صفحه محصول - پاورپوینت امتحان ميان ترم و پايان ترم

پاورپوینت امتحان ميان ترم و پايان ترم (pptx) 22 اسلاید

دسته بندی : پاورپوینت

نوع فایل : PowerPoint (.pptx) ( قابل ویرایش و آماده پرینت )

تعداد اسلاید: 22 اسلاید

قسمتی از متن PowerPoint (.pptx) :

بنام خدا تمرين ها همزمان با معرفي بخشهاي مختلف درس 7 سري تمرين در طول ترم داده خواهد شد. قسمتي از اين تمرينات به فرم پروژه هاي کوچک (mini project) کامپيوتري، قابل انجام با نرم افزار MATLAB خواهد بود. هدف آشنايي بيشتر با الگوريتمهاي آموزش، ساختارهاي متفاوت شبکه هاي عصبي و کاربرد هاي گوناگون شبکه هاي معرفي شده، مي باشد. پروژه نهايي مهمترين قسمت درس و خروجي نهايي آن پروژه اي تحقيقاتي در زمينه کاربرد شبکه هاي عصبي است. پروژه به صورت تک نفره ويا حداکثر دو نفره تعريف و انجام مي شود. محدوديتي در انتخاب موضوع پروژه وجود ندارد، به غير از آنکه حتما بايد از روشها و موضوعات مطرح شده در درس استفاده شود و سعي کنيد از موضوعات جديد و نو استفاده کنيد. تعريف پروژه خود را حتما با من هماهنگ کنيد و آنرا به صورت يک پيشنهاد پروژه در يک برگ A4 در سه قسمت 1-عنوان پروژه 2-شرح مختصر و نوآوري مد نظر شما 3-کارهاي انجام شده در اين زمينه (حداقل 4 مرجع اصلي خود را ذکر کنيد). موضوع پروژه خود را حداکثر تا تاريخ 30 آذر انتخاب نموده و به من e-mail بزنيد. مهلت تحويل پروژه حداکثر تا تاريخ 15 اسفند مي باشد و به هيچ عنوان تمديد نخواهد شد. امتحان ميان ترم و پايان ترم در اواخر آذر ماه امتحان ميان ترم برگزار مي شود که بخش عمده آن به مباحث تئوري و نظري شبکه هاي عصبي مر بوط مي شود و امتحان پايان ترم به صورت Take Home مي باشد و معادل 2 سري mini project است. شيوه ارسال e-mail تکاليف و پروژه هاي خود را به آدرس network.neural@gmail.com ارسال کنيد و در عنوان e-mail خود حتما شماره پروزه را ذکر کنيد. همچنين تمام فايالها و کد نوشته شده را zip نموده و نام خود را به آن فايل اختصاص دهيد. شيوه ارزيابي تمرينات و امتحان پايان ترم: % 40 امتحان ميان ترم: % 25 پروژه نهايي: % 40 "Keep it simple, as simple as possible, but no simpler" E. Einstein Introduction Historical Sketch Pre-1940: von Hemholtz, Mach, Pavlov, etc. General theories of learning, vision, conditioning No specific mathematical models of neuron operation 1940s: Hebb, McCulloch and Pitts Mechanism for learning in biological neurons Neural-like networks can compute any arithmetic function 1950s: Rosenblatt, Widrow and Hoff First practical networks and learning rules 1960s: Minsky and Papert Demonstrated limitations of existing neural networks, new learning algorithms are not forthcoming, some research suspended 1970s: Amari, Anderson, Fukushima, Grossberg, Kohonen Progress continues, although at a slower pace 1980s: Grossberg, Hopfield, Kohonen, Rumelhart, etc. Important new developments cause a resurgence in the field