الگوریتم ژنتیک یا Genetic Algorithm (GA) یکی از شناختهشدهترین روشهای بهینهسازی تکاملی است که از مفاهیم انتخاب طبیعی و ژنتیک الهام گرفته شده است. این الگوریتم به جای بررسی مستقیم همه جوابهای
فیلم جامع آموزش فارسی الگوریتم ژنتیک در MATLAB بیشتر بخوانید »
در این دوره با Simulink Copilot آشنا میشوید و یاد میگیرید چگونه از قابلیتهای هوش مصنوعی برای سادهتر و سریعتر کردن فرایند مدلسازی در محیط Simulink استفاده کنید. در طول آموزش، نحوه
آموزش Simulink Copilot؛ طراحی و توسعه هوشمند مدلهای سیمولینک بیشتر بخوانید »
چرا این آموزش ؟ در سالهای اخیر سیل علاقه مندان بسیار زیادی وارد بورس شده اند و برخی از آنها سودهای میلیاردی نصیب خود کرده اند. برخی از آنها به تحلیل های
بسته آموزشی جامع پیش بینی بورس با هوش مصنوعی بیشتر بخوانید »
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
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 »
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
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 »
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
این فیلم آموزشی قسمت دوم بسته آموزشی جامع یادگیری عمیق می باشد. این قسمت اختصاص به پیاده سازی و برنامه نویسی مدلهای یادگیری عمیق در متلب MATLAB دارد. متلب در سال 2020
پیاده سازی و برنامه نویسی MATLAB یادگیری عمیق بیشتر بخوانید »
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
یکی از کارهای پایه در یادگیری ماشین تقسیم داده به دو قسمت آموزش و تست می باشد. با داده های آموزش ، مدل را آموزش می دهیم و با داده های تست
در این رویکرد، مشکلاتی از قبیل رنگ و شکل علامت ترافیکی با استفاده از کدگذاری دستی حل شده است. این دانش با استفاده از یادگیری ماشین ، عمل اکتشاف را انجام میدهد.پژوهشی
القای دستهبندیکننده ها هنگامی که تعداد دادههای آموزشی به طرز چشمگیری زیاد باشد با مشکل روبهرو خواهد شد. این پدیده باعث به وجود آمدن مرزهای کلاس[1] پیچیده میشود؛ یادگیری دقیق این مرزها،