Lecture 22- Part 2

درس شبکه‌های عصبی - جلسه ۲۲ | یادگیری بدون نظارت: الگوریتم LVQ و شبکه خودسازمان‌ده SOM در طول این ویدیو با مفهوم توپولوژی و رویه به‌روزرسانی وزن نورون‌های برنده و نورون‌های همسایه (یک‌گامی و دوگامی) آشنا شده و فرمول‌های ریاضی آن از جمله نرخ یادگیری کاهشی و تابع هموار گوسی ($H_{ij}$) را به همراه یک مثال عددی بررسی می‌کنیم. در پایان نیز به کاربردهای شبکه SOM در خوشه‌بندی، استخراج ویژگی و تجسم‌سازی داده‌ها پرداخته می‌شود. 🕒 فهرست زمان‌بندی و بخش‌های کلیدی ویدیو (Timestamps): 00:00 - مقدمه و شروع جلسه (ادامه مبحث Unsupervised Learning) 00:40 - مرور لایه‌های شبکه LVQ و اصلاح خطای سودوکد جلسه قبل 03:20 - هایپرپارامترها و قواعد دیزاین و مقداردهی اولیه شبکه LVQ 05:05 - معرفی شبکه‌های خودسازمان‌ده مپ (SOM) و ساختار آن 06:07 - حل یک مثال عددی ملموس برای مقایسه شبکه رقابتی ساده و SOM 08:42 - تشریح مفهوم همسایگی (Neighborhood) در به‌روزرسانی وزن‌ها 11:54 - محاسبه ریاضی به‌روزرسانی وزن نورون‌های همسایه (یک‌گامی و دوگامی) 17:15 - بررسی آرایش و ساختارهای ۲بعدی و ۳بعدی لایه خروجی در SOM 22:40 - فرمول ریاضی نرخ همسایگی و استفاده از تابع هموار گوسی (Gaussian) 26:35 - کاربردهای شبکه‌ SOM (خوشه‌بندی، استخراج ویژگی و دیتا ویژوالیزیشن) 27:59 - تفاوت بررسی فاصله در SOM استاندارد (ضرب داخلی بردارهای یکه) 28:47 - پرسش و پاسخ دانشجویی و اعلام موضوع جلسه آینده (خوشه‌بندی پیکسل‌های تصویر) #شبکه_عصبی #هوش_مصنوعی #یادگیری_ماشین #یادگیری_بدون_نظارت #شبکه_SOM #مهندسی_کامپیوتر #آموزش_دانشگاهی #کوهنن #خوشه_بندی #SOM #LVQ