با استفاده از دانش برنامهنویسی رایانه میتوان ساختار دادهای طراحی کرد که همانند یک نرون عمل نماید. سپس با ایجاد شبکهای از این نورونهای مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد. این شبکهها برای تخمین (Estimation) و تقریب (Approximation)کارایی بسیار بالایی از خود نشان دادهاند. گستره کاربرد این مدلهای ریاضی بر گرفته از عملکرد مغز انسان، بسیار وسیع میباشد که به عنوان چند نمونه کوچک میتوان استفاده از این ابزار ریاضی در پردازش سیگنالهای بیولوییکی، مخابراتی و الکترونیکی تا کمک در نجوم و فضا نوردی را نام برد.
فهرست :
مقدمه ای بر شبکههای عصبی مصنوعی
تاریخچه شبکههای عصبی مصنوعی
شبکه عصبی چیست؟
شبکه عصبی چه قابلیتهائی دارد؟
الهام از طبیعت
شبکه های عصبی در مقایسه با کامپیوترهای سنتی
مسائل مناسب برای یادگیری شبکه های عصبی
پرسپترون
الگوریتم یادگیری پرسپترون
الگوریتم gradient descent
مشکلات روش gradient descent
تقریب افزایشی gradient descent
الگوریتم Back propagation
قدرت نمایش توابع
انواع آموزش شبکه
برخی زمینه های شبکه های عصبی
سبکهای معماری شبکههای عصبی
قواعد یادگیری در شبکههای عصبی
آموزش شبکههای عصبی
آموزش unsupervised یا تطبیقی (Adaptive)
تفاوتهای شبکههای عصبی با روشهای محاسباتی متداول و سیستمهای خبره
انواع یادگیری برای شبکه های عصبی
یادگیری با ناظر
یادگیری تشدیدی
یادگیری بدون ناظر
معایب شبکه های عصبی
مزیتهای شبکه های عصبی
سیستم خبره
سیستم خبره چیست؟
ساختار یک سیستم خبره
استفاده از منطق فازی
مزایا و محدودیتهای سیستمهای خبره
کاربرد سیستمهای خبره
چند سیستم خبره مشهور
مروری بر کاربردهای تجاری
بازاریابی
بانکداری و حوزه های مالی
پیش بینی
سایر حوزه های تجاری
کاربرد مدلهای شبکه عصبی در پیشبینی ورشکستگی اقتصادی شرکتهای بازار بورس
کاربرد مدل شبکه عصبی در پیشبینی ورشکستگی شرکتهای بازار بورس
تبیین مفهوم ورشکستگی
متغیرهای مدل تحقیق
اطلاعات شرکتهای نمونه تحقیق
تعیین مدل شبکه عصبی سه لایه برای پیشبینی ورشکستگی شرکتها
تعیین مدل بهینه شبکه عصبی چهار لایه برای پیشبینی ورشکستگی شرکتها
مقایسه مدلهای شبکه عصبی سه و چهار لایه برای پیشبینی ورشکستگی اقتصادی
پیشبینی ورشکستگی اقتصادی شرکتها در سالهای و
روند ورشکستگی اقتصادی شرکتهای بازار بورس در دوره ـ
جمعبندی و نتیجهگیری
منابع