* یادگیری در شبکه های عصبی ، حافظه انجمنی ، شبکه پرسپترون، الگوریتم حداقل میانگین مربعات پرسپترون چند لایه.
3.تبیین ریاضی عملکرد شبکه های عصبی در فضاهای با ابعاد زیاد
4. الگوریتم پس انتشار خطا و مبانی ریاضی آن
5. الگوریتم های توسعه یافته تر از نظر سرعت و کیفیت همگرایی نسبت به پس انتشار خطای کلاسیک
6. روش های افزایش و هرس نورون ها و اتصالات
7. شبکه های جلوسوی چند لایه با تأخیر زمانی (TDNN)، شبکه RBF ، شبکه های Recurrent ، شبکه هاپفیلد، ماشین بولتزمان، سیستم های خود سازمانده ، یادگیری رقابتی، نگاشت خود سازمانده (SOFM) شبکه های ART1 و ART2 شبکه نئوکاگلیترون
روش ارزیابی:
□ عملکردی □ آزمون نوشتاری ■ آزمون نهایی ■ میان ترم □ ارزشیابی مستمر
* بسته به نظر استاد ممکن است مواردی نظیر تمرینها، سمینار و پروژه در نمره پایانی درس تأثیر داده شود.
مراجع
1)J. C. Principe, N. R. Euliano, and W. C. Lefebvre, Neural and adaptive systems:fundamentals through simulations: wiley. 2000 .
2) S. Hykin, "Neural Networks: A compreshensive Foundation. Printice- Hall," inc, New Jersey, 1999 .
3) B. D. Ripley, pattern Recogition and Neural Networks, Cambridge university press, 2008 .
4) H. Tang, et al. Neural Networks: Computational Models and and Applications, Springer, 2007 .
5( م- منهاج، مبانی شبکه های عصبی انتشارات دانشگاه صنعتی امیرکبیر. 1379