TGViewer
Onlinebme Onlinebme @onlinebme · 4.7K subscribers
Post #3258 2.21K
Onlinebme ❓آیا تا به حال براتون سوال بوده که یک شبکه عصبی چند لایه چطور کار میکنه و وظیفه هر لایه چیه؟؟ خب به این کلیپ کوتاه نگاه کنید متوجه خواهید شد😊 به ضخامت خطوط وصل کننده نورونها هم توجه کنید 😉 در طول زمان یادگیری، متناظر با وزنهای سیناپسی تغییر می‌کنند! @onlinebme
❓آیا تا به حال براتون سوال بوده که یک شبکه عصبی چند لایه چطور کار میکنه و وظیفه هر لایه چیه؟؟ خب به این کلیپ کوتاه نگاه کنید متوجه خواهید شد😊

✅ در این کلیپ کوتاه نشان میدهیم که لایه های مختلف یک شبکه عصبی هر کدام چه وظیفه‌ای دارند و چطور عمل میکنند👌

🔹مثالی که استفاده شده یک مثال طبقه بندی هست که داده های دو کلاس به صورت غیرخطی از هم جدا شده اند و شبکه عصبی برای اینکه بتواند داده داده های دو کلاس رو از هم تفکیک کند باید یک مرز غیر خطی پیدا کند!

ولی سوال اینه که یک شبکه عصبی چطور این مسئله پیچیده رو حل میکند؟ آیا واقعا مستقیما این مرز غیر خطی رو پيدا میکنه؟!
نه!

خب پس چطور شبکه میتونه مسئله پیچیده رو حل کنه؟

شبکه عصبی چند لایه یک مسئله پیچیده رو به چندین مسئله ساده تبدیل میکنه و هر بخش رو جدا حل میکنه و در نهایت وقتی همه این بخش ها کنار هم قرار می‌گیرند اون مسئله پیچیده حل میشود.

در شبکه عصبی هر لایه یک وظیفه ی خاصی داره

⭕️ برای مثال فرض کنید که یک شبکه عصبی سه لایه داریم:

🔸لایه ورودی
لایه ورودی در واقع نودهای ورودی هست و داده رو وارد شبکه می‌کنند
در این لایه همانطور که در ویدیو میبینید فضا غیرخطی هست


🔸لایه پنهان
کار اصلی رو لایه پنهان انجام میده. این لایه کارش نگاشت غیرخطی داده هست.
هدف این لایه انتقال داده از فضای غیرخطی به فضای خطی هست
یا به عبارتی این لایه میاد یک مسئله پیچیده رو به یک مسئله ساده تبدیل میکنه

و در این فضای جدید که به فضاي ویژگی معروف هست داده ها به صورت خطی از هم تفکیک می‌شوند و کافیه در این فضا مرز خطی رو بدست آورد.

🔸 لایه خروجی
داده ای که وارد لایه خروجی میشود داده نگاشت یافته شده ی لایه پنهان هست
همانطور که گفتیم داده در این فضا خطی هست
و در این مرحله لایه خروجی مرز خطی جدا کننده داده های دو کلاس و یا اگه مسئله چندکلاسه هست مرز جدا کننده چندکلاسه رو بدست می آورد.
مرز خطی که به دست اومده در فضاي ویژگی همان مرز غیرخطی در فضای اصلی ورودی هست
همانطور که دیدیم این مرز غیر مستقیم بدست اومد.

شبکه عصبی همینقدر ساده و همینقدر جذاب هست😊


✅در دوره شبکه عصبی کلی از این مثالها و پروژه ها داریم
سعی کردیم موقع پیاده سازی مرحله به مرحله شبکه‌های عصبی، چندین مثال ساده بزنیم و همانند ویدیو عملکرد هر لایه رو نمایش دهیم تا درک بهتری از شبکه عصبی پیدا کنیم
در این دوره در ابتدا تئوری و مباحث ریاضیاتی شبکه عصبی مورد نظر طبق کتاب معروف و مرجع سیمون هیگینز آموزش داده میشه
سپس مرحله به مرحله همراه با یک مثال خیلی ساده شبکه عصبی پیاده سازی میشود
و در نهایت چندین پروژه عملی انجام میشه تا با کاربرد عملی شبکه عصبی در حوزه های مختلف آشنا شویم😊

جزئیات بیشتر 👇

https://onlinebme.com/course/neural-networks-in-matlab/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی پکیج کامل پیاده‌سازی گام به گام شبکه‌های عصبی - آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی درس شبکه عصبی پایه‌ی اصلی مباحث یادگیری ماشین و هوش مصنوعی است و هر دانشجوی مهندسی لازم است که در ابتدا با گذراندن این دوره وارد حوزه هوش مصنوعی و یادگیری ماشین شود. دوره های زیادی در کشور برگزار می شود ولی بیشتر این دوره ها تخصصی نیستند و یک سری ایراداتی…
More from @onlinebme
  1. Oct 15, 2026💡وقتی از آدم‌ها می‌خواهیم بدون فکر کردن یک عدد انتخاب کنند، عدد 7 به‌ طرز عجیبی محبوب است…
  2. Oct 15, 2026💡جالب‌ترین نکته‌ی این نمودار، خود عدد 7 نیست! @Onlinebme
  3. Oct 6, 2026✅اما Optogenetics دقیقاً چیست؟ 🔦🧠 تصور کنید بتوانیم در مغز، فقط یک نوع خاص از نورون‌ها ر…
  4. Oct 6, 2026🧠🔦 نوبل پزشکی ۲۰۲۶؛ وقتی نور، مغز را روشن و خاموش می‌کند! اولین نوبل امسال به سه دانشمند…
  5. Sep 30, 2026Onlinebme Podcast: IDEOMOTOR BCI PikoCast: 01 @Onlinebme
  6. Sep 30, 2026✅ ایده مقاله بر پایه‌ی Ideomotor Theory است؛ یعنی این نگاه که اعمال ما تا حد زیادی بر اساس…
Threads Profile ViewerView any public Threads profile without an account.Open ThreadLook →Writing with AI? Make it sound human.Metric37 rewrites AI drafts so they read naturally. Free AI detector, 1,500 words free.Try Metric37 →