پرسپترون چند لایه - بخش چهارم

توضیحات

شبکه های عصبی چند لایه پرسترون / جلوسو : Multi layers Perceptron(MLP)/Feedforward Neural Network (FFNN) d. بخش چهارم i. نکات عملی در پیاده سازی شبکه در مثال تقریب تابع ii. کاربا تولباکس شبکه عصبی در Matlab iii. شرایط پذیرش نتایج آموزش شبکه در نرم افزارها از زوایای مختلف under fitting and over fitting ,Error Distribution iv. نکات عملی در پیاده سازی شبکه در مثال طبقه بندی گل زنبق Iris Dataset v. ماتریس ابهام/درهم آمیختگی Confusion Matrix vi. روشهای جلوگیری از بیش برازش Overfitting و آموزش بهتر شبکه 1. نوع نورون خروجی و تابع اتلاف/خطای شبکه در طبقه بندی و تقریب تابع(رگرسیون)، Cross entropy, Softmax , 2. نرمال سازی دسته ای Batch Normalization و لایه ای Layer Normalization 3. رگولاریزاسیون نورم یک، دو و توام L1(Lasso), L2(Ridge), Elastic Net 4. حذف تصادفی پارامترها Dropout 5. مفهوم ماشین همیار یا کمیته ای committee machine و Bagging و رابطه آن با Dropout 6. داده افزایی data Augmentation و روشهای آن برای انواع داده تصویر، ویژگی و سیگنال و انجام آن روی داده آموزش 7. افرایش نویز به ورودی، گرادیان و برچسب ها Label Smoothing