ویژگیهای ابزار دسته بندی کننده متلب :

نیازی به هیچ کدنویسی نیست

امکان مقایسه چندین مدل تنها با یک کلیک

استفاده از پردازش موازی

محاسبه معیارهای خروجی تنها با یک کلیک

این آموزش اختصاص به ابزار دسته بندی کننده متلب (Classification Learner app) دارد و قسمت هفتم بسته جامع آموزش یادگیری ماشین می باشد. فلوچارت یک کار در این ابزار را می توانید در شکل زیر مشاهده کنید:

شما می توانید از این ابزار برای آموزش مدلهای : درخت تصمیم، ماشین بردار پشتیبان ، نزدیکترین همسایه، بیز ساده ، تجزیه و تحلیل تمایز، رگرسیون لجستیک، دسته بندی تجمعی استفاده کنید. همچنین می توانید انتخاب ویژگی انجام دهید، نوع اعتبارسنجی مشخص کنید و ارزیابی نتایج را انجام دهید. در انتهای فرایند کار شما می توانید مدل را وارد فضای کاری کنید یا کدهای متلب مدل خود را اتوماتیک تولید کنید. تولید کدهای متلب به شما کمک می کند که برنامه متلب مدل خود را هم ببینید و برنامه نویسی متلب یادگیری ماشین را یاد بگیرید.

شما در این ابزار می توانید ماتریس confusion و نمودار scatter و ROC را رسم کنید و بهتر بتوانید دسته بندی کننده مورد نظر خود را مورد ارزیابی قرار دهید.

یکی دیگر از قابلیت های این ابزار امکان بهینه سازی دسته بندی کننده های مختلف می باشد. پارامترهایی که می توانید بهینه سازی کنید در جدول زیر مشخص شده اند :

مدت زمان : 2 ساعت و 6 دقیقه

لینک دانلود

پیش نمایش

دانلود پیش نمایش (کیفیت بالا)

نوشته آموزش ابزار یادگیری دسته بندی کننده در متلب اولین بار در ايران متلب. پدیدار شد.

در شکل بالا یک درخت تصمیم ساده نشان داده شده است. این درخت تصمیم برای دسته بندی یک فرد بر اساس سه ویژگی ورزش و خوردن پیتزا و سن تشکیل شده است. خروجی این درخت تصمیم یکی از دو کلاس Fit و Unfit می باشد. از انواع درخت های تصمیم می توان C4.5 و C5 و Meta Decision Tree و Random Forest وJ48 را نام برد.

المانهای اصلی تشکیل دهنده یک درخت تصمیم :

Root Node (گره ریشه): اصلی ترین گره در درخت تصمیم می باشد و عملیات درخت تصمیم از این گره آغاز می شود. 

Decision Node (گره تصمیم گیری): گره هایی که به چند بخش تقسیم می شوند و متناسب با اندازه متغییر ورودی یکی از دو مسیر را مشخص می کنند. 

Leaf / Terminal Node (گره پایانی / برگ): گره های انتهایی یک درخت تصمیم هستند که اغلب مشخص کننده یکی از کلاسهای خروجی می باشند.

مزیت های درخت تصمیم :

• سادگی درک و تفسیر و نمایش
• امکان پیاده سازی سخت افزاری راحت
• قابلیت کار هم با داده های عددی و هم دسته بندی شده
• امکان مدلسازی مسئله های چند خروجی
• برعکس شبکه های عصبی که مثل یک جعبه سیاه هستند اما درخت تصمیم عملکرد آن به راحتی توسط شخص استفاده کننده، قابل درک است.

[button type=”big” color=”purple”] ارسال لینک های دانلود به ایمیل شما[/button]

این فیلم آموزشی اختصاص به پیاده سازی متلب درخت تصمیم دارد. این آموزش مناسب هر شخصی می باشد که می خواهد برنامه نویسی متلب درخت تصمیم را یاد بگیرد . شما به هیچ پیش نیاز ریاضی یا مهندسی برای این آموزش نیاز ندارید. به شما اطمینان می دهیم که از این آموزش نهایت لذت را ببرید.

محتوی این فیلم آموزشی :

در ابتدا مقداری تئوری درخت تصمیم گفته می شود، سپس برنامه نویسی مقدماتی با چندین مثال ساده شروع میشود و به مرور مثالهای کاملتری آموزش داده می شود. شما با نحوه نمایش یک درخت تصمیم در متلب هم آشنا می شوید. مثالهایی از cross-validation هم گفته می شود. عملیات هرس کردن pruning به صورت عملی در متلب پیاده سازی و مفهوم سطح هرس بیان می شود. سپس گزینه های قابل دسترس برای تنطمیمات درخت تصمیم در متلب گفته می شود و در نهایت نحوه بهینه سازی یک  درخت تصمیم به صورت عملی در متلب آموزش داده می شود. همراه با این آموزش 13 کد متلب درخت تصمیم هم قرار دارد که در آموزش خط به خط آنها توضیح کامل داده شده است. 

تعدادی از کدهای این آموزش را می توانید در GitHub ایران متلب مشاهده کنید:

https://github.com/PymatFlow/MATLABDecisionTree

پیش نمایش

دانلود پیش نمایش (کیفیت بالا)

مدت زمان : 214 دقیقه

لینک سفارش

نوشته برنامه نویسی متلب درخت تصمیم اولین بار در ايران متلب. پدیدار شد.

شما در سیستم های embedded لازم است تا با یک زبان برنامه نویسی مثل C++ یا VHDL برنامه ای بنویسید و داخل حافظه میکروکنترلر یا FPGA بارگذاری کنید تا سیستم شما بتواند کار مورد نظرشما را انجام دهد. مثلا فرض کنید یک سیستم دارید که قرار است با دستورهای صوتی یک موتور را روشن و خاموش کند. در این سیستم لازم است که شما برنامه مشخصی بنویسید که اگر فرمان شروع گفته شد ، موتور را روشن و اگر فرمان خاموش گفته شد، موتور را خاموش کند. این برنامه شما هیچ قسمت هوشمندی ندارد که قادر به یادگیری باشد، بلکه یک برنامه شرطی هست که متناسب با ورودی آن یک خروجی دارد. اما در یک سیستم یادگیری ماشین ما هیچ برنامه مشخصی برای سیستم نمی نویسیم بلکه ما یک مدل هوشمند داریم که قابلیت یادگیری دارد. مدل ما در یک فرایند آموزش یاد می گیرد که متناسب با هر فرمانی چه عکس العملی را باید نشان دهد. آموزش قسمت اصلی یک مدل یادگیری ماشین ML می باشد.

اکنون یادگیری ماشین توانسته کاربردهای بسیار زیادی پیدا کند مثل ماشین های بدون راننده، شناسایی صوت، جستجوی وب ، تشخیص بیماری و درک بهتر ژن انسان.

یادگیری ماشین اکنون اینقدر گسترده شده است که شما به احتمال زیاد در طول روز از یک سیستم بر مبنای یادگیری ماشین دارید استفاده می کنید اما دقیقا نمی دانید که یادگیری ماشین است. مثلا بسیاری از ابزارهای داخل یک گوشی هوشمند که بیشتر آنها با یک مدل یادگیری ماشین عمل می کنند.

ما در این آموزش سعی کردیم که در کنار تئوری ، مثالهای عملی زیادی هم بزنیم تا شما بتوانید درک بهتری از کاربردهای یادگیری ماشین در دنیای واقعی پیدا کنید و بتوانید از یادگیری ماشین در پروژه های عملی خود استفاده کنید.

لینک دانلود

مرجع های این آموزش :

درس یادگیری ماشین دانشگاه استنفورد

درس یادگیری ماشین دانشگاه MIT

آموزش از پایه یادگیری ماشین ارائه شده در توسعه دهندگان گوگل Google Developer

قسمت اول

مبانی و مقدمات یادگیری ماشین

قسمت دوم

پیش پردازش داده و معیارهای ارزیابی در MATLAB

قسمت سوم

برنامه نویسی متلب ماشین بردار پشتیبان

نوشته بسته آموزش جامع یادگیری ماشین machine learning اولین بار در ايران متلب. پدیدار شد.

در طی اعمال این الگوریتم، درخت‌ها به نمونه‌هایی که توسط درخت‌های قبلی نادرست پیش بینی شده اند، وزن بیشتری می‌دهند.

در نهایت مدل نهایی بر مبنای رأی‌گیری وزن‌دار بین درخت‌ها انجام می‌گیرد که این وزن‌ها بر اساس میزان دقت درخت‌ها تنظیم می‌شوند

نوشته درخت بوستینگ اولین بار در ايران متلب. پدیدار شد.

Algorithm: Bagging
Input :
Sequence of N examples D <( x1 ,y1 ),….., ( xN, yN )> with labels y i€ Y={ 1,…,L }
Distribution D over the N example
Integer K specifying number of iterations
Weak Learning algorithm WeakLearn (tree)
Do k=1,2,.., K
• Choose bootstrapped sample Di (n sample) by randomly from D.
• Call WeakLearn k with Di and receive the hypothesis (tree) ht.
• Add ht to the ensemble.
End
Test: Simple Majority Voting – Given unlabeled instance x
• Evaluate the ensemble {h1,….,hk} on x
• Choose the class that receives the highest total vote as the final classification.

شکل 2-1. معماری کلی الگوریتم بگینگ. با دریافت مجموعه‌ی آموزشی D با سایز N ، به تعداد K مجموعه آموزشی جدید Di، با سایز n<N، تولید می‌شود)بعنوان Bootstrap sample ). K مدل مختلف با استفاده از K زیر مجموعه، آموزش داده می‌شوند و در نهایت کلاسی که تعداد بیشتری از مدل ها به آن رای داده اند، انتخاب می شود.
از جمله عوامل تأثیرگذار در موفقیّت متدهای یادگیری تجمعی، بحث تنوع مدل‌های پایه و همچنین دقت هرکدام از مدل‌هاست. همانطور که واضح است اگر مدل‌های پایه متنوع یا به اصطلاح diverse نباشند، ترکیب آن‌ها بی فایده است. در متد بگینگ، استفاده از مجموعه‌های متفاوت از مجموعه داده اولیه، شرط تنوع را تضمین می‌کند. از طرف دیگر، زمانی یک مدل می‌تواند از تغییرات مجموعه داده آموزشی خود استفاده کند که ناپایدار باشد . ناپایدار بودن به این معناست که تغییرات کوچک در ورودی (مجموعه ی آموزشی) منجر به تغییرات بزرگ در خروجی مدل شود. از جمله پیش بینی کننده‌های ناپایدار می‌توان به شبکه‌های عصبی مصنوعی و درختان تصمیم‌گیری اشاره کرد. هرچند مدل نزدیکترین همسایگی جزء کلاسه بندهای پایدار به حساب می‌آید [29].
با توجه به مباحث مطرح شده، می‌توان نتیجه‌گیری کرد که استفاده از درخت تصمیم‌گیری بعنوان مدل‌های پایه‌ای متدهای یادگیری تجمعی کارایی مؤثری دارد و برهمین اساس تحقیقات زیادی انجام و منجر به تولید الگوریتم‌های بسیار قدرتمندی نظیر رندوم فارست شد. در ادامه نیز به بررسی دو نوع متد مبتنی بر بگینگ خواهیم پرداخت.
از جمله انواع الگوریتم‌هایی که روند بگینگ را دنبال می‌کنند، می‌توان به دو نوع (1) pasting small votes و(2) رندوم فارست اشاره کرد.
• pasting small votes: که طراحی آن در راستای استفاده بر روی پایگاه داده‌های بزرگ بوده است. در این الگوریتم، یک مجموعه داده به زیرمجموعه کوچکتر به نام بیت تقسیم شده و روی هرکدام یک کلاسه بند متفاوت آموزش داده می‌شود. اگر انتخاب این مجموعه داده‌ها بر اساس رندوم باشد Rvotes (مشابه بگینگ) نامیده شده و اگر بر اساس اهمیت آن بخش باشد، با نام Ivotes (مشابه بوستینگ) شناخته می‌شوند[29].
• رندوم فارست: نوع دیگر روش بگینگ الگوریتم رندوم فارست است که به دلیل گستردگی استفاده از آن در این پایان‌نامه، مفاهیم آن بطور مفصل در بطور مجزا در بخش بعدی توضیح داده شده است.

نوشته درخت بگینگ Bagging tree 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.

بعد از وارد کردن داده ها به محیط متلب ، برنامه ای نوشته می شود که بر روی این داده ها بر اساس هدف پروژه ، عملیاتی انجام شود.

به عنوان مقال فرض کنید می خواهید یک مدلسازی با شبکه عصبی انجام دهید. داده های ورودی شما در یک تعداد فایل اکسل جمع آوردی شده اند و شما می خواهید این داده ها را وارد محیط متلب کنید و سپس برنامه شبکه عصبی آن را بنویسید و مدلسازی برای شما انجام شود.

در این فیلم آموزشی ما به شما سه روش را برای وارد کردن داده های یک فایل ورودی به متلب را آموزش می دهیم. این فایل ورودی می تواند فایل اکسل یا متنی و … باشد.

این آموزش را در هیچ جای اینترنت نمی توانید پیدا کنید. بعضی از این روشها ابتکاری می باشد که در هیچ کتابی قابل دسترسی نیست .

در این آموزش هم کدنویسی و هم بدون کدنویسی نحوه وارد کردن فایل اکسل آموزش داده می شود.

مدت زمان : 45 دقیقه

.

.

.

.

لینک دریافت

خلاصه قسمت 1 :

لینک مشاهده خلاصه 1 در یوتیوب

خلاصه قسمت 2 :

لینک مشاهده خلاصه 2 در یوتیوب

خلاصه قسمت 3 :

لینک مشاهده خلاصه 3 در یوتیوب

خلاصه قسمت 4 :

لینک مشاهده خلاصه 4 در یوتیوب

نوشته فیلم آموزشی وارد کردن داده های فایل اکسل به متلب اولین بار در ايران متلب. پدیدار شد.

گفته می شود این نرم افزار 99 درصد راه حل های آنالیزی پیشرفته را بدون هیچ زحمت کدنویسی برای  محقق داده کاوی فراهم می کند.

این نرم افزار با زبان برنامه نویسی جاوا نوشته شده است. تمامی عملیات در نرم افزار رپیدماینر توسط پنجره گرافیکی انجام می شود. عملیات workflow در رپیدماینر به نام فرایند process شناخته می شوند که شامل چندین عملگر operator تشکیل می شوند. هر عملگر یک وظیفه را در فرایند انجام می دهد.

این نرم افزار قابلیت ارتباط با نرم افزارهای داده کاوی دیگر مانند  R و  weka را دارد.

.

.

لینک دانلود

نوشته فيلم آموزشي رپيدماينر rapidminer 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.

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.