در مرحله ابتدایی تصویر گرفته شده و سپس پیش پردازش بر روی تصویر ورودی انجام می شود. سپس بخش مهم یک الگوریتم پردازش تصویر یعنی شناسایی و استخراج ویژگی انجام می شود. هدف از این بخش تولید بردار ویژگی جهت اعمال به دسته بندی کننده یا تشخیص دهنده می باشد.
اگر بخش استخراج ویژگی به درستی انجام نشود ، راندمان کل سیستم دچار مشکل می شود. لذا هر فردی که دارد بر روی یک الگوریتم پردازش تصویر کار می کند باید روش خوب و قوی برای این بخش انتخاب کند.

کاربردهای ویژگیهای محلی در تثبت تصویر ، شناسایی شی ، دسته بندی ، ردیابی و تخمین حرکت می باشند.
یکی از مشکلات کار در پردازش تصویر غلبه بر تغییرات اندازه و چرخش شی و انسداد آن می باشد. الگوریتم های جدید از ویژگیهای محلی برای غلبه بر این مشکلات استفاده می کنند.برخی از این ویژگی ها با تغییر اندازه شی ، هیچ تغییری نمی کنند.

تولباکس ماشین بینایی متلب شامل روش های تشخیص گوشه
FAST ، Harris ، Shi & Tomasi می باشد. این تولباکس هم چنین روشهای تشخیص دایره شامل SURF ، MSER نیز دارا می باشد.

این تولباکش دارای الگوریتم های استخراج ویژگی شامل SURF ، FREAK ، BRISK ، LBP و HOG می باشد. شما می توانید از این روشهای استخراج ویژگی به تنهایی استفاده کنید یا چند مورد را با هم ترکیب کنید و بردار ویژگی نهایی شما شامل چندین ویژگی باشد.

پیش نمایش 1

لینک دانلود (کیفیت بالا)

پیش نمایش 2

لینک دانلود (کیفیت بالا)

پیش نمایش 3

لینک دانلود (کیفیت بالا)

پیش نمایش 4

لینک دانلود (کیفیت بالا)

پیش نمایش 5

لینک دانلود (کیفیت بالا)

پیش نمایش 6

لینک دانلود (کیفیت بالا)

پیش نمایش 7

لینک دانلود (کیفیت بالا)

نوشته آموزش فارسی شناسایی و استخراج ویژگی در بینایی ماشین اولین بار در ايران متلب. پدیدار شد.

در زمینه اول ، هدف استفاده از یک یا چند تصویر از یک صحنه با یک دوربین با پارامترهای مشخص یا نامشخص و تولید تصویر 3 بعدی از این تصاویر 2 بعدی می باشد.
زمینه دوم هدف شناسایی اشیا و افراد یا فعالیت های داخل تصویر می باشد. شبیه کاری که انسان می کند و مفهوم و ساختار و ارتباط صحنه های مختلف را درک می کند.

بینایی ماشین در متلب :

جعبه ابزار سیستم بینایی ماشین (Computer Vision System Toolbox™) تابع و الگوریتم هایی برای طراحی و شبیه سازی سیستم های بینایی ماشین و پردازش ویدئو در اختیار کاربران متلب قرار می دهد.

شما می توانید استخراج و شناسایی و تطبیق ویژگی را به سادگی برای کاربردهایی مثل شناسایی شی (object detection) و دنبال کردن (tracking) و تخمین حرکت (motion estimation) و پردازش ویدئو (video processing) در این تولباکس انجام دهید.

برای ماشین بینایی 3 بعدی ، این جعبه ابزار از ابزارهایی برای کالیبراسیون دوربین ، بینایی استریو و بازسازی سه بعدی و پردازش ابری سه بعدی استفاده می کند.

این جعبه ابزار بر مبنای یادگیری ماشین می باشد، لذا شما می توانید سیستم های مورد نظر را آموزش دهید. سیستم تحت آموزش می تواند یک سیستم شناسایی شناسایی شی و تشخیص شی و بازیابی تصویر باشد.

الگوریتم های موجود در این جعبه ابزار شامل توابع متلب ، اشیای سیستم (System objects) و بلوک های سیمولینک می باشد.

بخش اول : آموزش فارسی شناسایی و استخراج ویژگی در بینایی ماشین

(بر روی تصویر بالا کلیک کنید)

نوشته بسته آموزشی جامع بینایی ماشین اولین بار در ايران متلب. پدیدار شد.

زبان برنامه نویسی پایتون یکی از زبان های برنامه نویسی است که به سرعت در حال افزایش محبوبیت و کاربرد در بین برنامه نویسان می باشد.

پردازش تصویر روشی برای تبدیل یک تصویر به صورت دیجیتال و انجام برخی از عملیات بر روی آن، به منظور دریافت یک تصویر بهبود یافته و یا برای استخراج برخی از اطلاعات مفید از آن است. 

سرفصل مطالب :

باز کردن و نوشتن فایلهای تصویری

نمایش تصویر

تغییرات پایه

اطلاعات آماری

تبدیلات هندسی geometrical

فیلتر کردن تصویر

تبدیل فوریه تصویر

بلوری کردن

شفاف سازی

حذف نویز

عملیات مرفولوژی

استخراج ویژگی

لبه یابی

قطعه بندی segmentation

انداه گیری خصوصیات اشیا object داخل تصویر

نوشته پردازش تصویر در پایتون اولین بار در ايران متلب. پدیدار شد.

.

.

.

.

.

.

بعد از مدتها ایران متلب تصمیم گرفت فیلم آموزشی تهیه شده توسط مهندس قیصری مدیر گروه ایران متلب را برای استفاده کاربران ایران متلب جهت دانلود قرار دهد.

این فیلم آموزشی یک محصول منحصربفرد از ایران متلب می باشد که هیچ جای دیگری مشابه آن را پیدا نخواهید کرد. آموزش های متلب زیاد هستند اما آموزشی که توسط متخصص با تجربه و با سابقه متلب تهیه شده است ، کمیاب است.

مهندس قیصری دارای سابقه نه ساله در کدنویسی متلب در پروژه های مختلف دانشجویی و صنعتی می باشد. ایشان تاکنون بیش از چند میلیون خط کد متلب را نوشته است و با بیشتر قسمت ها و دستورات متلب آشنایی دارند.

این مجموعه فیلم آموزشی بیش از 100 قسمت یا 200 قسمت شاید هم بیشتر خواهد بود که به مرور برای خریداران این محصول ایمیل خواهد شد. کاربران محترمی که می خواهند بقیه قسمت ها را به مرور دریافت کنند ، می توانند هزینه این آموزش را پرداخت کنند.

مهندس قیصری قصد دارند در این محموعه بزرگ فیلم آموزشی ، همه چیزهایی که از متلب بلد هستند را به دیگران یاد بدهند. 

چرا این آموزش به مرور برای کاربران ایمیل می شود؟

یادگیری یک نرم افزار برنامه نویسی مانند متلب یک شبه اتفاق نمی افتد و نیاز به تمرین و ممارست دارد. لذا ایران متلب تصمیم گرفت قسمت های آموزش را به مرور برای کاربران خود ارسال کند تا زمان داشته باشند با تمرین های مختلف آموزش را در ذهن خود نهادینه کنند.

هر چند مدت یک بار قسمتی از این آموزش ایمیل خواهد شد؟

به طور متوسط هر هفته ، سه تا چهار قسمت ایمیل خواهد شد.

لینک دانلود

نوشته سیر تا پیاز متلب MATLAB اولین بار در ايران متلب. پدیدار شد.

پردازش تصویر روشی برای تبدیل یک تصویر به فرم دیجیتال و انجام عملیات بر روی آن ، تا یک تصویر بهبود یافته بدست آمده و اطلاعات مفیدی از تصویر استخراج شود.

تصویر یک سیگنال دو بعدی می باشد. لذا پردازش تصویر به نوعی یک پردازش سیگنال می باشد. خروجی آن می تواند تصویر یا خصوصیتی در مورد تصویر باشد.

پردازش تصویر امروزه یکی از موضوعات بسیار پرکاربرد در علوم مختلف می باشد.

کاربردهای پردازش تصویر دیجیتال

بازسازی و افزایش کیفیت تصویر

مهندسی پزشکی

شناسایی از راه دور remote sensing

انتقال و کدگذاری

بینایی ماشین و ربات

پردازش رنگ

شناسایی الگو

پردازش ویدئو

آنالیز تصاویر میکروسکوپی

کاربردهای اصلی پردازش تصویر دیجیتال در پزشکی به صورت زیر است :

تصویربرداری اشعه گاما

اسکن PET

تصویر برداری X Ray

CT اسکن

تصویربرداری UV

اهداف پردازش تصویر

میتوان به پنج گروه آنرا تقسیم کرد :

تصویر سازی (visualization) : مشاهده قسمت هایی از تصویر که قابل مشاهده نیست.

بازسازی و افزایش کیفیت (image sharping and restoration) : برای ایجاد تصویر بهتر .

بازیابی تصویر (image retrieval) : جستجو برای تصویر مورد علاقه .

اندازه گیری الگو (measurement of pattern) : اندازه گیری اشیای مختلف داخل تصویر.

شناسایی تصویر (image recognition) : تمایز دادن اشیای داخل تصویر.

هدف از تهیه این فیلم آموزشی :

به موازات گسترش كاربردهاي پردازش تصویر، نياز به فراگيري آن برای علاقه مندان به وجود آمده است. اما کتاب های زیادی در این زمینه نوشته شده اما در اکثر آنها تئوری با فرمول و روابط پیچیده بیان شده است و علاقه مندان با مراجعه به آنها از ادامه مسیر یادگیری نا امید می شوند. در اکثر این کتاب ها جنبه کاربردی بودن کمتر مورد توجه قرار گرفته است.

لذا گروه برنامه نویسی ایران متلب تصمیم گرفت یک فیلم آموزشی جامع ، بر اساس سالها تجربه خود در پروژه های مختلف پردازش تصویر، برای استفاده علاقه مندان تهیه کند.

یک عکس هم از گروه بینایی ماشین شرکت mathworks که برنامه نویسان توابع پردازش تصویر متلب هستند را براتون پیدا کردم که در قسمت زیر میتونید آنها ببینید :

مخاطبین :

اين فيلم آموزشي توسط هر فردي كه دوست دارد تا با پردازش تصویر آشنا بشود قابل استفاده است و توسط دانشجويان تمامي رشته ها قابل استفاده است.

سرفصل ها : ( به مرور تکمیل می شود)

توضیح با جزییات دستور imread

چه فرمت هایی imread پشتیبانی می کند؟

کلاس خروجی unit8 و unit16

انواع تصاویر در تولباکس پردازش تصویر متلب

Binary و indexed و gray level و True Color

تصاویر DICOM

کاربرد تصاویر indexed

دستور dicominfo

دلیل 4 بعدی خروجی تصاویر DICOM

پارامتر NumberOfFrames

تبدیل فرمت تصاویر

نمایش چند تصویر در یک پنجره(عمودی و افقی)

قرار دادن عنوان برای پنجره

هشدار (warning) نمایش تصویرهای خیلی بزرگ

فرمت NITF

فرمت analyze 7.5

فرمت interfile

تصاویر HDR (High Dynamic Range)

دستور tonemap

معرفی دستورات تبدیل فرمت تصاویر

دستور rgb2gray

تبدیل تصویر خاکستری به رنگی rgb

دستور im2bw

تعیین حد آستانه باینری کردن

دستور graythresh

دستور index2gray

دستور rgb2gray

کاربرد hsv در شناسایی چهره

تبدیل به فرمت double

تنطیمات تولباکس پردازش تصویر

Initial magnification

Border Style در imshow

نمایش Axes تصویر

مختصات فضایی (x,y) در تصویر

گزینه Copy Figure

Border Style نوع Tight

ذخیره سازی تصویر

گزینه Enable Hardware Optimization

گزینه imtool

پنجره Inspect Pixel Values

کاربرد imtool در پروژه های برنامه نویسی

ابزار measure distance

نمایش فیلم یا multiframe

نمایش تصاویر gif به صورت فیلم

ساخت فیلم با تصاویر متوالی

دستور immovie

دستور implay

کار با movie player متلب

تبدیلات هندسی

دستور imcrop

برش یا بریدن بخشی از تصویر

گزینه Copy Position در imcrop

کاربردهای imcrop در استخراج ویژگی

ارتباط regionprops و imcrops

دستور تغییر اندازه تصویر imresize

کابردهای imresize

چند برابر کردن تصویر

تغیییر اندازه تصویر به مقدار یک مشخص

تغییر اندازه تصویر به تعداد سطر مشخص و تعداد ستون نامشخص

تئوری تغییر اندازه تصویر

روش nearest neighbor

روش bilinear

روش bicubic

روش box shape kernel

روش مثلثی triangular

روش cubic

روش lanczos

چرخش تصویر imrotate

تصحیح پرخش تصویر

کاربرد در شناسایی حروف

دستور imtranslate

جابجایی مکانی تصویر

پر کردن اطراف تصویر با عدد خاصی

گزینه FilledValues

دستور impyramid

گزینه reduce

گزینه expand

معیارهای کیفیت تصویر SSIM

دستور imwrap

دستور affline2d

توضیح عناصر ماتریس affline

دستور imshowpair

محاسبه اتوماتیک tform

تصحیح کجی تصویر

دستور fitgeotrans

تبدیل affine

تبدیل projective

تبدیل شباعت غیر reflective

تبدیل Piecewise Linear

تبدیل Local Weighted Mean (میانگین وزندار محلی)

تبدیل چند جمله ای polynomial

کمترین تعداد نقاط لازم برای affine

تاثیر چرخش تصویر در الگوریتم

دستور imfuse

انداختن دو تصویر بر روی هم

دستور imref2d

دستور imregconfig

توابع registration

گزینه های رجسیتر

(تعداد کل تکرارها ، حداقل و حداکثر طول گام ، تلورانس اندازه گرادیان ، فاکتور relaxation )

دستور imregister

نوع translation

نوع rigid

نوع similarity

نوع affine

توضیح فلوچارت registration

توابع افزایش contrast تصویر

افزایش کیفیت تصویر

تابع imadjust

تخصیص بازه برای imadjust

Imadjust برای تصاویر رنگی

استفاده از []

تابع imcontrast

کار با ابزار Adjust Contrast

تغییر مینیمم و ماکزیمم کنتراست تصویر

دستور imsharpen

تمایز دادن لبه ها

حذف ماتی و بلوری تصویر

یکسان سازی هیستوگرام

تفاوت histeq و adapthisteq

نحوه انتخاب تابع یکسان سازی هستوگرام

imhistmatch

تغییر هیستوگرام بر مبنای هیستوگرام تصویر مرجع

تعیین حد پایین imadjust

تایع stretchlim

اضافه کردن نویز به تصویر

چرا نویز به تصویر اضافه می کنیم؟

تابع imnoise

انواع نویز (Gaussian و localvar و poisson و salt @ pepper و speckels )

( گایوسین و واریانس محلی و پواسون و نمک و فلفل و اسپکلز)

پارامترهای میانگین و واریانس نویز گایوسین

پارامترهای نویز سفید گایوسین میانگین-صفر

پارامترهای نویز نمک و فلفلی

رابطه کلی نویز speckels

نکاتی در مورد نویز در تصویر

طریقه بیان نتایج حذف نویز در مقاله

فیلتر ها در تصویر

مفعوم convolution

مفهوم correlation

پنجره یا window در فیلترها

توضیج کانالوشن با مثال

توضیح correlation با مثال

حرکت sliding پنجره فیلترینگ

کرنل یا kernel در فیلترینگ

Convolution یا correlation کدام مناسب تر است؟

مفهوم padding

مقدار padding چقدر می تواند باشد ؟

حرکت distinct پنجره فیلترینگ

پیکسل مرکزی یا center pixel در پردازش تصویر

Sliding یا distinct کدام مناسب تر است؟

تابع nlfilter

تابع blockproc

کاربرد imfilter

ساخت فیلتر با fspecial

فیلتر میانگین average

فیلتر میانگین دایره ای circular

فیلتر پایین گذر گایوسین lowpass filter gaussian

فیلتر لاپلاسین laplacian

فیلتر گایوسین لاپلاسین

فیلتر تقریب حرکت خطی دوربین motion

فیلتر prewitt

فیتلر sobel

یافتن لبه های عمودی

یافتن لبه های افقی

استخراج لبه های عمودی و افقی با هم

خصوصیات کرنل فیلتر

اعمال فیلتر به تصویر

دستور imadd

تنظیم اندازه پنجره فیلتر میانگین

برای حذف نویزهای ضربه ای چه کار کنیم؟

تابع imgaussfilt

لینک دانلود

دانلود و مشاهده قسمت اول :

لینک دانلود قسمت اول (کیفیت اصلی)
لینک مشاهده قسمت اول در آپارات
لینک مشاهده قسمت اول در تخته سفید
لینک مشاهده قسمت اول در یوتیوب

دانلود و مشاهده قسمت دوم :

لینک دانلود قسمت دوم (کیفیت اصلی)
لینک مشاهده قسمت دوم در آپارات
لینک مشاهده قسمت دوم در تخته سفید
لینک مشاهده قسمت دوم در یوتیوب

نوشته فیلم آموزشی پردازش تصویر در متلب MATLAB اولین بار در ايران متلب. پدیدار شد.

در اواخر دهه 1940 توسط جان ون نيومن مطرح و پس از او توسط رياضيداني بنام استانيسلاو اولِم به عنوان مدلي براي بررسي رفتار سيستمهاي پيچيده پيشنهاد شد. اتوماتاي سلولي سيستمهاي ديناميكي گسسته اي هستند كه رفتارشان بر اساس ارتباط محلي استوار است. در اين مدل، فضا بصورت يك شبكه تعريف ميگردد كه به هر خانه آن يك سلول گفته ميشود. زمان بصورت گسسته پيش ميرود و قوانين آن بصورت محلي (و مشابه براي همه سلولها) است كه از طريق آن در هر مرحله، هر سلول وضعيت جديد خود را با درنظر گرفتن وضعيت همسايه هاي مجاورش بدست مي آورد.

اتوماتاهاي يادگير

اتوماتاي يادگير يك ماشين با حالات محدود است كه مي تواند تعداد محدودي عمل انجام دهد. هر عمل انتخاب شده توسط محيطي احتمالي ارزيابي مي گردد و پاسخي به اتوماتاي يادگير داده مي شود. اتوماتاي يادگير از اين پاسخ استفاده نموده و عمل بعدي خود را انتخاب مي كند. اتوماتاي يادگير مي تواند با ساختار ثابت و يا ساختار متغير مي باشد.

در اتوماتاي يادگير سلولي مي توان از ساختارهاي مختلفي براي همسايگي استفاده نمود. در حالت كلي هر مجموعه مرتب از سلولها را مي توان به عنوان همسايه در نظر گرفت اما معمولترين آنها همسايگي ون نيومن 4 و مور 5 مي باشند كه به نزديكترين همسايگان مشهور مي باشند.

دو مثال کاربردی از اتوماتای یادگیر در این محصول برای شما تهیه شده است.

زبان برنامه نویسی این دو مثال MATLAB می باشد.

مثال اول در مورد دسته بندی دیتاست wine می باشد

مثال دوم در کاربرد تشخیص لبخند از روش تصاویر افراد می باشد.

هدف از این پروژه تشخیص لبخند با اتوماتای یادگیر می باشد.

در ابتدا با کمک تابعی استخراج ویژگی انجام شده است.

که براساس ضرایب فیلتر گابور استخراج ویژگی می کند.

بردار ویژگی را که ساخت به اتوماتای یادگیر می دهد.

تعدادی از تصاویر پایگاه تصاویر :

این دو مثال برای آشنایی شما با نحوه استفاده از اتوماتای یادگیر می باشد تا بتوانید از آنها در پروژه های خود استفاده کنید.

لینک دانلود

نوشته دانلود کد متلب اتوماتای یادگیر اولین بار در ايران متلب. پدیدار شد.

سرفصل این فیلم آموزشی :

• مقدمه
• هوش مصنوعي (AI)
• تعريف شبکه عصبي مصنوعي
• انواع شبکه‌هاي عصبي مصنوعي
• کاربردهاي شبکه عصبي مصنوعي
•  کاربردهاي عمومي ANNs
• تشخيص الگو
• ذخيره  كردن و  بازبيني داده‌ها
• تقريب تابع (رگرسيون غير خطي، تخمين و پيشگويي)
• فرايند داده کاوي
• تعريف مساله
• انبارش داده‌ها ساختن پايگاه داده مربوط به داده كاوي
• انتخاب داده‌ها جستجوي داده
• تبديل داده‌ها آماده ساختن داده براي مدل سازي
• کاوش در داده‌ها ساختن مدل
• ارزيابي مدل
• تفسير نتيجه ساخت مدل و ارائه نتايج
• تاريخچه
• نرون بيولوژيکي
• نرون مصنوعي
• مدل رياضي يک نرون (مک کلاخ-پيتس-1943)
• معرفی توابع تحریک شبکه عصبی : (hardlim و logsig و hardlims و poslin و purelin و satlins و satlin و tansig و  tribas و radbas)
• شبکه‌هاي عصبي چند لايه يا MLP
• توابع فعال سازي سيکموئيد
• ساختار شبکه عصبي
• آموزش، تعميم و اجرا در شبکه عصبی
• يادگيري در شبكه‌هاي عصبي مصنوعي
• آموزش با معلم
• آموزش بدون معلم
• الگوريتم‌هاي يادگيري
• يادگيري هب
• قانون يادگيري دلتا
• يادگيري رقابتي
• الگوريتم نزول گرايان (Gradient Descent)
• Overfitting
• قدرت تعميم و overfitting
• شبکه عصبي چگونه کار ميکند؟
• مثال آموزشي
• مراحل طراحي  يك مدل شبكه عصبي به منظور طبقه بندي يا پيش بيني (تخمين):
• مزاياي شبکه‌ هاي عصبي
• معايب شبکه‌ هاي عصبي
• ویژگیهای شبکه‌های عصبی
• چند کلیپ آموزشی
• انتخاب توپولوژی شبکه عصبی
• خاصیت عمومیت پذیری شبکه

.

.

مدت زمان :   240 دقیقه

حجم فایل‌ها :  450 مگابایت

.

.

پیش نمایش قسمت اول :

دانلود پیش نمایش قسمت اول (کیفیت اصلی)

pass : iran-matlab.ir

پیش نمایش قسمت دوم:

دانلود پیش نمایش قسمت دوم (کیفیت اصلی)

pass : iran-matlab.ir

پیش نمایش قسمت سوم:

دانلود پیش نمایش قسمت سوم (کیفیت اصلی)

pass : iran-matlab.ir

پیش نمایش قسمت چهارم:

دانلود پیش نمایش قسمت چهارم (کیفیت اصلی)

pass : iran-matlab.ir

نوشته فیلم آموزشی مبانی شبکه های عصبی اولین بار در ايران متلب. پدیدار شد.

به موازات گسترش كاربردهاي شبكه عصبي، نياز به فراگيري آن و آشنايي با تواناييها و قابليتهاي آن رخ مي نمايد. در اين راستا، تأليفات زيادي وجود دارد كه مي توان به آن ها استناد نمود اما در اكثر قريب به اتفاق اين خودآموزها، مباني اين شبكه ها با تفاصيل و جزئيات بسيار بيان شده است و کمتر به جنبه کاربردی بودن آن توجه شده است.

لذا گروه برنامه نويسي ايران متلب تصميم گرفت تا يك فيلم آموزشي جامع براي شبكه هاي عصبي تهيه كند تا هم مفاهيم آن به طور كامل توضيح داده شود و هم برنامه نويسي مقدماتي تا پيشرفته شبكه هاي عصبي در متلب MATLAB با مثالهاي گوناگوني آورده شود.
اين فيلم آموزشي حاصل تجربه هاي مختلف ما در پروژه هاي گوناگون شبكه عصبي مي باشد. بيشتر تمركز ما در اين فيلم آموزشي بر روي كدنويسي و پياده سازي در متلب MATLAB ميباشد.

در قسمت هايي هم كه لازم باشد ما كدهاي متلب جديدي معرفي مي كنيم كه در نرم افزار متلب وجود ندارد و به كار پياده سازي شبكه هاي عصبي در متلب كمك بسيار زيادي مي كند.

آشنایی با خطاهای رایج :
در هر قسمت خطاهاي رايج در هنگام كدنويسي هم به طور كامل تشريح مي شود تا كاربران گرامي بتوانند در هنگام كد نويسي به مشكلي برنخورند.

تعداد بالای مثال و نمونه کد :
به جرات ميتوان ادعا كرد كه اين سطح از كدنويسي شبكه هاي عصبي و اين تعداد مثالها در هيچ كتابي قابل دسترس نيست.

مخاطبین :
اين فيلم آموزشي توسط هر فردي كه دوست دارد تا با مفاهیم شبكه هاي عصبي آشنا بشود قابل استفاده است و نياز به هيچ پيش نيازي ندارد و مخاطب آن عموم مي باشد و توسط دانشجويان تمامي رشته ها قابل استفاده است.

بخش های مختلف این مجموعه فیلم آموزشی :

نوشته مجموعه فيلم های آموزش فارسي جامع شبكه هاي عصبي اولین بار در ايران متلب. پدیدار شد.

.

.

يكي از معايب شبكه هاي عصبي معمول مانند MLP اين است كه اگر تعداد نرونهاي لايه مخفي و يا تعداد لايه هاي شبكه عصبي را زياد بگيريم دو مشكل اساسي ايجاد مي شود:

سرعت آموزش پايين

گير كردن در مينيمم محلي

يكي از شبكه هاي جايگزين براي حل اين دو مشكل شبكه هاي باور عميق يا DBN مي باشد.

از شبکه های باور عمیق علاوه بر  کارهای دسته بندی  ميتوان به عنوان یک روش استخراج ویژگی استفاده كرد.

 از مزایای شبکه های باور عمیق در یادگیری ویژگی مي باشد كه در اين فيلم آموزشي توضيح داده مي شود. در اين روش  با کمک دادههای برچسب نخورده میتوان ویژگیهای سطح بالایی از دادههای آموزشی را استخراج و قدرت تمایز بین دسته های مختلف در دادهها را افزايش داد.

 شبکه های باور عمیق از لایه هایی به نام ماشین بولتزمن محدود ساخته شده اند. در واقع با روی هم قرار دادن ماشینهای بولتزمن محدود، میتوان شبکه های باور عمیق را برای پردازشهای سلسله مراتبی بوجود آورد.

مشاهده قسمت هايي از اين فيلم آموزشي :

لينك مشاهده در يوتيوب youtube

مدت زمان : 75 دقيقه

حجم فايلها: 177 مگابايت

ارسال لينك دانلود به ايميل شما

لینک سفارش فیلم کامل 

نوشته فيلم آموزش فارسي شبكه باور عميق DBN اولین بار در ايران متلب. پدیدار شد.