فلسفهٔ اصلی شبکهٔ عصبی مصنوعی، مدل کردن ویژگیهای پردازشی مغز انسان برای تقریب زدن روشهای معمول محاسباتی با روش پردازش زیستی است. به بیان دیگر، شبکهٔ عصبی مصنوعی روشی است که دانش ارتباط بین چند مجموعهٔ داده را از طریق آموزش فراگرفته و برای استفاده در موارد مشابه ذخیره میکند. این ارایه شامل فهرست زیر می شود:
مقدمه
شبکه عصبی چیست؟
شبکهعصبی چه قابلیتهائی دارد؟
مسائل مناسب برای یادگیری شبکه های عصبی
یادگیری یک پرسپترون
توانائیپرسپترون
توابعی که پرسپترون قادر به یادگیری آنها میباشد
توابع بولی و پرسپترون
اضافه کردن بایاس
آموزش پرسپترون
قانون پرسپترون
قانون دلتا Delta Rule
الگوریتم gradient descent
بدست آوردن قانون gradient descent
مشکلات روش gradient descent
تقریب افزایشی gradient descent
شبکه های چند لایه
یک سلول واحد
تابع سیگموئید
الگوریتم Back propagation
الگوریتم BP
انتشار به سمت جلو
انتشار به سمت عقب
شرط خاتمه
افزودن ممنتم
قدرت نمایش توابع
فضای فرضیه و بایاس استقرا
قدرت نمایش لایه پنهان
قدرت تعمیم و overfitting
دلایل رخ دادن overfitting
شبکه چه چیزی را یاد میگیرد؟
مثالی از تنوع ارقام دستنویس
انواع اتصالات شبکه
انواع مختلف یادگیری
اعمال Backpropagation به تشخیص اشیا
مبلغ قابل پرداخت 30,000 تومان