آموزش ابزار یادگیری دسته بندی کننده در متلب
اگر تمایل ندارید که وارد فاز برنامه نویسی بشوید و قصد پیاده سازی مدلهای یادگیری ماشین را دارید، ابزار دسته بندی متلب برای شما می باشد. با این ابزار می توانید به […]
شبکه های عصبی
برنامه نویسی متلب ماشین بردار پشتیبان
این آموزش قسمت سوم بسته آموزش جامع یادگیری ماشین می باشد. در این آموزش شما با نحوه برنامه نویسی ماشین بردار پشتیبان در متلب آشنا خواهید شد. این آموزش بر مبنای آخرین
پیش پردازش داده و معیارهای ارزیابی در MATLAB
این آموزش قسمت دوم بسته آموزش جامع یادگیری ماشین می باشد. ما در این آموزش شما با ابزارهای و تابع های متلب در پیش پردازش داده و معیارهای ارزیابی مدل های یادگیری
پیش پردازش داده و معیارهای ارزیابی در MATLAB بیشتر بخوانید »
مبانی و مقدمات یادگیری ماشین
این آموزش قسمت اول بسته جامع یادگیری ماشین می باشد که اختصاص به مبانی و مقدمات یادگیری ماشین دارد. هر شخصی که بخواهد از یادگیری ماشین در یک پروژه استفاده کند، لازم
بسته آموزش جامع یادگیری ماشین machine learning
یادگیری ماشین دانش استفاده از کامیپوتر بدون برنامه نویسی آن به صورت مشخص می باشد. شما در سیستم های embedded لازم است تا با یک زبان برنامه نویسی مثل C++ یا VHDL
بسته آموزش جامع یادگیری ماشین machine learning بیشتر بخوانید »
مبانی و مقدمات یادگیری عمیق
این فیلم آموزشی قسمت اول از بسته آموزشی یادگیری عمیق میباشد. ما در این فیلم آموزشی شما را با مبانی و مقدمات یادگیری عمیق آشنا می کنیم تا دانش لازم برای کار
بسته آموزشی جامع یادگیری عمیق Deep Learning
یکی از زمینه های بسیار جذاب و پرکاربرد در قرن اخیر هوش مصنوعی می باشد. هم اکنون کاربردهای بسیار زیادی برای هوش مصنوعی در جهان اطراف ما قابل مشاهده است مثل ماشین
کتاب مبانی شبکه های عصبی
یک جلد کتاب مبانی شبکه های عصبی دکتر محمد باقر منهاج (استاد دانشگاه صنعتی امیرکبیر) به فروش می رسد. توجه فرمایید فقط یک جلد بیشتر موجود نیست. جهت پرداخت و پر کردن
پیاده سازی متلب شبکه عصبی GoogLeNet
GoogLeNet یک مدل شبکه عصبی آموزش یافته بر روی بخشی از دیتاست ImageNet آموزش داده شده است. دیتاست ImageNet Large-Scale Visual Recognition Challenge (ILSVRC) می باشد. آموزش این مدل بر روی بیشتر
پیاده سازی متلب شبکه عصبی AlexNet
AlexNet یک شبکه عصبی کانالوشن CNN پیش آموزش یافته است که بر روی حدود 1.2 میلیون تصویر از دیتاست ImageNet از http://image-net.org/index آموزش داده شده است. این یک مدل با 23 لایه
دانلود کد متلب تشخیص نفوذ با شبکه عصبی MLP
لینک دانلود فایل word توضیحی خط به خط برنامه فایل متنی توضیحی پروژه کد متلب MATLAB
پروژه متلب شبکه پتری فازی fuzzy petri net
لینک دانلود Adam Petri در سال 1962 petri net را در قسمتی از پایان نامش ابداع کرد. عناصر Petri net : یک petri net از چهار نوع المان تشکیل شده است :
بهینه سازی شبکه بیزین با الگوریتم تجمعی ذرات
لینک دانلود بهینه سازی Bayesian Network شبکه بیزین با الگوریتم تجمعی ذرات Particle Swarm Optimization PSO
بهینه سازی شبکه بیزین با الگوریتم تجمعی ذرات بیشتر بخوانید »
بهینه سازی شبکه بیزین با الگوریتم ژنتیک
لینک دانلود بهینه سازی Bayesian Network شبکه بیزین با الگوریتم ژنتیک Genetic Algorithm GA
کد متلب دسته بندی اثرانگشت
یکی از مراحل مهم در شناسایی اثرانگشت، دسته بندی اثرانگشت می باشد. ابتدا تمام تصاویر موجود را تک تک می خوانیم و به تصویر دو بعدی تبدیل می کنیم و برای بالا
فیلم آموزش فارسی شبکه عصبی بازگشتی NARX
در مدلسازی سری زمانی ، مدل برونی خودپنداره غیر خطی یا مدل nonlinear autoregressive exogenous یا NARX به عنوان یکی از مدلهای پر کاربرد می باشد. در این مدل مقدار فعلی به
درخت بگینگ Bagging tree
درخت بگینگ مخفف Bootstrap aggregating (Bagging) می باشد که در این قسمت توضیح داده شده است. الگوریتم بگینگ از مجموعه ای از مدلهای پایهای تشکیل شده و به ترتیب زیر عمل میکند.
بسته آموزشی جامع بینایی ماشین
به عبارت ساده تر، بینایی ماشین یعنی ” آموزش ماشین به نحوی که ببیند “. این زمینه تحقیقاتی بیش از 40 سال است که سابقه دارد اما رشد انفجاری اخیر تکنولوژی های
برنامه نویسی متلب تبدیل کرولت
روشهای چند رزولوشنی به طور عمیقی به پردازش تصویر و ماشین بینایی و محاسبات علمی مرتبط هستند. تبدیل کرولت یک تبدیل چند جهتی چند مقیاسی است. تبدیل کرولت بیان غیر وفقی بهینه
سیستم های اجرایی تولید
منشاء مفهوم سیستم اجرایی تولید[1] را میتوان در سیستم جمعآوری دادهها، در اوایل دهه 80 یافت، زمانیکه سازمانهای مختلف هریک برای خود قوانین ونظمهای متفاوت، نظیر طراحی تولید، مدیریت پرسنل تولید داشتند.
تست های آماری
در راستای مقایسه بازدهی الگوریتم پیشنهادی با دیگر الگوریتم های مشهور، تست های آماری مانند paired t-test، Wilcoxon و Friedman بکار گرفته شده اند. تست های آماری t-test و Wilcoxon برای مقایسه
روش های کلاسه بندی مبتنی بر الگوهای نوظهور
روش کلاسه بندی بر اساس مجموع الگوهای نوظهور CAEP[1][21] از آنجایی که الگوهای نوظهور، دانش تمایز بین کلاس های مختلف را نشان می دهد، آنها در ایجاد کلاسه بندی دقیق بسیار موثر
روش های استخراج الگوها
در مقایسه با قوانین انجمنی، الگوهای نوظهور قادر هستند که تمایلات نوظهور[1] در مجموعه داده های با محدودیت زمانی[2] را استخراج کنند و یا تمایزات مفید بین کلاس های مختلف را کشف