصبي در SPSS
- خلاصه
بخش دوم
- تابع شعاع مدار
- استفاده از RBF جهت طبقه بندي مشتريان خدمات ارتباط از راه دور
- آماده سازي داده ها جهت آغاز آناليزها
- راه اندازي آناليزها
- خلاصه فرايند انجام شده
- اطلاعات شبكه
- خلاصه مدل
- طبقه بندي
- نمودار پيش بيني بر اساس مشاهده
- منحنی ROC
- Cumulative gains and lift charts
- پيوست
- فايل هاي نمونه
آموزش شبکه عصبی مصنوعی به همراه تشریح کامل مسائل
تشخیص خطای اولیه ترانسفورماتور بر اساس شبکه عصبی مصنوعی
کاربردهای منطق فازی در یادگیری ماشین
جهت خرید آموزش شبكه هاي عصبي در نرم افزار SPSS، به مبلغ فقط 25000 تومان و دانلود آن بر لینک پرداخت و دانلود در پنجره پایین کلیک نمایید.
جهت دسترسی به آموزش های بیشتر بر لینک های زیر کلیک نمایید:
جعبه ابزار شبکه عصبی در نرم افزار متلب
کاربرد روش های اکتشافی مبتنی بر تحليل بافت در گروه بندی کيفی محصولات فولادی
آموزش فشرده سازی تصاویر و ویدئو با استفاده از نرم افزار متلب
