دانلود پروژه Captivate مربوط به درس چند رسانه ای با موضوع معرفی نرم افزار CCleaner
پسوند فایل ها : Cptx
- این پروژه بصورت متنی و بدون صدا به معرفی بخش های مهم نرم افزار CCleaner میپردازد.
- صداگذاری بایستی با صدای خود دانشجو صورت پذیرد
فایل های این پروژه بشرح زیر میباشد:
Demostration.cptx
Training.cptx
Quiz.cptx
Menu.cptx
مشخصات این فایل
عنوان: بهبود سرعت یادگیری شبکه های عصبی چند لایه با الگوریتم پس انتشار خطا
فرمت فایل : word( قابل ویرایش)
تعداد صفحات: 24
این مقاله درمورد بهبود سرعت یادگیری شبکه های عصبی چند لایه با الگوریتم پس انتشار خطا می باشد.
معایب الگوریتم استاندارد پس انتشار خطا1 (SBP)
الگوریتم BP، با فراهم آوردن روشی از نظر محاسباتی کارا، رنسانسی در شبکه های عصبی ایجاد نموده زیرا شبکه های MLP، با قانون یادگیری BP، بیشترین کاربرد را در حل مسائل فنی- مهندسی دارند.
با وجود، موفقیت های کلی این الگوریتم در یادگیری شبکه های عصبی چند لایه پیش خود، هنوز مشکلات اساسی نیز وجود دارد:
- اولاً سرعت همگرایی الگوریتم BP آهسته است.
همانطور که می دانیم، تغییرات ایجاد شده در پارامترهای شبکه (ماتریس های وزن و بردارهای بایاس)، پس از هر مرحله تکرار الگوریتم BP، به اندازه ، است، به طوریکه F، شاخص اجرایی، x پارامترهای شبکه و α، طول قدم یادگیری است.
از این، هر قدر طول قدم یادگیری، α، کوچکتر انتخاب گردد، تغییرات ایجاد شده در پارامترهای شبکه، پس از هر مرحله تکرار الگوریتم BP، کوچکتر خواهد بود، که این خود منجر به هموار گشتن مسیر حرت پارامترها به سمت مقادیر بهینه در فضای پارامترها می گردد. این مسئله موجب کندتر گشتن الگوریتم BP می گردد. بر عکس با افزایش طول قدم α، اگرچه نرخ یادگیری و سرعت یادگیری الگوریتم BP افزایش می یابد، لیکن تغییرات فاحشی در پارامترهای شکه از هر تکراربه تکرار بعد ایجاد می گردد، که گاهی اوقات موجب ناپایداری و نوسانی شدن شبکه می شود که به اصطلاح می گویند پارامترهای شبکه واگرا شده اند:
در شکل زیر، منحنی یادگیری شبکه برای جدا سازیالگوها در مسأله XOR، به ازای مقادیر مختلف نرخ یادگیری، نشان داده شده است. به ازای مقادیر کوچک، α، شبکه کند اما هموار، یاد نمی گیرد الگوهای XOR را از هم جدا نماید، ددر صورتی که به ازای 9/0= α شبکه واگرا می شود.
شکل (1). منحنی یادگیری شبکه برای نرخ های یادگیری مختلف در مسأله XOR
- ثانیاً احتمالاً به دام افتادن شبکه در نقاط مینیمم محلی وجود دارد.
در شبکه های MLP، میانگین مجوز خطا، در حالت کلی خیلی پیچیده است و از تعداد زیادی نقطه اکسترمم در فضای پارامترهای شبکه برخوردار می باشد. بنابراین الگوریتم پس انتشار خطا با شروع از روی یک سری شرایط اولیه پارامترهای شبکه، به نقطه مینیمم سراسری و با شروع از یک مجموعه شرایط اولیه دیگر به تقاط مینیمم محلی در فضای پارامترها همگرا می گردد، بنابراین زمانی که الگوریتم BP همگرا می شود، نمی توان مطمئن شد که به یک جواب بهینه رسیده باشیم.
- ثالثاً: همگرایی الگوریتم BP، به یقین مقادیر اولیه پارامترهای شبکه عصبی MLP وابسته است، بطوری که یک انتخاب خوب می تواند کمک بزرگی در همگرایی سریعتر الگوریتم BP فراهم آورد. برعکس انتخاب اولیه نادرست پارامترهای شبکه MLP، منجر به گیر افتادن شبکه در نقاط مینیمم محلی در فضای برداری پارامترهای شبکه می گردد که این خود منجر به این می شود که شبکه خیلی زودتر از معمول به موضعی بیفتد که منحنی یادگیری شبکه برای تعداد بزرگی از دفعات تکرار، تغییر نکند.
به عنوان مثال، فرض می کنیم مقدار اولیه پارامترهای شبکه خیلی بزرگ باشند، در حالی که می دانیم توابع تبدیل نرونها مخصوصاً در لایه های میانی از نوع زیگموئید هستند. در این حالت برای نرون i ام، اندازه ورودی تابع تبدیل (ni) خیلی بزرگ می باشد و خروجی نرون (ai) به مقدار 1± میل می کند. لذا مشتق بردار خروجی شبکه، a ، خیلی کوچک می باشد. فرض کنیم که باید مقدار واقعی ai، 1 باشد یعنی ti = 1، لیکن به خاطر انتخاب بر مقادیر اولیه، ai = -1 گردد. در این حالت خطای حداکثر را داریم در حالی که چون ai ≈ 0 می باشد تغییرات ناچیزی در پارامترهای متناظر با نرون i ام داریم. این چیزی است که بیانگر رسیدن زودتر از معمول نرونها به حد اشباع خود می باشند، جایی که پاسخ واقعی با پاسخ شبکه کاملاً فرق دارد و زمان زیادی طول خواهد کشید که نرون از این حالت خارج شود. از این رو با پیشرفت پروسه یادگیری، پارامترهای منتسب به نرورنهایی که به مرز اشباع نرسیده اند، سریعتر تنظیم می شوند، چرا که سیگنال خطار گرادیانهای محلی از مقدار از اندازه بزرگتری برخوردار می باشند. این عمل منجر به کاهش در مجموع مربعات خطای لحظه ای می گردد و اگر در این مرحله، نرونهای به حد اشباع رسیده تغییری در وضعیت تحریکشان رخ ندهد، شبکه برای مدتی طولانی از یک شکل هموار منحنی خطا برخوردار خواهدبود.
بهبود الگوریتم استاندارد پس انتشار خطا (SBP)
- الگوریتم BP از نوع دسته ای1 (BBP)
الگوریتم استاندارد BP، بر اساس فرم الگو به الگو است، بدین ترتیب که پارامترهای شبکه پس از ارائه هریک از الگوهای یادگیری که عموماً بطور تصادفی انتخاب می شوند، تنظیم می گردند، اما در الگوریتم BBP، تنظیم پارامترهای شبکه پس از اعمال تمامی ورودی ها صورت می پذیرد. پردازش دسته ای موجب می شود که گرادیانهای محلی به گرادیان محلی واقعی نزدیکتر باشند و نهایتاً الگوریتم BP به الگوریتم بیشترین نزول نزدیکتر گردد که این خود موجب می شود همگرایی الگوریتم BP افزایش یابد.
در شکل زیر مسئله XOR با متد الگوریتم BP به فرم دسته ای پیاده شده است. به راحتی می توان دید که الگوریتم BBP از سرعت همگرایی بالاتری به الگوریتم SBP برخوردار است....
مقدمه
خلاصه ای از الگوریتم BP
فرمول بندی الگوریتم BP
معایب الگوریتم استاندارد پس انتشار خطا1 (SBP)
بهبود الگوریتم استاندارد پس انتشار خطا (SBP)
- الگوریتم BP از نوع دسته ای1 (BBP)
- روش ممنتم 1 برای الگوریتم BP (MBP)
1. Momentum
- نرخ یادگیری متغیر1 (VLR)
- الگوریتم پس انتشار خطا با نرخ یادگیری و ضریب ممنتم تطبیقی1 (BPALM)
2- الگوریتم پس انتشار خطا با سه ترم
آنالیز همگرایی
- الگوریتم پس انتشار خطای بهبود پذیر1 (Rprop)
نتیجه گیری
مراجع
چند همسری مردان
تعدد زوجات یا چند همسری از جمله حقوقی است که از یک سو امتیازی برای مرد و از سوی دیگر حقی برای زنان جامعه به شمار می‌آید.اقسام زناشویی از نظر تعدادجوامع انسانی در طول تاریخ شاهد چهار نوع ازدواج بوده است که دو نوع آن از بین رفته ودو نوع دیگر آن مقبول ورایج شده است.
فهرست:
چند همسری مردان
اسلام وچند همسری
ادلّه فقهی بر جایز بودن چند همسری
فلسفه تعدّد زوجات در اسلام
اثرات ممنوعیت تعدد زوجات
اشکالات و معایب چند همسری
تارخچه و تعریف یک سیستم خبره :
نقطه آغاز ایجاد هوش مصنوعی اندکی بعد از جنگ جهانی دوم می باشد . در آن زمان (نوربرت واینر)با توجه به مسایل سیبرنیتیک, زمینه را برای پیشرفت هوش مصنوعی به وجود آورد . در سال 1950 آزمایشی مبنی بر این که آیا ماشین قادر است با فرایند های مغز انسان رقابت نماید, مطرح کرد.
کامپیوتر در اصل یک ماشین برای یاری انسان در انجام کار های دشوار است . مثلا الکتریکی نمودن دفترچه تلفن یا راهنمای کار یک ماشین لباس شوئی یا انجام فرایند های متوالی و مشخص از پیش تعیین شده و.. ......
گذری بر سیستم‌های خبره (Expert Systems)
اشاره :
<استدلال> در میان اهل فن و صاحبان اندیشه تعاریف و تفاسیر متنوعی دارد. در نگاهی کلی، استفاده از دلیل و برهان برای رسیدن به یک نتیجه از فرضیاتی منطقی با استفاده از روشهای معین، تعریفی از استدلال تلقی می‌شود؛ تعریفی که البته با دیدگاه‌های فلسفی و گاه ایده‌آل‌گرایانه از استدلال تفاوت دارد. با این حال موضوع مهم و اساسی در اینجا بحث در چیستی و چرایی این دیدگاه‌ها نیست، بلکه در مورد نحوه طراحی سیستم‌های با قدرت استدلال، با هر تعریفی، برای رسیدن به مجموعه‌ای از تصمیمات منطقی با استفاده از مفروضات یا به طور دقیق‌تر دانشی است که در اختیار آن‌ها قرار می‌گیرد. سیستم‌هایی خبره (expert systems) اساسا برای چنین هدفی طراحی می‌شوند. در حقیقت به واسطه الگوبرداری این سیستم‌ها از نظام منطق و استدلال انسان و نیز یکسان بودن منابع دانش مورد استفاده آن‌ها، حاصل کار یک سیستم خبره می‌تواند تصمیماتی باشد که درحوزه‌ها و عرصه‌های مختلف قابل استفاده، مورد اطمینان و تاثیرگذار هستند. بسیاری بر این باورند که سیستم‌های خبره بیشترین پیشرفت را در هوش مصنوعی به وجود آورده‌اند. آنچه درادامه می‌خوانید نگاهی کوتاه به تعاریف و سازوکار سیستم‌های خبره و گذری بر مزایا و محدودیت‌های به کارگیری این سیستم‌ها در علوم و فنون مختلف است. طبیعتاً مباحث کاربردی‌تر و عملی‌تر درباره سیستم‌های خبره و بحث درباره نحوه توسعه و پیاده‌سازی آن‌ها، نیازمند مقالات جداگانه‌ای است
دانشمندان بارها به فکر افتادند که با ثبت قوانین پزشکی، فیزیکی و شیمیایی در کامپیوتر از کامپیوتر یک پزشک، مهندس یا شیمیدان بسازند اما جالب اینکه پاسخ پرسش هایی چون بیماری مادر همیشه غلط از آب در امده و پی آمد های گرانی به همراه داشته است . جان انسان مطاعی نیست که بتوان ان را به قمار گرفت. دراین جا به مفهومی به نام خبره بر می خوریم .
خبره همان فرد متخصص و باسواد یک حوزه است اما فرق یک فرد خبره ویک فرد باسواد در تصمیم گیریهای او است فرد با سواد در بر خورد با یک موقعیت پس از آنالیز کردن موقیعت و جمع آوری اطلاعات و مشاهدات در باره موقعیت طبق قوانین خشکی که در طول مطالعه ها به آن بر خورده تصمیم گیری می نماید . اما فرد خبره در بر خورد بایک موقعیت پس از آنالیز موقعیت، جمع آوری اطلاعات ومشاهدات درمورد موقعیت با مراجعه به تجربه خود و مشاهدات قبلی خود در مورد موقعیت یا موقعیتهای مشابه و استفاده از آن چه در زبان عامیانه آنرا حس ششم می نامیم، چندین تئوری ایجاد نموده وسپس با استفاده از قوانین پایه ای علمی وتصمیم درست را می گیرد پیتر جکسن سیستم های خبره را این چنین تعریف می کند :
".یک سیستم خبره یک برنامه کامپیوتری است که عمل نمایش و تعقل دانش را با دست داشتن دانش یک متخصص ووظیفه حل مشکلات یا فراهم نمودن اندرز و مشورت انجام می دهد چنین سیستمی وظیفه انجام اموری را که به برای انجام شدن به یک متخصص انسان یا یک اسیستانتا برای یک متخصص نیاز دارد را دارد" .
به زبان ساده سیستم خبره یک برنامه کامپیوتری است به طریقی که جلوتر تو ضیح داده خواهد شد دانش و تجربه لازم در مورد یک موضوع مشخص را در خود داشته و بادریافت اطلاعات در مورد مساله یا موقعیت کنونی که مربوط به دانش خود نیز می باشد تصمیم گیری یا نتیجه گیری درستی را که از یک انسان خبره انتظار میرود را انجام می دهد . سیستم خبره شاخه از هوش مصنوعی است که مربوط به تقلید توان هایی معرفتی و شعوری انسان، چون حل مسائل ، درک و فهم زبان، آواها و تصاویر می باشد . تکنو لوژی سیستم خبره جز موفق ترین حوزه های هوش مصنوعی است . و تا کنون این تکنولوژی در حیطه های علمی چون شیمی آلی و پزشکی داخلی پیاده سازی وبا موفقیت به مصرف رسیده است .
موارد پایین جزو تفاوت های یک سیستم خبره و یک برنامه عادی که به یک دیتا بیس متصل است ،می باشد.
الف :یک سیستم خبره برای حل یک مشکل به جای شبیه سازی مشکل با مدل های ریاضی آن را به سبک انسان حل می کند . این بدان معناست که یک سیستم خبره به دنبال حل نمود یک مساله از طریق روش های بشر گونه است .
ب:یک سیستم خبره جای انجام عملیات ریاضی و استد لال برپایه روابط ریاضی، بر پایه دانش انسانی تعقل می نماید . دانش در لفاف یک زبان مخصوص درون برنامه نگه داری می شود و از ؟؟؟؟تعفل انجام می دهد جداست این دو ماجول جدا را به ترتیب پایگاه دانش و موتور استناج یا نتیجه گیری می نامیم
ج: یک سیستم خبره برای رسیدن به پاسخ از روشهای ابتکاری و تقریب زنی برای یافت پاسخ استفاده میکنند این روش ها بر خلاف استفاده از الگوریتم های مشخص رسیدن به پاسخ را ضمانت نمی کنند . روشهای ابتکاری و اساسا حسابهای تخمینی و فرضی هستند که در مدت توسط تجربه یا ابتکار به خرج دادن امتحان کردن راه های مختلف انجام یک کار بدست می آیند . ومنظور از تقریب ز نی آن است که داده ورودی حتما نباید کامل و عاری از خطا باشند و البته پاسخ های ایجاد شده توسط سیستم نیز خود همراه با ا یک در صد احتمال وقوع هستند .
مهم ترین موضوعات سیستم های خبره مباحث زیر هستند که مختصرا به تو ضیح هریک می پردازیم .
الف: فراگیری دانش
فراگیری دانش فرآیند تغییر تجربه و تخصص حل مسائل از یک منبع دانش به یک برنامه است .
معمولا این فرآیند طی سری مصاحبات بین یک متخصص کامپیوتر و یک خبره یک حوزه علمی انجام می گیرد که این فرآیند بسیار طولانی و سخت است زیرا اغلب اوقات افراد قادر به شرح فرآیند تصمیم گیری خویش نیستند . ویا افراد خبره از کلمات اصطلاحات حوزه تخصص خود برای توصیف فرآیند ها استفاده میکنند که تبدیل آن به داده کامپیوتری توسط یک متخصص کامپیوتر که از آن تخصص سر رشته ندارد عملا غیرممکن است .مثلا پخت غذا که همه با ان اشنا هستیم .یک اشپز از اصطلاح تفت دادن برای تشریح عمل سرخ کردن یک تکه خوراکی استفاده می کند اما واقعا تفت دادن یعنی چه ؟
سرخ کردن یک چیز در ماهیتابه تا زمانی که رنگ ان طلایی ش.د یک تو ضیح است >اما اگر بخواهیم سیب زمینی را تفت بدهیم چه ؟در مورد برنج در تخم مرغ خوابیده چی؟(برنج خوابیده در تخم مرغ یک غذای لذیذ اینگلیسی است )در مورد بادمجان چه ؟
شامل 48 صفحه word و 19 اسلاید powerpoint
دانلود تحقیق در مورد “ چند توصیه برای آموزش مدیریت ”
تعداد صفحات: 22
فرمت: Word