شبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری میباشد. یادگیری شبکه عصبی در برابر خطاهای داده های آموزشی مصون بوده و اینگونه شبکه ها با موفقیت به مسائلی نظیر شناسائی گفتار، شناسائی و تعبیر تصاویر، و یادگیری روبات اعمال شده است.... فهرست ارایه مطالب به صورت زیر است:

مقدمه

شبکه عصبی چیست؟

شبکه عصبی چه قابلیتهائی دارد؟

مسائل مناسب برای یادگیری شبکه های عصبی

الهام ازطبیعت

Perceptron

یادگیری یک پرسپترون

توانائی پرسپترون

توابعی که پرسپترون قادر به یادگیری آنهامیباشد

توابع بولی و پرسپترون

آموزش پرسپترون

قانون پرسپترون

قانون دلتا Delta Rule

الگوریتم gradient descent

بدست آوردن قانون gradient descent

محاسبه گرادیان

خلاصه یادگیری قانون دلتا

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

روشهای دیگر

شبکه چه چیزی را یاد میگیرد؟

مثالی از تنوع ارقام دستنویس

انواع اتصالات شبکه

انواع مختلف یادگیری

اعمال Backpropagation به تشخیص اشیا