هوش مصنوعی شبیه سازی هوش بشر می باشد. آرزوی دیرینه بشر که بتواند یک سیستم طراحی کند که بتواند از عملکردی شبیه هوش انسان برخوردار باشد. مغز بشر که هسته اصلی تصمیم گیری می باشد حاوی میلیون ها نرون عصبی می باشد که وظیفه اصلی هوش را برعهده دارد. هر شخصی در طول زندگی خود حجم عظیمی از دانش و داده را از محیط اطراف خود بدست می آورد. این داده ها توسط مغز پردازش می شود و دانش از بین آنها استخراج می شود. بیان ریاضی عملکرد یادگیری مغز از محیط پیرامون بسیار مشکل می باشد لذا یکی از سختی های مدلسازی هوش در مغز ، عدم درک بشر از عملکرد یادگیری مغز و تبدیل آن به هوش می باشد. ما نیاز داریم که سیستم های کامپیوترهای طراحی کنیم که همان داده های ورودی مغز را بگیرند و آنرا تبدیل به هوش کنند. سوال اصلی اینجا این است که چگونه داده های خارجی را به هوش تبدیل کنیم تا یک سیستم کامپیوتری هم بتواند شبیه مغز ما آموزش پیدا کند و عملکردی شبیه مغز ما داشته باشد.

محققین برای رفع این مشکل الگوریتم های معرفی کردند که الگوهایی را از داده های ورودی استخراج می کنند. این مفهوم به نام یادگیری ماشین شناخته می شود. با معرفی یادگیری ماشین ، سیستم های هوشمند توانستند از محیط بیرون اطلاعات استخراج کنند و مدل هایی معرفی شد که مشکل قبلی موجود در هوش مصنوعی را تا حدودی رفع کنند. یک الگوریتم یادگیری ماشین ساده naïve bayes می باشد که ایمیل های spam را می تواند از ایمیل های واقعی جدا کند.

راندمان الگوریتم های یادگیری ماشین به نحوه بیان داده های ورودی به آن بستگی دارد. این مفهوم به نام representation شناخته می شود. به عنوان یک سیستم تشخیص بیماری را بر اساس یادگیری ماشین را در نظر بگیرید که بر اساس نتایج آزمایشات بیمار مثل مقدار قند و اوره و چربی و … کار تشخیصی خود را انجام می دهد. این سیستم خودش نمی تواند به بیمار ارتباط مستقیم ایجاد کند و تنها بر اساس داده هایی که دکتر به سیستم می دهد می تواند کار تشخیصی را انجام دهد. یعنی اگر دکتر مقدار چربی خون را وارد نکند ، سیستم نمی تواند جواب دهد چون یکی از ورودی های نامشخص است. این سیستم نمی تواند بر اساس تصویر MRI کار کند چون نمی تواند درک درستی از تصویر داشته باشد و فقط بر اساس داده های آزمایش بیمار تصمیم گیری می کند.

بسیاری زیادی از کارهای هوش مصنوعی را می توان با طراحی ویژگی استخراجی از داده های ورودی با کمک الگوریتم های یادگیری ماشین حل کرد. به عنوان مثال یکی از ویژگی های که در شناسایی گوینده در پردازش سیگنال صحبت کاربرد دارد ، تخمین اندازه vocal tract گوینده می باشد الگوریتم با این ویژگی می تواند تشخیص دهد که گوینده مرد، زن ، یا بچه می باشد.

نکته مهمی که در اینجا وجود دارد که ما در هر کاربری نمی دانیم چه ویژگیهایی را استخراج کنیم تا به بهترین راندمان برسیم لذا استخراج ویژگی یکی از نقاط ضعف مدل های یادگیری ماشین می باشد. گاهی یافتن ویژگی های مناسب یک کاربرد خاص بعد از تحققین صدها محقق پیدا می شود که نشان دهنده ضعف مدلهای یادگیری ماشین می باشد.

یادگیری عمیق برای حل مشکل مدلهای یادگیری ماشین مطرح شد. مدلهای یادگیری عمیق دیگر دنبال الگوریتم های استخراج ویژگی نبودند و با کمک های لایه های خود می توانستند عملکردی شبیه مغز انسان داشته باشند. یک شکل مفهومی از یادگیری عمیق را می توانید در شکل زیر ببینید که در فیلم آموزشی مبانی مقدمات یادگیری عمیق ایران متلب به خوبی توضیح داده شده است:

سرفصل های این فیلم آموزشی :

مغز انسان
نرونها در مغز انسان
چرا یادگیری عمیق؟
تاریخچه هوش مصنوعی و یادگیری عمیق
اولین شبکه عصبی مصنوعی
مروری بر مسابقات هوش مصنوعی و انسان
کاربردهای امروزی هوش مصنوعی
مثال ماشین بدون راننده
نقاط عطف در هوش مصنوعی
آماری از تعداد مقالات در زمینه یادگیری عمیق
معرفی کتابخانه های TensorFlow و Pytorch و Keras
ارتباط Keras و TensorFlow
معرفی CPU و GPU و TPU
برنامه نویسی یادگیری عمیق برای موبایل
برنامه نویسی یادگیری عمیق برای cloud
خداحافظی با پایتون 2
اهمیت پایتون 3
یادگیری ماشین چیست؟
چگونه یادگیری ماشین را پیاده سازی کنیم؟
اهمیت داده (data) در یادگیری عمیق
چرا الان باید یادگیری عمیق را یاد بگیریم؟
پیشرفت های اخیر در یادگیری عمیق
یادگیری عمیق در پزشکی
تشخیص بیماری ژنتیک از روی چهره شخص
کاربردهای مختلف یادگیری عمیق
ارتباط بین هوش مصنوعی و یادگیری ماشین و یادگیری عمیق
تفاوت یادگیری ماشین و یادگیری عمیق
مفهوم یادگیری عمیق
(لبه و گوشه و قسمت های شی) در ماشین بینایی با یادگیری عمیق
توضیح مرحله به مرحله یک مدل یادگیری عمیق
تفسیر خروجی یک سیستم یادگیری عمیق
چرا یک سیستم یادگیری عمیق به صورت یک درصد احتمالی خروجی می دهد؟
مفهوم representation در یادگیری عمیق
افزایش بعد
ارتباط راندمان و حجم داده های آموزش در یادگیری عمیق و یادگیری ماشین
نقش داده ها در یادگیری عمیق
نقطه ضعف یادگیری عمیق
چه مقدار داده برای یک سیستم یادگیری عمیق مورد نیاز است؟
مثال عملی از GitHub
چرا در یادگیری عمیق به داده های خیلی زیاد مورد نیاز است؟
با وجود نقطه ضعف در یادگیری عمیق چرا هنوز بسیار زیاد مورد استفاده می باشد؟
سختی های کار در یادگیری عمیق
اختلاف درون کلاسی (Inter class variation)
مفهوم Data argumentation
مفهوم adversarial attack
یک مثال کاربردی از یادگیری عمیق
انواع یادگیری
یادگیری با ناظر
یادگیری شبه با ناظر
یادگیری تقویت شونده
یادگیری بدون ناظر
الگو برداری از یادگیری بشر
مثالی از یادگیری تقویت شونده در اتومبیل های بدون راننده
برش در داده
انعکاس در داده
تغییر اندازه در داده
چرخش در داده
جابجایی در داده
نویز در داده
چالش ها در یادگیری عمیق
آموزش و تست
مفهوم رگرسیون
مفهوم دسته بندی
مفهوم چند کلاسی Multi-Class
مفهوم چند برچسبی Multi-Label
با یادگیری عمیق چه می توانیم انجام دهیم؟
مفهوم عمق (Deep)
لایه مخفی
شبکه های عصبی و یادگیری عمیق
مفهوم overfitting
تاثیر تعداد داده بر overfitting
چگونه بفهمیم over fitting در حال اتفاق افتادن است؟
مفهوم Regularization
داده های validation و داده های آموزش
استفاده از Dropout
لایه Dropout
نرمالسازی
نرمالسازی دسته ای
دوباره نرمالسازی (Renormalization) دسته ای
هدف از نرمالسازی چیست؟
مفهوم batch چیست؟
تاثیر نرمالسازی دسته ای در یادگیری عمیق چیست؟
معرفی شبکه های معروف یادگیری عمیق
معرفی شبکه AlexNet
معرفی شبکه VGG-16
معرفی شبکه GoogleNet
تغییر شبکه های از پیش تعریف شده
نکته مهم در استفاده از شبکه های یادگیری عمیق از پیش آموزش یافته
سیر تحول در شبکه های یادگیری عمیق
آیا یک مدل یادگیری عمیق می تواند بهتر از انسان کار تشخیص را انجام دهد؟
مقایسه راندمان شبکه های Alexnet و GoogleNet و ZFNet و VGGNet و RESNet و GoogleNet v4 و SENet
شناسایی اشیا
موقعیت دهی اشیا
Semantic Segmentation
قلب یادگیری عمیق چیست؟
مفهوم یادگیری انتقالی Transfer Learning
شبکه Generative Adversarial Network (GAN)
مزیت شبکه GAN
ساختار شبکه GAN
عملکرد Generator و Discriminator
معرفی یادگیری ماشین اتوماتیک AutoML
طراحی شبکه یادگیری عمیق به صورت اتوماتیک
شبکه NASNet
جستجوی بهترین ساختار برای یادگیری عمیق
معرفی یادگیری تقویت شونده Reinforcement Learning
مفهوم Agent و Environment
اندازه گیری عمق در مدلهای یادگیری عمیق
شبکه های برگشتی RNN
مزایا و معایب شبکه RNN

پیش نیاز (توصیه شده):

مجموعه آموزش جامع شبکه عصبی

مخاطبان :

علاقه مندان به هوش مصنوعی
علاقه مندان به یادگیری ماشین
علاقه مندان به یادگیری عمیق
علاقه مندان به ماشین بینایی
دانشجویان
مهندسین

.

این فیلم آموزشی قسمت اول از بسته آموزشی یادگیری عمیق می‌باشد. برای تهیه به بسته آموزشی جامع یادگیری عمیق بر روی تصویر زیر کلیک کنید:

نوشته مبانی و مقدمات یادگیری عمیق اولین بار در ايران متلب. پدیدار شد.

متلب در سال 2020 نام جعبه ابزار شبکه عصبی خود را به یادگیری عمیق تغییر داد. این تغییر نشان از انگیزه بالای متلب برای ارائه یک جعبه ابزار قوی برای کاربران خود دارد.

یادگیری عمیق در متلب یک ابزار مناسب برای طراحی و پیاده سازی شبکه های عصبی عمیق با الگوریتم ها و مدلهای از پیش آموزش یافته برای شما فراهم می کند. شما می توانید از شبکه های عصبی کانولوشن (ConvNet , CNN) و حافظه ترم-کوتاه بلند long short-term memory (LSTM) برای دسته بندی و رگرسیون روی تصویر و سریهای زمانی و داده های متنی استفاده کنید.

شما می توانید ساختارهای شبکه مانند شبکه های مخالف مولد generative adversarial networks (GANs) و شبکه های سیامی Siamese networks با استفاده از تفاضل گیری اتوماتیک و حلقه های آموزش سفارشی و وزنهای تقسیم شده ایجاد کنید.
با ابزار طراحی کننده شبکه عمیق شما می توانید بدون کدنویسی شبکه های عصبی عمیق را به صورت اتوماتیک طراحی و آنالیز و آموزش دهید.
با استفاده از ابزار مدیریت تجارب (Experiment Manager app) شما می توانید چندین تجارب یادگیری عمیق را مدیریت کنید و پارامترهای آموزش را در هر تجربه دنبال کنید و نتایج را آنالیز کنید و کدهای تولید را با هم مقایسه کنید و بهترین مدل را انتخاب کنید. این ابزار به کاربران قابلیت بسیار خوبی می دهد که یک کار کنترل نسخه version control را انجام بدهند. در یک کار واقعی یادگیری عمیق ، پیداکردن پارامترهای مناسب یک مدل بسیار زمانبر است و نیاز هست که پارامترهای هر بار اجرای کد ذخیره شد تا در نهایت با مقایسه اجراهای مختلف بهترین پارامتر پیدا شود. با کمک ابزار مدیریت تجارب به راحتی شما می توانید این کار را انجام دهید.
با ابزار یادگیری عمیق شما می توانید مدل یادگیری عمیق را مشاهد کنید و لایه های مختلف و توابع تبدیل هر لایه را ببینید. بنابراین شما به راحتی می توانید ساختار مدل خود را مشاهده کنید و درک خوبی از مدل یادگیری عمیق پیدا کنید.
شما می توانید با ابزار یادگیری عمیق متلب بین دیگر ابزارهای برنامه نویسی یادگیری عمیق مثل TensorFlow™ و PyTorch با متلب ارتباط برقرار کنید. آموزش TensorFlow ایران متلب را می توانید در این لینک مشاهده کنید. اکنون برنامه نویسان پایتون از TensorFlow™ و PyTorch استفاده می کنند، لذا شما می توانید مدلهایی که در این کتابخانه ها ساخته می شود را وارد متلب کنید و به عنوان یک مدل متلب استفاده کنید. فرمت ارتباطی از نوع ONNX™ می باشد که می تواند مدلهایی از TensorFlow-Keras و Caffe را وارد متلب کنید.

این تولباکس یادگیری انتقال (Transfer Learning) را با DarkNet-53 و ResNet-50 و NASNet و SqueezeNet و مدلهای پیش آموزش یافته دیگری پشتیبانی می کند. همانطور که در فیلم آموزش یادگیری عمیق ایران متلب گفته می شود، این قابلیت باعث می شود که شما چرخ را از اول اختراع نکنید و به راحتی مدلهای پیشرفته ایجاد کنید و به راندمان های بسیار بالایی برسید.

با استفاده از یادگیری عمیق در متلب شما می توانید فرایند آموزش مدل خود را روی یک GPU یا چندین GPU انجام دهید و سرعت را افزایش دهید. این قابلیت به کمک جعبه ابزار پردازش موازی متلب انجام می شود. همچنین شما می توانید از فضای ابری (cloud) شامل NVIDIA® GPU Cloud و Amazon EC2® GPU نیز استفاده کنید. این قابلیت با جعبه ابزار سرور موازی MATLAB (MATLAB® Parallel Server™)انجام می شود.

سرفصل ها :

شبکه های از پیش آموزش یافته
ابزار Add-On Explorer
نصب یک شبکه یادگیری عمیق در متلب
فراخوانی AlexNet در متلب
مقایسه شبکه های یادگیری عمیق از پیش آموزش یافته از نظر سرعت و حجم محاسبات و دقت
نکات مهم در انتخاب مدل یادگیری عمیق
شروع به برنامه نویسی با یک کد ساده
پارامتر Layers
چاپ ساختار یک شبکه
محاسبه اندازه مناسب تصویر ورودی
تغییر اندازه تصویر ورودی
اسم لایه های مختلف شبکه
پارامترهای هر لایه شبکه
استخراج پارامترهای لایه اول
استخراج پارامترهای لایه های بعدی
FilterSize و NumChannels و Stride
پارامتر های Learnable Parameters
پارامترهای لایه Pooling
کلاس maxPooling2dLayer
لایه FullyConnectedLayer
عمق و اندازه و تعداد پارامترها و اندازه تصویر ورودی شبکه های squeezenet و googlenet و inceptionv3 و densenet201 و mobilenetv2 و resnet18 و resnet50 و resnet101 و xception وinceptionresnetv2 و shufflenet و nasnetmobile و nasnetlarge و darknet19 و darknet53 و alexnet و vgg16 وvgg19

نصب googlenet
چک نسخه متلب
بررسی لایه های googlenet
نام کلاس های خروجی شبکه
معرفی مدلهای Caffe
معرفی App Network Designer
کار با یادگیری عمیق درمتلب بدون هیچ گونه برنامه نویسی
صفحه شروع ابزار طراحی شبکه
گزینه های Designer
معرفی Layer Library
Auto arrange
معرفی Analyze
یافتن خطا ها و هشدارهای طراحی
معرفی Export
رنگ های هر لایه
بارگذاری داده
داده های validation و داده های Training
Augmentation options
تغییر داده های آموزش
تعیین درصد داده های validation
یک مثال از یادگیری انتقالی
تنظیم لایه fully connected
تنظیم لایه Output
گزارش حاصل از چک شبکه
گزینه های تنظیمی آموزش
انتخاب تابع آموزش یا solver
معرفی قسمت های مختلف پنجره آموزش
Accuracy, Loss function
نمودارهای حاصل از آموزش
دلایل توقف آموزش
Training Cycle
Hardware resource
گزینه Export
تولید های کد متلب یک طراحی در ابزار ساخت شبکه
مثال
گرفتن خروجی از شبکه آموزش یافته
چه کارهایی می توانید با ابزار ساخت شبکه یادگیری عمیق در متلب انجام دهید؟
مقدار داده مورد نیاز در یادگیری انتقالی چقدر است؟
مزایای یادگیری انتقالی
مثالی از یادگیری انتقالی
گزینه NumFilters
ValidationFrequency
MaxEpochs
MiniBatchSize
تولید کد با پارامترهای اولیه
دستور predict
ساختار شبکه های یادگیری عمیق
نوع و تعداد لایه ها به چه پارامتری بستگی دارد؟
تفاوت لایه های دسته بندی و رگرسیون
لایه Softmax
شبکه کوچک یا بزرگ
مفهوم sequential
تعریف لایه های یک شبکه به صورت کدنویسی
لایه imageInputLayer
ساخت شبکه های پیچیده
مفهوم Directed Acyclic Graph (DAG)
دستور layerGraph
دستور addLayers
دستور connectLayers
مثال برنامه نویسی متلب
نمایش ساختار شبکه با plot
آموزش گزینه های آموزش در برنامه نویسی
انواع حل کننده در آموزش sgdm و adam و rmsprop
دستور trainNetwork
اجرای آموزش یک شبکه یادگیری عمیق
گزینه TrainingCycle
توقف فرایند آموزش
مفهوم Epoch
نقطه Final
استخراج وزن و بایاس از شبکه آموزش یافته
اعمال داده های تست
مثال دسته بندی با شبکه CNN
چگونه داده ها را وارد متلب کنیم؟
چگونه ساختار یک شبکه را تعریف کنیم؟
چگونه شبکه را آموزش دهیم؟
چگونه داده های تست را به شبکه اعمال کنیم؟
معرفی imageDataStore
مزایای imds
چگونه همه تصاویر یک فولدر را بدون خواندن همه تصویرها به متلب شناسایی کنیم؟
دستور fullfile
مثال از imageDataStore
استخراج یک تصویر از imds
دستور countEachLabel
دستور readimage
تقسیم داده ها به دو بخش آموزش و تست با دستورات متلب
ماتریس confusion
تشخیص خطاهای شبکه
کانال در لایه های شبکه
آموزش لایه کانولوشن
مفهوم فیلتر در لایه کانولوشن و filterSize
Stride در لایه کانولوشن
مفهوم downsampling
تعداد وزن ها در یک فیلتر
کانولوشن نوع Dilated
DilationFactor
مفهوم Feature Map
فرمول تعداد پارامترهای یک لایه کانولوشن
Zero Padding
فرمول تعداد نرونها
فرمول اندازه خروجی
لایه نرمالسازی دسته ای
مزیت های نرمالسازی در یادگیری عمیق
موقعیت بهینه لایه نرمالسازی
تئوری لایه ReLU
لایه های فعالسازی فعال
لایه leaky ReLU
لایه clipped ReLU
لایه نرمالسازی در طول کانال
آموزش Pooling ماکزیمم
آموزش pooling میانگین
مثال Pooling
وظیفه pooling
لایه Dropout
لایه Fully Connected
دلیل استفاده از Softmax در خروجی دسته بندی
آشنایی با لایه های یادگیری عمیق موجود در متلب 2020
لایه های ورودی
ورودی sequence
مفهوم ROI
لایه کانولوشن 2 بعدی
لایه کانالوشن 3 بعدی
لایه کانولوشن grouped
لایه کانالوشن transposed
لایه fullyconnected
لایه sequence
لایه LSTM و لایه bidirectional LSTM و لایه GRU
مفهوم flatten در یادگیری عمیق
لایه global pooling
لایه 2 بعدی unpooling
لایه های ترکیبی
لایه جمع کننده
لایه concatenation
لایه جمع کننده وزن دار
لایه های شناسایی شی
لایه GAN
لایه دسته بندی پیکسل
مثال عملی شناسایی شی جلوی دوربین وب کم متصل به کامپیوتر
شناسایی عینک آفتابی و خودکار و ماوس با یادگیری عمیق
مثال عملی یادگیری انتقالی Transfer Learning
تغییر کلاسهای خروجی شبکه یادگیری عمیق
مشخص کردن نام برای هر لایه
دستور imageDataAugmenter
دستور augmentedImageDataStore
مثال شناسایی چهره
مثال تشخیص بیماری کرونا
ابزار مدیریت تجربه
Experiment Manager
مقایسه مدلهای یادگیری عمیق
Version control در متلب
بهینه سازی پارامترهای یک مدل یادگیری عمیق
ایجاد experiment
قسمت Experiment Browser
تعیین پارامتر تغییر کننده
تعریف یک Experiment
Hyperparameter Table
Setup Function
تست چند شبکه یادگیری عمیق با هم
مرتب کردن نتایج حاصل از مدیریت تجربه

لینک سفارش

این فیلم آموزشی قسمت دوم از بسته آموزشی یادگیری عمیق می‌باشد. برای تهیه به بسته آموزشی جامع یادگیری عمیق بر روی تصویر زیر کلیک کنید:

نوشته پیاده سازی و برنامه نویسی MATLAB یادگیری عمیق اولین بار در ايران متلب. پدیدار شد.

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 های بدون راننده ، دستیاران صوتی، مترجم های آنلاین، رباتهای هوشمند، نرم افزارهای تشخیص بیماری ، الگوریتم های هوشمند داده کاوی، تشخیص چهره، ربات سخن گو، پیش بینی بورس و نمودارهای مالی .

هوش مصنوعی دانش بسیار گسترده ای می باشد که بخشی از آن یادگیری عمیق می باشد. یادگیری عمیق یکی از موضوعات بسیار داغ و جذاب می باشد که علاقه مندان بسیار زیادی پیدا کرده است. یکی از دلایل این علاقه سادگی کار و نتایج حیرت کننده حاصل از آن می باشد. به عنوان مثال برای تشخیص یک شی در تصویر، اگر بخواهید از روشهای قدیمی استفاده کنید باید استخراج ویژگی انجام دهید و سپس یک مدل دسته بندی کننده انتخاب کنید. این فرایند بسیار زمان بر و تخصصی می باشد و می بایست یک فرد متخصص نوع ویژگی ها و پارامترهای آنها را تنظیم کند. اما با یادگیری عمیق شما فقط کافی است که ساختار مدل خود را طراحی کنید و نیازی به مرحله استخراج ویژگی ندارید و تمامی فرایند توسط لایه های مدل یادگیری عمیق انجام می شود.

دلیل بعدی جذابیت کار در یادگیری عمیق ، مدلهای آماده بسیار زیاد موجود می باشد که فرایند طراحی و آموزش و تست را بسیار کوتاه می کند و شما با توجه به مفهوم transfer learning یک مدل آماده را برای کاربرد خود تغییر می دهید. یعنی دیگر لازم نیست چرخ را از اول اختراع کنید و همه فرایند سخت و طاقت فرسای طراحی مدل هوشمند خود را از صفر شروع کنید. الان مدلهای آماده ای وجود دارند که با دقت بالایی می توانند 1000 کلاس مختلف تصویری را شناسایی کنند. یعنی شما مدل را import می کنید و تصویر بهش می دهید و برای شما کار شناسایی را انجام می دهد. به عبارت ساده تر هولو برو تو گلو. 🙂

لینک سفارش

قسمت اول

مبانی و مقدمات یادگیری عمیق

قسمت دوم

پیاده سازی و برنامه نویسی در متلب

مدرس :

قیصری (مدیر گروه ایران متلب با سابقه 15 ساله در متلب و زبان های مختلف برنامه نویسی)

نوشته بسته آموزشی جامع یادگیری عمیق Deep Learning اولین بار در ايران متلب. پدیدار شد.

توجه فرمایید فقط یک جلد بیشتر موجود نیست.

جهت پرداخت و پر کردن فرم آدرس بر روی لینک کلیک کنید.

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

برخی از زمینه های کاری : 

Keras,

TensorFlow,

Scipy,

Numpy,

شبکه های عصبی در پایتون

پردازش تصویر با پایتون

OpenCV,

Pybrain,

Matplotlib,

Scikit-Learn ,

Pandas

یادگیری عمیق در پایتون

یادگیری ماشین در پایتون

ارتباط : 

matlab120[[attt]] gmail [[[dot]] com

نوشته مشاوره پروژه پایتون اولین بار در ايران متلب. پدیدار شد.

متقاضیان می توانند به ایمیل زیر پیام دهند :

matlab120 [[att]] gmail dot com

سابقه 12 ساله در انجام پروژه و برنامه نویسی متلب دانشگاهی و صنعتی

TensorFlow

Keras

Python

نوشته انجام پروژه متلب MATLAB در کانادا اولین بار در ايران متلب. پدیدار شد.

کتاب حاضر به بررسی پردازش تصادفی و سیگنال دیجیتالی که در ارتباطات بی سیم مانند مدل سازی ریاضی، نظریه تشخیص، نظریه برآورد و تکنیک های مدولاسیون ایجاد می شوند می پردازد. همچنین، برای فهم بیشتر، مباحثی مانند زمان منسجم، فرکانس منسجم، گسترش داپلر، گسترش تاخیر، بیز (Bays)، مینی حداکثر، نیمن-پیرسون (Neyman-Pearson)، MMSE, MMAE, MAP، فیلتر وینر (Wiener)، فیلتر کالمن (Kalman)، MIMO، OFDM، و تکنیک های تنوع با استفاده از Matlab به صورت تصویری بکار رفته اند. کتاب به نحوی نگاشته شده است تا برای مبتدیان علاقمند به تحقیق در زمینه ی ارتباطات بی سیم مناسب باشد.

لینک دانلود

نوشته پردازش سیگنال های دیجیتال برای ارتباطات بی سیم با استفاده از Matlab اولین بار در ايران متلب. پدیدار شد.

اکثر کاربردهای پردازش دیجیتالی گفتار به تشخیص گفتار یا تشخیص الگوی سخنگو می پردازد. برای فهم اجرای عملی تکنیک های تشخیص گفتار یا سخنگو، ابتدا باید مفاهیم پردازش دیجیتالی گفتار و تشخیص الگو را فرا گرفت.

کتاب حاضر در تلاش است تا نحوه ی برخوردی متعادل با هر یک از دو مففهوم را ارائه دهد. بر همین اساس، کتاب به مفاهیم پردازش گفتار مانند مدل تولید گفتار ، استخراج ویژگی گفتار، فشرده سازی گفتار، و غیره، و مفاهیم تشخیص الگوی ابتدایی که در سیگنال های گفتار مانند PCA, LDA, ICA, SVM, HMM, GMM, BPN, KSOM, بکار میروند می پردازد.

کتاب به نحوی نگاشته شده است تا برای مبتدیانی که قصد دارند در زمینه ی پردازش دیجیتالی گفتار تحقیق کنند مناسب باشد. برای فهم بهتر مباحث، تمامی موارد با استفاده از Matlab به صورت تصویری ارائه شده اند.

لینک دانلود

نوشته پردازش دیجیتال گفتار با استفاده از Matlab اولین بار در ايران متلب. پدیدار شد.

محاسبه کردن به معنای انجام محاسبات ریاضی مهارتی است که بشریت طی هزاران سال ایجاد کرده است. از سویی دیگر، برنامه نویسی با تاریخی که بیش از چند دهه از آن نمی گذرد، در مراحل اولیه خود قرار دارد. هر دو مبحث تا حد زیادی جامع هستند و به طور معمول در موسسات سرتاسر جهان به خصوص در دوره های کارشناسی به عنوان موضوعاتی مجزا آموزش داده می شوند. این کتاب درباره ی ترکیب این دو مهارت است چراکه امروزه مهارت محاسبه زمانیکه با برنامه نویسی ترکیب شود به شدت قدرتمندتر خواهد شد.

اکثر دانشگاه ها و دانشکده ها به طور ضمنی از دانشجویان می خواهند تا به منظور یادگیری برنامه نویسی، در علم کامپیوتر مهارت لازم را کسب کنند به این دلیل که دیگر برنامه های دانشجویی دوره های برنامه نویسی را تا حد حرفه ای شدن ارائه نمی کنند. استدلال های رایج مدعی هستند که مقدمه ای کوتاه کفایت می کند و اینکه اینقدر نرم افزار در دسترس هست که اندک افرادی خودشان برنامه نویسی می کنند. یک پیامد این روند این است که دانشجویان کامپیوتر با دانش سطحی پیرامون برنامه نویسی فارغ التحصیل می شوند مگر اینکه اتفاقی مسیر علم کامپیوتر را انتخاب کنند.

ما فکر میکنیم که این وضعیتی تاسف بار است. شکی نیست که مهندسان و دانشمندان باید با ریاضیات قلم و کاغذی خود آشنا باشند. همچنین، آن ها باید توانایی کار کردن با نرم افزارهای موجود برای فعالیت های استاندارد مهم را داشته باشند و بدون شک این کار هم به دفعات مکرر انجام می دهند. با این حال، مزیت های یادگیری برنامه نویسی بیش از این چیزهاست.

چرا برنامه نویسی یاد بگیریم؟

• نرم افزارهای آماده و موجود محدود به مسئله های استاندارد خاصی می باشند. چیکار می کنید اگر مسئله ی مورد نظر شما در نرم افزاری که خریده اید پوشش داده نشده باشد؟

خوشبختانه، بیشتر نرم افزارهای کنونی را می توان از طریق برنامه نویسی ارتقاء داد. در حقیقت، بسیاری از سیستم ها ایجاب می کنند که بخش هایی از ویژگی مسئله (مانند مدل های ماده) با کدهای کامپیوتری مشخص شوند.

• مهارت های برنامه نویسی ما را قادر می سازند تا انعطاف پذیری بسته های نرم افزاری موجود را با ادغام آن ها گسترش دهیم. به طور نمونه، شما می توانید بسته های نرم افزاری که با هم در ارتباط نیستند را از ابتدا با هم ادغام و ترکیب کنید. این امر جریان کار را ساده تر، موثرتر و قابل اعتمادتر می کند و شما را در جایگاهی قرار می دهد تا به مشکل ها و مسئله های جدید حمله کنید.
• استفاده اشتباه از نرم افزارهای عالی موجود خیلی راحت است. بینش موجود در برنامه نویسی و ریاضی برای فهم نرم افزارهای پیچیده، پرهیز از خطا و تبدیل شدن به کاربری امن لازم و حیاتی است.
• اشکال (خطاهای موجود در کدهای کامپیوتری) در برنامه های کامپیوتری بزرگ تر وجود دارند (همچنین در کامپیوترهای موجود در مغازه ها). چیکار میکنید اگر نرم افزار دردسترس شما نتایجی غیرمنتظره ارائه کند؟ آیا این یک اشکال، کاربرد نادرست و یا نتیجه ی ریاضی درستی می باشد؟ تجربه در زمینه ی برنامه نویسی ریاضی به شما این امکان را می دهد تا به این پرسش ها پاسخ دهید. کسی که می تواند برنامه نویسی کند همچنین می تواند برای  مشکلی ساده شده، کدهای خاصی را ایجاد کند و از آن ها برای تایید محاسبات انجام گرفته با نرم افزار موجود استفاده کند.
• بسیاری از افراد خبره در جهان مشکلات محاسباتی را با نوشتن کدهای خود حل می کنند و این کدها را به طور رایگان در اینترنت در دسترس قرار می دهند. برای اینکه از این منبع مفید و عالی نرم افزاری به روشی مطمئن بهره مند شویم، فرد میبایست کد کامپیوتری پیشنهاد شده توسط دیگران را بفهمد و احتمالا آن را نیز تغییر دهد.
• در سرتاسر جهان اینطور به نظر می رسد که دانشجویان به سختی با ریاضی و فیزیک دست و پنجه نرم می کنند و افراد زیادی این مباحث را دشوار و طاقت فرسا توصیف می کنند. از طریق برنامه نویسی، ما قادر خواهیم بود تا مباحث خوب قدیمی را به روشی کاملا جدید اجرا کنیم! طبق تجربه ی شخصی خود نویسنده، زمانیکه برنامه نویسی به بخش لاینفکی از دوره های ریاضی و علموم فیزیک تبدیل می شود، مباحث ترغیب کننده و لذت بخش می شوند. به طور خاص، مسئله ای که در حال حل شدن است می تواند به مراتب واقعی تر از زمانی باشد که ریاضی به چیزیکه می توان با قلم و کاغذ انجام داد محدود شده باشد.
• در نهایت، استدلال مهم خود برای یادگیری برنامه نویسی کامپیوتری را ارئه می کنیم: تفکر الگوریتمی که حین فرایند نوشتن برنامه ای برای مسئله ی محاسباتی ایجاد می شود باعث فهم عمیقی از مسئله و روش حل می شود. در اینجا می توانیم به سادگی از دانشمند کامپیوتر نروژی نقل قول کنیم: “برنامه نویسی فهمیدن است”.

زبان کامپیوتر: Matlab

ما به این دلیل از زبان برنامه نویسی Matlab استفاده کردیم که این زبان کدی فشرده و خوانا ارائه می دهد که تا حد زیادی شبیه دستور ریاضی است که با آن مسئله حل می شود. همچنین این زبان منحنی یادگیری دقیقی دارد. در صورتی که آن زبان ترجیح داده شود، همسان Phyton این کتاب نیز موجود است. مقایسه ی ورژن های دوگانه ی این کتاب به خوبی نشان می دهد که چقدر این زبان ها شبیه همدیگر هستند. در این کتاب از واژه ی Matlab برای اشاره به نرم افزار تجاری MATLAB یا جایگزین آن Octave ]4[ استفاده می شود ]12[.  زبان های کامپیوتری دیگر مانند Fortran، C و C++ در علم و مهندسی جایگاهی ویژه دارند. با این حال، طی دو دهه ی اخیر، توجه و تمرکز از این زبان های تالیف یافته به زبان های سطح بالاتر و خواناتر مانند Matlab، Phyton، R، Maple، Mathematica، و IDL تغییر کرده است. این گروه آخر از ربان ها از لحاظ محاسباتی چندان کارآمد نیستند اما با توجه به کارآمدی حل مسئله انسان، این برنامه ها در سطح بالاتری قرار دارند. این کتاب به جای تمرکز بر جزئیات تخصصی زبان، تاکید می کند که چطور مانند یک برنامه نویسی فکر کرد. بنابراین، تصور می شود کتاب خواننده را برای یادگیری دیگر زبان های برنامه نویسی شامل Fortran، C، و C++ در جایگاه بهتری قرار دهد.

لینک دانلود

نوشته برنامه نویسی برای محاسبات با MATLAB/Octave ( مقدمه ای بر شبیه سازی های عددی با MATLAB/Octave ) اولین بار در ايران متلب. پدیدار شد.

سال هاست که علم تشخیص بیماری توسط آنالیز و پردازش عکس بهبود یافته است. امروزه تصور کردن تشخیص های عکسی بدون استفاده از ابزارهای آنالیز و پردازش عکس دشوار است. تمامی انواع وسائل مانند توموگرافی نوری، تجهیزات فراصوتی یا اشعه ی X، غالبا دارای قابلیت های پیشرفته ی پردازش و کارکردن با عکس هستند. این عملیات ها که به طور مستقیم در عکس ها انجام میگیرند فرایند تصمیم گیری را آسان می کنند. در واقع، این ها خود ویژگی های عکس ها (هم دو بعدی و هم سه بعدی) هستند. برای نمونه، تعداد و پارامترهای اشیاء درون عکس و توزیع آن ها نسبت به سیستم اتخاذ شده ی مشابه همگی آنالیز می شوند. این ما را قادر می سازد تا روند درمان جداشدگی شبکیه، میزان خمیدگی ستون فقرات، و  درجه ی عکس العمل رنگی سلول ها در عکسبرداری میکروسکوپی را محاسبه کرده و یا بیماری هاشیموتو (Hashimoto’s) را در عکسبرداری فراصوت تشخیص داد. روش های دنبال کردن حرکات اشیاء یا آنالیزهای بعدی از شیب آنها غالبا یافت می شود. به طور نمونه، برای بررسی میزان تحرک اسپرم ها از فرایند دنبال کردن شیب اسپرم و برای ارزیابی رفتار حشرات از دنبال کردن مسیر حرکت آن ها استفاده می شود. همچنین، افزایش سلول در عکسبرداری میکروسکوپی نیز نمونه ی دیگری از این موارد است. در تمامی این موارد، پایه و اساس روش های پردازش و آنالیز عکس می باشد که برای کاربردی خاص درنظر گرفته شده اند. نیاز به توصیف کردن و گنجاندن این موارد در واقع در نتیجه ی طبیعت عکس های بیلوژیکی و پزشکی و از همه مهمتر تفاوت های فردی بیماران ایجاد شده است. از سوی دیگر، روش های پیشنهادی باید به اندازه ای انعطاف پذیر باشند تا به خوبی در مراکز مختلف درمانی برای انواع مختلفی از جمعیت بیماران بکار گرفته شوند. حفظ تعادل مناسب میان این دو عنصر به طور کلی از طریق یک ساختار الگوریتمی مناسب انجام می گیرد. حساسیت الگوریتم به تغییرات در پارامترها (مانند نحوه ی قرارگیری بیمار به نسبت دستگاه عکسبرداری) و ویژگی های الگوریتم مانند سنجش کاملا اتوماتیک و تکرارپذیری نتایج، همگی در اینجا حائز اهمیت هستند. یک نوع از چنین دستگاهی که برای پردازش و آنالیز عکس ها به یک الگوریتم نیازمند است، دستگاه Corvis® ST, OCULUS Optikgeräte GmbH, Germany است که از آن در اینجا با عنوان Corvis استفاده می کنیم. در این دستگاه اندازه گیری فشار و کشش، با استفاده از الگوریتم پیشنهاد شده امکان اندازه گیری پارامترهای مرتبط با تغییر شکل قرنیه یا واکنش تخم چشم در طول زمان فراهم می شود.

بنابراین، این کتاب نه تنها برای مححققانی مناسب است که می خواهند دانش خود درباره ی استفاده از روش های پردازش و آنالیز عکس در دستگاه اندازه گیری Corvis را افزایش دهند بلکه برای دانشجویان علوم کامپیوتر و مهندسی زیستی نیز مفید واقع می شود. الگوریتم های ارائه شده در MATLAB (در این کتاب به صورت Matlab) اجرا و به طور عملی آزموده شدند. بر همین اساس، این کتاب پزشکان را نیز مخاطب قرار می دهد به خصوص چشم پزشکانی که با بکارگیری روش های ذکر شده می توانند به ویژگی های جدید و مهم قرنیه و کره چشم را دست یابند. با این حال، با توجه به پیچیدگی الگوریتم ها، خواننده ی کتاب میبایست تا حدی با Matlab آشنایی داشته باشد.

الگوریتم های توصیف شده در شکل کدهای منبعی Matlab در این رساله ارائه شده اند. دلیل انتخاب برنامه ی Matlab انعطاف پذیری و کاربرد آن در حوزه های مختلف دانش و علوم می باشد. به سبب دارا بودن جعبه ابزار فراوان، این نرم افزار می تواند نه تنها در پردازش و آنالیز عکس بلکه در علم اقتصاد، الکترونیک و آمار مورد استفاده قرار گیرد. شکل توسعه یافته ی این جعبه ابزارها گروهی از الگوریتم ها هستند که در اینجا ارائه شده اند.

همچنین الگوریتم ها در شکل فایل های-ام که در این کتاب پیوست گردیده اند در دسترس هستند.  باید تاکید کرد که الگوریتم ها در واقع یک راه حل احتمالی برای مسئله ی مورد نظر می باشد و در حوصله ی این مبحث جالب نمی گنجد.

همچنین، از الگوریتم های پیشنهادی می توان برای حل کردن مسئله های دیگر که در آنالیز اتوماتیک عکس زیست پزشکی بوجود می آیند استفاده کرد. بخشی یا تمامی الگوریتم های ارائه شده را می توان به طور نمونه در آنالیز اشعه ی ایکس و عکس های گرمایشی و همچنین عکس های CT که اتوماتیک بودن کامل و نتایج تکراری مهم اند بکار برد.

لینک دانلود

نوشته کتاب آنالیز عکس برای تشخیص بیماری های چشمی و پردازش عکس Corvis ST با استفاده از MATLAB اولین بار در ايران متلب. پدیدار شد.