پروژه تمرين هاي شبکه عصبي درس يادگيري ماشين

پروژه-تمرين-هاي-شبکه-عصبي-درس-يادگيري-ماشين
توضیحات کوتاه و لینک دانلود
امروز براي شما کابران عزيز وبسايت يکتا فايل يک پروژه تمرين هاي شبکه عصبي درس يادگيري ماشين همراه با نمونه کد ها آماده دانلود قرار داده ايم

📥 دانلود - Download

لیست فایل های مشابه

لینک کوتاه : https://yektafile.ir/?p=3756

توضیحات کامل در مورد فایل

دانلود پروژه تمرين هاي شبکه عصبي درس يادگيري ماشين همراه با نمونه کد ها

امروز براي شما کابران عزيز وبسايت يکتا فايل يک پروژه تمرين هاي شبکه عصبي درس يادگيري ماشين همراه با نمونه کد ها آماده دانلود قرار داده ايم

اين پروژه داراي فايل هاي برنامه نويسي پايتون و فايل هاي اکسل به همراه فايل متني مستندات مي باشد که در زمان دانلود دريافت خواهيد کرد

سوال 1
تابع ReLU
شبکه‌هاي جديد ترجيح مي‌دهند به جاي sigmoid، از توابع فعال‌سازي ReLU براي لايه‌هاي مخفي استفاده کنند. اين تابع به صورت زير تعريف مي‌شود: (f(x) = max(x,0 در اين تابع، اگر مقدار X بزرگتر از صفر باشد، خروجي X است، و اگر مقدار X کوچکتر يا مساوي صفر باشد، خروجي صفر است. اين تابع داراي شکل زير است:
 
مزيت اصلي استفاده از ReLU اين است که براي همه‌ي ورودي‌هاي بزرگتر از صفر، يک مشتق ثابت دارد. اين مشتق ثابت به يادگيري شبکه سرعت مي‌بخشد.
که کد آن به صورت زير مي باشد.
 
تابع Softmax
توابع فعال‌سازي softmax معمولا در لايه‌ي خروجي و براي مشکلات مربوط به دسته‌بندي استفاده مي‌شوند. اين تابع تقريبا شبيه به تابع sigmoid است، با تنها يک تفاوت که خروجي‌هاي اين تابع به گونه‌اي نورمال‌سازي شده‌اند که مجموع آن‌ها عدد يک باشد. تابع sigmoid در مواقعي که ورودي‌هاي ما از نوع دودويي (Binary) باشند عمل مي‌کند، ولي در مواقعي که مشکلات مربوط به دسته‌بندي داشته باشيم، softmax کار دسته‌بندي هر مقدار را بسيار ساده مي‌کند که در نهايت در احتمالات به ما کمک مي‌کنند.

براي سادگي درک مفهوم، فرض کنيد مي‌خواهيد يک عدد «6» را که کمي نيز شبيه «8» است، شناسايي کنيد. اين تابع همانند تصوير زير به هر عدد، مقداري مي‌دهد. در نهايت، به سادگي مي‌توانيد ببينيم که بيشترين احتمال به «6» داده شده‌است و بالاترين احتمال بعدي «8» است و الي آخر.
 
 
tanh
از توابع پرکاربرد در رياضيات مي‌باشند که روابط حاکم بر آنها شبيه مثلثات است، با اين تفاوت که خطوط مثلثاتي با توجه به دايره‌اي که شعاع آن واحد مي‌باشد تعريف مي‌شوند، ولي توابع هذلولوي (هذلولي) با توجه به هذلولي متساوي‌الساقين تعريف مي‌گردندتوابع را مانند tanh (تانژانت هذلولوي) مي‌سازند. اين توابع در انتگرالها، معادلات ديفرانسيل خطي و همچنين معادله لاپلاس بسيار ظاهر مي‌شوند. همانند توابع مثلثاتي که داراي معکوس‌اند، اين توابع نيز داراي معکوس‌اند و با پيش‌وندهاي arc نمايش داده مي‌شوند
کد

 
سوال2
امنيت سيستم هاي کامپيوتري مدرن به شدت وابسته به توانايي به روز نگه داشتن محصولات بدافزار و امنيتي است از اين رو شناخت به موقع بدافزارها و يافتن راههاي مقابله با اثرات مخرب بدافزارها از مهمترين دغدغه هاي برنامه نويسان است.يک سيستم تشخيص بدافزار در واقع پياده سازي تکنيک هاي تشخيص نفوذ است که توسط شناسايي رفتارهايي مخرب به حفاطت از سيستم کمک مي کند به روشهاي مختلفي مانند فشردهسازي، چندريختي و... خود را از ديد ضدبدافزارها پنهان ميسازندابراين روشهاي سنتي ديگر پاسخگوي گونه هاي جديد و پيچيده و مبهم شده نيست و نيازمند روشهاي هوشمندي هستيم که در زماني کوتاه و با نرخ خطاي پايين بدافزارها را تشخيص دهد. شبکه هاي عصبي به عنوان يکي از روشهاي معمول براي دسته بندي بدافزار در سيستمهاي تشخيص نفوذ مطرح هستند. در بسياري از دادههاي مربوط به بدافزارها، وجود دادههايي که ارتباطي با يکديگر ندارند و ويژگيهاي اضافي منجر به دسته بندي ضعيف و محاسبات زياد و کاهش کارايي توسط ويژگي هاي مناسب براي الگوريتم هاي دسته بندي بدافزار,ابعاد داده ها و فضاي مصرفي الگوريتم را کاهش مي دهدو درنتيجه باعث افزايش سرعت آن مي شود.
شبکه عصبي عبارت است از يک ساختار شبکهاي که از تعدادي عناصر مرتبط به هم که اصطالحاً نرون ناميده -ميشوند تشکيل يافته و هر نرون داراي ورودي ها و خروجي هايي بوده و يک عمل نسبتا ساده و محلي را انجام مي دهد. در حقيقت يک نرون با  جمع  ورودي ها ي خود که از  طريق لينک با يک وزن مشخص به نرون اعمال مي شوند، با رسيدن به يک حد  معين  توليد خروجي مي نمايد . اين حد آستانه که عموماً از قبل از اجراي عمليات مشخص مي باشد، در حقيقت تعيين کننده فعال و يا غيرفعال بودن نرون است شبکه هايي عصبي مصنوعي عموماً عملکرد خود را طي يک فرايند يادگيري، به طور تدريجي، فرا ميگيرند. آموزش همان فرايندي است که سرانجام منجر به يادگيري ميشود. يادگيري شبکه، زماني انجام ميشود که وزنهاي ارتباطي بين لايه ها، که حافظه و دانش شبکه را بيان ميکنند، به گونه هاي دستخوش تغيير شوند که نهايتاً اختلاف ميان مقادير واقعي يا (آموزشي) و محاسبه شده درآن به حد مطلوبي کاهش يابد. فرايند يادگيري با دستيابي به اين شرايط، محقق ميشود. هنگامي که آموزش شبکه عصبي به طور کامل انجام شد، ميتوان از آن به منظور پيش بيني خروجي هاي متناسب با مجموعه
جديد داده ها استفاده نمود.


و .... براي مطالعه کامل فايل را دانلود فرماييد

برای دریافت ( پروژه تمرين هاي شبکه عصبي درس يادگيري ماشين ) کلیک فرمایید

فایل های که ممکن است نیاز داشته باشید

نظرات کاربران

نویسنده نظر : مهرنگ مهدخت - 1398/2/19 (2:60)
خسته نباشيد فايل رو دانلود کردم عالي عالي عالي
 
پاسخ پشتیبانی یکتا فایل
با سلام لطف مي کنيد
 
برای ارسال نظر وارد سایت شوید