0
021284284

آموزش کارشناس ارشد شبکه های عصبی در متلب Master of neural networks in Matlab E-learning

MATLAB يك سيستم محاوره اي است كه آرايه هاي فاقد اندازه، اجزای اوليه آنرا تشكيل ميدهند. MATLAB شما را قادر به حل بسياري از مسائل محاسباتي به خصوص مسائلي كه در قالب برداري و ماتريسي فرموله ميشوند، ميسازد. زمان مورد نیاز جهت انجام محاسبات در MATLAB نسبت به زبانهايي مثل C و Fortran بسيار اندك است.
نام نرم افزار MATLAB از حروف ابتدای دو کلمه Laboratory Matrix( آزمايشگاه ماتريس( استخراج شده است. اين نرمافزار اولين بار براي دسترسي بهتر به نرم افزار ماتريسي توسعه داده شده در پروژه هاي LINPACK و EISPACK ، نوشته شد. امروزه MATLAB تركيبي از كتابخانه هاي
LAPACK و BLAS را گردهم ميآورد. در طول سال هاي اخير با توجه به نظرات كاربران متعدد، ابزارهاي MATLAB رشد و نمو پيدا كرده اند. در محيط هاي دانشگاهي اين نرم افزار يك ابزار مناسب جهت استفاده در مباحث رياضي، مهندسي و علوم پايه ميباشد. در صنعت از MATLAB براي بهينه سازي در توليد محصولات، توسعه و تحليل استفاده ميشود.ابزارها و توابع مختلف MATLAB در قالب جعبه ابزارهاي متنوع دسته بندي شدهاند. هر يك از اين جعبه ابزارها شما را قادر به يادگيري و به كارگيري يك تكنولوژي خاص ميسازند. هر جعبه
ابزار حاوي مجموعه اي از توابع MATLAB براي حل گروه خاصي از مسائل ميباشد.

شبکه‌های عصبی (Neural Networks) شبکه‌هایی از سلول‌های عصبی (نورون یا پی‌یاخته یا عصب) مغز هستند. مغز انسان میلیاردها نورون و تریلیون‌ها ارتباط بین آن‌ها دارد. این نورون‌ها مدام در حال پردازش و ارسال اطلاعات به نورون‌های دیگر هستند در سال ۱۹۰۹، «سانتیاگو رامون کاخال» (Santiago Ramon y Cajal) کشف کرد که مغز از تعداد زیادی نورون متصل به هم تشکیل شده که پیام‌های بسیار ساده تحریکی (Excitatory) و مهاری (Inhibitory) را برای یکدیگر ارسال می‌کنند و تهییج (Excitation) آن‌ها با همین پیام‌های ساده به‌روز می‌شود. یک نورون سه بخش اصلی دارد: جسم سلولی، آکسون یا آسه (Axon) که پیام‌ها را ارسال می‌کند و دندریت یا دارینه (Dendrite) که پیام‌ها را دریافت می‌کند. جسم سلولی ساختار سلول را تشکیل می‌دهد. آکسون یک رشته منشعب است که پیام‌های نورون را به بیرون منتقل می‌کند. دندریت‌ها انشعاب‌های بیشتری دارند و سیگنال سلول‌های عصبی دیگر را دریافت می‌کنند.

  1. input
  2. Hidden
  3. output

به هر تعداد لایه‌های موجود بین input و output، لایه های پنهان (Hidden) گفته می شود. البته می‌توان گفت که هر آن چه قبل از لایه output باشد به عنوان لایه Hidden شناخته می‌شود.

در واقع در نورون‌های پنهان نورون‌هایی می باشند که نه در لایه ورودی هستند و نه در لایه خروجی. این نورون‌ها در اصل از دید پنهان هستند و معمولاً می‌توان تعداد و سازمان آنها را به عنوان جعبه سیاه برای افرادی که با سیستم درگیر هستند، افزایش داد. استفاده از لایه‌های اضافی نورون‌های پنهان قدرت پردازش بیشتر و انعطاف‌پذیری سیستم را امکان پذیر می کند.

  • تابع Hard limit: این تابع برای مقادیر بیشتر از صفر، خروجی یک را بر می گرداند و برای مقادیر کمتر از صفر یا اعداد منفی خروجی آن مقدار صفر می باشد.
  • تابع Hard limits: این تابع مشابه تابع Hard limit می باشد که به ازای مقدار بیشتر از صفر، مقدار یک و به ازای مقادیر کمتر از صفر یا اعداد منفی عدد -1 را بر می گرداند که در قسمت منفی تابع می توان تفاوت دو تابع Hard limit و Hard limits را مشاهده کرد.
  • تابع Linear (خطی): در محیط متلب این تابع به صورت purelin نوشته می شود. این تابع در بازه تعریف شده، مقدار همانی یا مقدار یک تابع خطی را به خود اختصاص می دهد.
  • تابع log-Sigmoid: یکی از توابع شبکه های عصبی می باشد که در محیط نرم افزار متلب به صورت logsig نوشته می شود. به ازای مقادیر مثبت یک log را به خود اختصاص می دهد و برای مقادیر منفی یک log دیگر. همان طور که می دانید مقادیر توابع لگاریتم بین صفر و یک تعریف می شود.
  • تابع tan-sigmoid: تفاوت تابع tan-sigmoid با log-Sigmoid در این است که خروجی بین -1 و 1 می باشد.

شبکه‌های عصبی RBF سه لایه دارند: لایه ورودی (Input Layer)، لایه پنهان یا مخفی (Hidden Layer) و لایه خروجی (Output Layer). نورون‌های لایه مخفی با یک تابع پایه شعاعی (RBF) فعال (تحریک) می‌شوند. لایه مخفی از آرایه‌ای از واحدهای محاسباتی تشکیل شده که گره‌های مخفی (Hidden Nodes) نامیده می‌شوند. هر گره مخفی شامل یک بردار مرکزی است که یک بردار پارامتری با طولی مشابه با بردار ورودی است. فاصله اقلیدسی بین بردار مرکز و بردار ورودی شبکه به صورت  تعریف می‌شود.

 

unnamed file

آموزش مجازی کارشناس ارشد شبکه های عصبی در متلب : امکان ثبت نام در دوره مجازی​

ما در بنیاد آموزش مجازی ایرانیان امکان ثبت نام در دوره آموزش مجازی کارشناس ارشد شبکه های عصبی در متلب و اخذ مدرک معتبر کارشناس ارشد شبکه های عصبی در متلب را به صورت کاملا غیر حضوری فراهم آورده ایم.

5/5

تعریف کلی شبکه عصبی :

واحد تشکیل دهنده سیستم عصبی نورون است

هر نورون (یا بعبارتی سلول عصبی) یک جسم سلولی دارد که از آن شاخه هایی بیرون می آید. به بلند ترین شاخه ی خروجی آکسون می گویند. آسکون ها با کنار هم قرار گرفتنشان باعث تشکیل رشته ی عصبی می شوند. به طور کلی شاخه ها و رشته هایی که از نورون بیرون آمده اند دو نوع هستند : دندریت و آکسون ها. دندریت پیام ها را میگیرد و به جسم سلولی می برد. آکسون هم پیام عصبی را از جسم سلولی تا پایانه های آکسون هدایت می کند.  دستگاه عصبی با ارتباط بین میلیون ها نورون کار ها و وظایف خود را پیش می برد. در مغز ما حدود  نورون وجود دارد که هر کدام از آن ها با   نورون دیگر در ارتباط است. سرعت سویچ کردن بین نورون ها حدود  ثانیه است که در مقایسه با کامپیوتر ها  ( ) خیلی کم است.

در جانور های پرسلولی برای هماهنگی بین سلول ها و انئپدام های بدن ، سیستم عصبی (Nervousn Sustem) با ساختاری که دارد ایجاد شده است.

 

تعریف شبکه عصبی مصنوعی :

سیستمی است که با الهام گرفتن از عملکرد مغز سعی دارد عملکردی شبیه آن را اجرا نماید. این سیستم داده ها با استفاده از پردازنده های بسیار کوچک و زیادی که در آن به صورت شبکه ای موازی و به هم پیوسته است پردازش می کند تا جواب مساله بدست بیاید. در این جا شبکه عصبی را شبیه سازی می کنیم. نورون را مانند ساختمان داده ای در نظر میگیریم و با ایجاد لیست های پیوندی بین نورون ها الگوریتم آموزش درست می شود. حال این الگوریتم را تعریف می کنیم. الگوریتم آموزش از سیستم عصبی انسان ایده گرفته است که مثلا وقتی سلول لامسه می سوزند از آن به بعد می فهمد که سمت اجسام داغ نباید برود.

در شبکه عصبی نورون ها در دو حال هستند . فعال (۱) یا غیر فعال (۲) و به هر یال (سیناپس) یک وزن اختصاص می دهیم. اگر وزن مثبت باشد گره بعدی اگر غیر فعال باشد فعال می شود. و اگر منفی باشد یال فعال بعدی را غیر فعال می کند. برای یادگیری ، سیستم شبکه عصبی وزن سیناپس ها را تغییر می دهد که بتواند با تحریک های ورودی (داده های مساله) جریان خروجی مناسب تولید کند. در این حالت شبکه عصبی برنامه ریزی نشده است بلکه با تنطیم وزن های ورودی هر نورون عصبی یاد میگیرد مساله را حل نماید.

شبکه ی عصبی به این صورت کار می کند که ابتدا یک گره را به طور تصادفی انتخاب میکنیم. اگر حد اقل یکی از گره های همسایه ی آن فعال باشد آنگاه جمع وزن یال های منتهی به آن گره ها را محاسبه می کنیم. اگر جمع این وزن ها مثبت باشد گره فعال می شود در غیر این صورت غیر فعال باقی می ماند. حال یک گره دیگر را به تصادف انتخاب می کنیم و این روند را ادامه می دهیم تا شبکه پایدار شود.

  • تز اصلی هاپفيلد : از هر حالت شروع و با هر وزنی از يال‌ها كه آغاز كنيم، شبكه در آخر به حالت پايدار می رسد.

 

مزیت شبکه عصبی بر کامپیوتر های معمولی

این دو یعنی شبکه عصبی نسبت به کامپیوتر های معمولی یک فرق بسیار عمده دارد که باعث مزیت داشتن شبکه عصبی می شود. در کامپیوتر از یک مسیر الگوریتمی و با استفاده از دستور العمل های داده شده می خواهیم مساله ای را حل کنیم و اگر مراحل کار از قبل برای ما مشخص نباشد قادر به حل مساله نیستیم. در کامپیوتر ما صرفا قادر به حل مسائلی هستیم که آن ها را درک میکنیم و می دانیم که چگونه حل می شود. ولی حالت ایده آل این است که سیستمی داشته باشیم که حتی مسائلی که ما دقیقا نمیدانیم چگونه حل می شود را هم حل کند .

شبکه عصبی مصنوعی مشابه کاری که در مغز صورت می پذیرد را انجام می دهد و پردازش می کند. آن ها از تعداد بسیار زیادی سلول عصبی که بهم پیوسته هستند و به صورت موازی با هم کار می کنند برای حل یک مساله مشخص استفاده می شود. شبکه عصبی را مانند کامپیوتر نمی توان برای یک وظیفه خاص برنامه ریزی کرد بلکه با توجه به مثال هایی که به آن دادیم کار می کند. ولی باید مثال های مناسبی در اختیار آن قرار دهیم و گر نه این شبکه ممکن است اشتباه کار کند. امتیاز اصلی شبکه عصبی این است که خودش می فهمد که یک مساله را چگونه باید حل کند. بر خلاف کلامپیوتر که عملکرد آن قابل پیش گویی است و اگر اشتباهی از آن سر بزند یا مربوط به اشتباهات نرم فزاری است یا سخت افزاری ، در شبکه عصبی عملکرد غیر قابل پیش بینی است.

 فرایندی برای تبدیل input ها به output  ها :

در شبکه عصبی یک یا چند ورودی و به همچنین تعدادی خروجی خواهیم داشت. مساله اصلی پاسخ به این سوال است که طی چه فرایندی میتوانیم از input ها به output ها برسیم.

مثلا در بازار سهام ما ورودی هایی مثل نقدینگی شرکت ، تعداد پرسنل ، تورم سالیانه و سیاست های دولت وجود داشته و در نهایت سوددهی شرکت را بعنوان خروجی در نظر میگیریم. همان طور که مشخص است با فرمولی ریاضی مانند    نمی توانیم از ورودی ها به خروجی برسیم.  برای این مدل های مفهومی – علمی از شبکه های عصبی کمک می گیریم.

در شبکه ی عصبی اگر بتوانیم به طور مثال ۵ سال اخیر بازار بورس را بررسی کنیم و فرآیند تبدیل شاخص های ورودی به خروجی آموزش ببینند آنگاه می توانیم سال بعد آن را پیش بینی کنیم.

 

کاربرد های شبکه عصبی :

از کاربرد های شبکه عصبی میتوان به موارد زیر اشاره کرد :

  • کاربرد در زمان بندی معاملات سهام
  • کاربرد شبکه عصبی مصنوعی در حسابرسی
  • کاربرد در آنالیز کیفیت کامپیوتر
  • کابرد در تخمین ریسک وام
  • کاربرد در تشخیص دست نوشته‌ها
  • . . .
  • کاربرد در حسابرسی :

فرآیند های حسابداری همواره در حال تغییرند و برای ما همیشه این سوال مطرح می شود که فناوری اطلاعات چطور بر حسابرسی و مهارت های آن تاثیر می گذارد. حسابرس ها با کمک فناوری اطلاعات و یافته های جدید آن در حیطه هایی مثل نظارت و کنترل عملیات شرکت صاحب کار می توانند موفقیت بیشتری کسب کنند. شبکه ی عصبی یکی از امکانات جدیدی است که در این حوزه جدید مطرح می شود. برای ارزیابی ریسک ، کشف اشتباعات با اهمیت و تداوم فعالیت از شبکه های عصبی مصنوعی استفاده می شود.

 

[wp-rss-aggregator sources=”81266″]

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *