مروری بر الگوریتم و یادگیری شبکه های عصبی و مصنوعی

در این مقاله ابتدا مختصری از تاریخچه الگوریتم بیان شده سپس الگوریتم تعریف شده که به طور خلاصه می توان گفت یک روش گام به گام برای حل مسیله است و الگوریتم های کامپیوتری که یک نمونه منطقی برای تولید خروجی از داده ها می باشد تضعیف شده و سپس شبکه های عصبی مصنوعی که به سرعت در حال توسعه و پیشرفت می باشد اشاره شده که دارای انواع مختلفی مانند استاتیک و دینامیک هستند و به اجزای یک شبکه مصنوعی که نورون، اتصالات و وزن تابع انتشار و قوانین یا دینی می باشد اشاره شده است و در ادامه به شبکه عصبی که سیستم ها و روش های محاسباتی نوین برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت پیش بینی پاسخ های خروجی از سامان دهی پیچیده هستند پرداخته که دارای مدل های پرسپترون که یک الگوریتم برای یادگیری نظارت از طبقه بندی دودویی است، مدل هاپقیلد که نوعی شبکه عصبی بازگشتی است و مدل همینگ که برای دسته بندی داده های دودویی مطرح شده است و مقایسه ای کلی بین مدل های پرسپترون، هاپفیلد و همینگ انجام شده است.

کلیدواژه ها:

الگوریتم های کامپیوتری ، شبکه عصبی ، پرسپترون ، هاپفیلد ، همینگ