Lecture 02- Perceptrons and more

عنوان: جلسه دوم شبکه‌های عصبی؛ از نورون بیولوژیکی تا ریاضیات الگوریتم پرسپترون و LMS 🧠📈 در این ویدیو، به سراغ جلسه دوم درس دانشگاهی «شبکه‌های عصبی» می‌رویم. در این جلسه، پل ارتباطی میان ساختار واقعی مغز انسان و مدل‌های محاسباتی کامپیوتری ساخته می‌شود و ریاضیات پشتِ نحوه یادگیری ماشین‌ها به زبان ساده مورد بررسی قرار می‌گیرد. ⏱️ لحظات حساس و زمان‌بندی ویدیو (Timestamps): • 05:28 | آشنایی با ۳ دسته سلول‌های عصبی بدن (حسی، محاسباتی و موتور) • 10:10 | آناتومی بیولوژیکی نورون (دندریت، هسته، اکسون و سیناپس) • 16:23 | مفهوم وزن سیناپسی (Synaptic Weight) و قاعده یادگیری در مغز • 19:23 | شبیه‌سازی نورون بیولوژیکی در قالب نورون مصنوعی (مدل محاسباتی) • 21:02 | فرمول ریاضی ترکیب وزنی ورودی‌ها، اثر بایاس و تابع فعال‌سازی • 23:39 | بررسی نحوه اصلاح وزن‌ها در الگوریتم پرسپترون (Perceptron Learning) • 26:46 | ترفند هموارسازی (Smoothing) با ضرایب آلفا جهت جلوگیری از بیش‌برازش (Overfitting) • 33:59 | هندسه پرسپترون (ابرصفحه جداکننده) و محدودیت معروف آن در حل مسئله XOR • 37:17 | تاریخچه افت پژوهش‌های شبکه عصبی در دهه ۷۰ میلادی (کتاب مینسکی) • 38:25 | معرفی الگوریتم LMS (کمترین مربعات خطا) و تعریف ریاضی تابع خطای MSE • 41:46 | مفهوم مینیمم محلی (Local Minimum) و مینیمم سراسری (Global Minimum) در تابع خطا • 47:10 | لزوم پیوستگی و مشتق‌پذیری توابع در الگوریتم‌های بهینه‌سازی • 49:51 | ریاضیات الگوریتم گرادیان کاهشی (Gradient Descent) و قاعده زنجیره‌ای مشتق (Chain Rule) • 54:48 | معرفی تابع فعال‌سازی سیگموید (Sigmoid Function) به عنوان جایگزین مشتق‌پذیر تابع پله‌ای #هوش_مصنوعی #شبکه_عصبی #یادگیری_ماشین #پرسپترون #الگوریتم_LMS #گرادیان_کاهشی #تابع_سیگموید #بهینه_سازی #ریاضیات_هوش_مصنوعی #آموزش_شبکه_عصبی #مهندسی_کامپیوتر #یادگیری_عمیق #سیناپس #GradientDescent #Perceptron #NeuralNetworks #MachineLearning #Sigmoid