مدیریت بر تغییرات از طریق یافته های علم عصب شناسی
همانطور که بیان شد، سازمانها برای بقا در بازار رقابتی و پر تغییر امروز نیاز به تغییرات مستمر در سیاستها و روش کار خود دارند
دسته بندی و شناسایی الگو
امروزه شبکه های عصبی طراحی شده اند که قادر هستند الگوهای مختلف را دسته بندی کرده و از یک دیگر تفکیک کنند. از این توانایی
برخی اهمیت کاربرد شبکههای عصبی در مباحث مهندسی صنایع
شبکههای عصبی هنگامی کاربرد دارند که قانون شناخته شدهای وجود ندارد به عبارت دیگر هنگامی که یک دستورالعمل یا روش خاصی برای حل مسائل وجود
مزایا و محدودیت های شبکه عصبی
شبکه های عصبی توان بالقوهای برای حل مسائلی دارد که شبیه سازی آنها از طریق منطقی، تکنیکهای تحلیلی سیستمهای خبره و تکنولوژیهای استاندارد نرم افزاری
نرم افزارها و سخت افزارهای شبکه های عصبی
ANN ها عمدتا به صورت نرمافزارهای کاربردی ارائه میشوند و همانند هر Application یک ANN میتواند با یک زبان برنامه نویسی یا ابزار برنامه نویسی
الگوریتمهای یادگیری نظارت نشده یا بدون ناظر (UNSupervised)
در یادگیری بدون ناظر یا یادگیری خود سازمانده (Self – Organized) بردار جواب مطلوب به شبکه اعمال نمیشود. در واقع هنگامی که تعداد لایهها و
الگوریتمهای یادگیری نظارت شده یا با ناظر (Supervised)
در الگوریتم یادگیری با ناظر مجموعهای از زوجهای دادهها به دادههای یادگیری موسوم هستند پس از اعمال ورودی X به شبکه عصبی خروجی حاصل از
طرح معماری شبکه شامل
تعیین نوع اتصالات است که میتواند، اتصال کامل و یا اتصال جزیی باشد. همچنین برگشت پذیری شبکه باید بررسی گردد شبکه های feedforward network معمولا
شبکههای برگشتی (Recurrent)
تفاوت شبکههای برگشتی یا Recurrent با شبکههای پیشخور در آن است که در شبکههای برگشتی حداقل یک سیگنال برگشتی از یک نرون به همان نرون
شبکههای پیشخور (Feed Forward)
با توجه به مباحث بند ششم، در شبکههای تک لایه – بردار ورودی X توسط نرونها را میتوان طبق رابطه ذیل نشان داد : y
