<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>بایگانی‌های شبکه های عصبی - ايران متلب</title>
	<atom:link href="https://matlab1.ir/category/%d8%b4%d8%a8%da%a9%d9%87-%d9%87%d8%a7%db%8c-%d8%b9%d8%b5%d8%a8%db%8c/feed/" rel="self" type="application/rss+xml" />
	<link>https://matlab1.ir/category/شبکه-های-عصبی/</link>
	<description>مرجع فیلم های آموزشی فارسی دانشگاهی و مهندسی</description>
	<lastBuildDate>Mon, 14 Sep 2020 14:34:58 +0000</lastBuildDate>
	<language>fa-IR</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	

<image>
	<url>https://matlab1.ir/wp-content/uploads/2017/08/ref_a2-150x150.png</url>
	<title>بایگانی‌های شبکه های عصبی - ايران متلب</title>
	<link>https://matlab1.ir/category/شبکه-های-عصبی/</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>آموزش ابزار یادگیری دسته بندی کننده در متلب</title>
		<link>https://matlab1.ir/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%a7%d8%a8%d8%b2%d8%a7%d8%b1-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%af%d8%b3%d8%aa%d9%87-%d8%a8%d9%86%d8%af%db%8c-%da%a9%d9%86%d9%86%d8%af%d9%87-%d8%af%d8%b1/</link>
					<comments>https://matlab1.ir/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%a7%d8%a8%d8%b2%d8%a7%d8%b1-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%af%d8%b3%d8%aa%d9%87-%d8%a8%d9%86%d8%af%db%8c-%da%a9%d9%86%d9%86%d8%af%d9%87-%d8%af%d8%b1/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Mon, 29 Jun 2020 18:10:41 +0000</pubDate>
				<category><![CDATA[دسته بندی کننده درختی]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<category><![CDATA[ماشین بردار پشتیبان]]></category>
		<category><![CDATA[یادگیری ماشین در پایتون]]></category>
		<guid isPermaLink="false">https://matlab1.ir/?p=14385</guid>

					<description><![CDATA[<p>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 [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%a7%d8%a8%d8%b2%d8%a7%d8%b1-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%af%d8%b3%d8%aa%d9%87-%d8%a8%d9%86%d8%af%db%8c-%da%a9%d9%86%d9%86%d8%af%d9%87-%d8%af%d8%b1/">آموزش ابزار یادگیری دسته بندی کننده در متلب</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: justify;"><span style="font-size: 14pt;">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 سادگی داده های خود را وارد متلب کنید و هر مدل یادگیری ماشینی که تمایل داشتید را بر روی آن اعمال کنید و معیارهای ارزیابی را با یک کلیک محاسبه کنید.</span></p>
<p style="text-align: center;"><img fetchpriority="high" decoding="async" class="aligncenter size-full wp-image-15322" src="https://iran-matlab.ir/wp-content/uploads/2020/05/Classification-Learner-App-MATLAB-fig-tutorial-training.jpg" alt="" width="850" height="488" /></p>
<p>&nbsp;</p>
<p style="text-align: justify;"><span style="color: #ff6600;"><strong><span style="font-size: 14pt;">ویژگیهای ابزار دسته بندی کننده متلب :</span></strong></span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">نیازی به هیچ کدنویسی نیست</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">امکان مقایسه چندین مدل تنها با یک کلیک</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">استفاده از پردازش موازی</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">محاسبه معیارهای خروجی تنها با یک کلیک</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">این آموزش اختصاص به ابزار دسته بندی کننده متلب (<a href="https://www.mathworks.com/help/stats/classificationlearner-app.html" target="_blank" rel="noopener noreferrer">Classification Learner app</a>) دارد و قسمت هفتم <a href="https://iran-matlab.ir/?product=%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-machine-learning" target="_blank" rel="noopener noreferrer">بسته جامع آموزش یادگیری ماشین</a> می باشد. فلوچارت یک کار در این ابزار را می توانید در شکل زیر مشاهده کنید:</span></p>
<p style="text-align: center;"><img decoding="async" class="aligncenter size-full wp-image-15318" src="https://iran-matlab.ir/wp-content/uploads/2020/05/flowchart-machine-learning-app-MATLAB.png" alt="" width="702" height="75" /></p>
<p>&nbsp;</p>
<p style="text-align: justify;"><span style="font-size: 14pt;">شما می توانید از این ابزار برای آموزش مدلهای : <a href="https://iran-matlab.ir/?product=%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%af%d8%b1%d8%ae%d8%aa-%d8%aa%d8%b5%d9%85%db%8c%d9%85" target="_blank" rel="noopener noreferrer">درخت تصمیم</a>، <a href="https://iran-matlab.ir/?product=%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1-%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86" target="_blank" rel="noopener noreferrer">ماشین بردار پشتیبان</a> ، <a href="https://iran-matlab.ir/?product=%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d9%86%d8%b2%d8%af%db%8c%da%a9%d8%aa%d8%b1%db%8c%d9%86-%d9%87%d9%85%d8%b3%d8%a7%db%8c%d9%87" target="_blank" rel="noopener noreferrer">نزدیکترین همسایه</a>، <a href="https://iran-matlab.ir/?product=%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%af%d8%b3%d8%aa%d9%87-%d8%a8%d9%86%d8%af%db%8c-%d8%a8%db%8c%d8%b2-%d8%b3%d8%a7%d8%af%d9%87" target="_blank" rel="noopener noreferrer">بیز ساده</a> ، 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.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">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.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">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 :</span></p>
<p>&nbsp;</p>
<table style="height: 194px;" width="728">
<tbody>
<tr>
<td><strong style="color: #ff6600; font-size: 18.6667px;">مدل</strong></td>
<td><strong style="color: #ff6600; font-size: 18.6667px; text-align: justify;">پارمترهای قابل بهینه سازی</strong></td>
</tr>
<tr>
<td><strong style="color: #800080; font-size: 18.6667px;">درخت تصمیم</strong></td>
<td><strong style="color: #800080; font-size: 18.6667px;">Maximum number of splits</strong><span style="color: #800080; font-size: 18.6667px;"> , </span><strong style="color: #800080; font-size: 18.6667px;">Split criterion</strong></td>
</tr>
<tr>
<td><strong style="color: #008000; font-size: 18.6667px;">تجزیه و تحلیل تمایز</strong></td>
<td><strong style="color: #008000; font-size: 18.6667px;">Discriminant type</strong></td>
</tr>
<tr>
<td><strong style="color: #800080; font-size: 18.6667px;">بیز ساده</strong></td>
<td><strong style="color: #800080; font-size: 18.6667px;">Distribution names</strong><span style="color: #800080; font-size: 18.6667px;">  , </span><strong style="color: #800080; font-size: 18.6667px;">Kernel type</strong></td>
</tr>
<tr>
<td><strong style="color: #008000; font-size: 18.6667px;">ماشین بردار پشتیبان</strong></td>
<td><strong style="color: #008000; font-size: 18.6667px;">Kernel function</strong><span style="color: #008000; font-size: 18.6667px;"> , </span><strong style="color: #008000; font-size: 18.6667px;">Box constraint level</strong><span style="color: #008000; font-size: 18.6667px;"> , </span><strong style="color: #008000; font-size: 18.6667px;">Kernel scale</strong><span style="color: #008000; font-size: 18.6667px;"> , </span><strong style="color: #008000; font-size: 18.6667px;">Multiclass method</strong><span style="color: #008000; font-size: 18.6667px;"> , </span><strong style="color: #008000; font-size: 18.6667px;">Standardize data</strong></td>
</tr>
<tr>
<td><strong style="color: #800080; font-size: 18.6667px;">نزدیکترین همسایه</strong></td>
<td><strong style="color: #800080; font-size: 18.6667px;">Number of neighbors</strong><span style="color: #800080; font-size: 18.6667px;"> , </span><strong style="color: #800080; font-size: 18.6667px;">Distance metric</strong><span style="color: #800080; font-size: 18.6667px;">, </span><strong style="color: #800080; font-size: 18.6667px;">Distance weight</strong><span style="color: #800080; font-size: 18.6667px;"> , </span><strong style="color: #800080; font-size: 18.6667px;">Standardize</strong></td>
</tr>
<tr>
<td><strong style="color: #008000; font-size: 18.6667px;">تجمعی</strong></td>
<td><span style="color: #008000; font-size: 18.6667px;">·         </span><strong style="color: #008000; font-size: 18.6667px;">Ensemble method</strong><span style="color: #008000; font-size: 18.6667px;"> , </span><strong style="color: #008000; font-size: 18.6667px;">Maximum number of splits</strong><span style="color: #008000; font-size: 18.6667px;"> , </span><strong style="color: #008000; font-size: 18.6667px;">Number of learners</strong><span style="color: #008000; font-size: 18.6667px;"> , </span><strong style="color: #008000; font-size: 18.6667px;">Learning rate</strong><span style="color: #008000; font-size: 18.6667px;"> , </span><strong style="color: #008000; font-size: 18.6667px;">Number of predictors to sample</strong></td>
</tr>
</tbody>
</table>
<p>&nbsp;</p>
<p style="text-align: center;">مدت زمان : 2 ساعت و 6 دقیقه</p>
<p>&nbsp;</p>
<p style="text-align: center;"><a href="https://iran-matlab.ir/product/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%a7%d8%a8%d8%b2%d8%a7%d8%b1-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%af%d8%b3%d8%aa%d9%87-%d8%a8%d9%86%d8%af%db%8c-%da%a9%d9%86%d9%86%d8%af%d9%87-%d8%af%d8%b1/" target="_blank" rel="noopener noreferrer"><span style="font-size: 48pt;">لینک دانلود</span></a></p>
<hr />
<p style="text-align: center;"><span style="color: #ff6600;"><strong><span style="font-size: 16pt;">پیش نمایش </span></strong></span></p>
<p><iframe src="https://takhtesefid.org/embed?v=969880532033" width="806" height="392" frameborder="0" scrolling="no" allowfullscreen="allowfullscreen"><span data-mce-type="bookmark" style="display: inline-block; width: 0px; overflow: hidden; line-height: 0;" class="mce_SELRES_start">﻿</span></iframe></p>
<p style="text-align: center;"><span style="font-size: 18pt;"><a href="http://www.mediafire.com/file/bblasfqhp23qgv1/ClassApp_demo.rar/file" target="_blank" rel="noopener noreferrer">دانلود پیش نمایش (کیفیت بالا)</a></span></p>
<p>&nbsp;</p>
<p>نوشته <a href="https://matlab1.ir/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%a7%d8%a8%d8%b2%d8%a7%d8%b1-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%af%d8%b3%d8%aa%d9%87-%d8%a8%d9%86%d8%af%db%8c-%da%a9%d9%86%d9%86%d8%af%d9%87-%d8%af%d8%b1/">آموزش ابزار یادگیری دسته بندی کننده در متلب</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%a7%d8%a8%d8%b2%d8%a7%d8%b1-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%af%d8%b3%d8%aa%d9%87-%d8%a8%d9%86%d8%af%db%8c-%da%a9%d9%86%d9%86%d8%af%d9%87-%d8%af%d8%b1/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>برنامه نویسی متلب ماشین بردار پشتیبان</title>
		<link>https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1-%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86/</link>
					<comments>https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1-%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Fri, 01 May 2020 08:13:47 +0000</pubDate>
				<category><![CDATA[شبکه های عصبی]]></category>
		<category><![CDATA[ماشین بردار پشتیبان]]></category>
		<category><![CDATA[هوش مصنوعی]]></category>
		<category><![CDATA[یادگیری عمیق]]></category>
		<category><![CDATA[یادگیری ماشین در پایتون]]></category>
		<guid isPermaLink="false">https://matlab1.ir/?p=14143</guid>

					<description><![CDATA[<p>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 [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1-%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86/">برنامه نویسی متلب ماشین بردار پشتیبان</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: justify;"><span style="font-size: 14pt;">این آموزش قسمت سوم <a href="https://iran-matlab.ir/?product=%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-machine-learning" target="_blank" rel="noopener noreferrer">بسته آموزش جامع یادگیری ماشین</a> می باشد. در این آموزش شما با نحوه برنامه نویسی ماشین بردار پشتیبان در متلب آشنا خواهید شد. این آموزش بر مبنای آخرین نسخه متلب می باشد و به جرات می توان گفت یکی از بهترین آموزش های برنامه نویسی ماشین برار پشتیان در متلب می باشد.</span></p>
<p style="text-align: center;"><img loading="lazy" decoding="async" class="aligncenter size-full wp-image-15198" src="https://iran-matlab.ir/wp-content/uploads/2020/04/SVM_margin.jpg" alt="" width="310" height="300" /></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">ما در این آموزش از تجربه 15 ساله خود در برنامه نویسی متلب در پروژه های مختلف استفاده کردیم و سعی کردیم تمامی مباحث مهم که یک برنامه نویس لازم دارد تا ماشین بردار پشتیان را استفاده کند را پوشش بدهیم.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">اگر شما برنامه نویسی متلب ضعیفی هم دارید می توانید از کدهای آماده ای که در کنار این آموزش قرار دارد استفاده کنید و تنها دیتاست ورودی برنامه را تغییر دهید و برای دیتاست پروژه خود استفاده کنید.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">نرم افزار متلب در سالهای خیلی قبل تابع <a href="http://svm.sourceforge.net/docs/3.00/api/SVMTrain.html" target="_blank" rel="noopener noreferrer">svmtrain</a> را معرفی کرد ولی این تابع مشکلات زیادی داشت و خیلی از کاربران مجبور بودند از کتابخانه های دیگر مثل libsvm استفاده کنند. اما متلب در سالهای اخیر یک تابع جدید معرفی کرد (<a href="https://www.mathworks.com/help/stats/fitcsvm.html" target="_blank" rel="noopener noreferrer">fitcsvm</a>) که مشکل تابع قبلی را نداشت و دارای قابلیت های بسیار زیادی است که کار برنامه نویسی متلب ماشین بردار پشتیبان SVM را ساده می کند. ما در این آموزش قصد داریم شما را با این ابزار آشنا کنیم. مثالهای بسیار زیادی در کنار این آموزش گنجانده شده است که به شما در درک نحوه کار با SVM بسیار کمک می کند. همه مثالها در این فیلم آموزشی خط به خط توضیح داده شده است.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">هزینه ای که شما برای این آموزش پرداخت می کنید، در کنار ساعات بسیار زیادی که صرف خواندن مراجع مختلف و تست کدهای مختلف متلب شده ، بسیار ناچیز است. امیدواریم این آموزش هم بتواند مانند آموزش های قبلی راهگشای شما دوستان گرامی باشد.</span></p>
<p>&nbsp;</p>
<h3><span style="color: #ff6600;">تعداد مثال بالا و نمونه کد:</span></h3>
<p style="text-align: justify;"><span style="font-size: 14pt;">تعداد بیست و یک نمونه کد متلب در کنار این فیلم آموزشی قرار دارد که در هیچ جایی در اینترنت و کتاب قابل دسترسی نیست.</span></p>
<p>&nbsp;</p>
<h2><span style="color: #ff6600;">سرفصل :</span></h2>
<p><span style="font-size: 14pt;">خلاصه ای از تاریخچه ماشین بردار پشتیبان</span></p>
<p><span style="font-size: 14pt;">برخی از کاربردهای SVM</span></p>
<p><span style="font-size: 14pt;">مفهوم های کلیدی در ماشین بردار پشتیبان</span></p>
<p><span style="font-size: 14pt;">مفهوم margin</span></p>
<p><span style="font-size: 14pt;">ماشین بردار چیست؟</span></p>
<p><span style="font-size: 14pt;">مفهوم کرنل مفهوم کرنل kernel</span></p>
<p><span style="font-size: 14pt;">بهترین hyperplane</span></p>
<p><span style="font-size: 14pt;">Binary classification</span></p>
<p><span style="font-size: 14pt;">خصوصیات مهم SVM</span></p>
<p><span style="font-size: 14pt;">سرعت SVM</span></p>
<p><span style="font-size: 14pt;">مقدار فضای اشغال شده از حافظه</span></p>
<p><span style="font-size: 14pt;">دیتاست های بعد کم و بعد متوسط</span></p>
<p><span style="font-size: 14pt;">معرفی fitcsvm</span></p>
<p><span style="font-size: 14pt;">معرفی نوع solver</span></p>
<p><span style="font-size: 14pt;">کرنل های مورد استفاده در متلب</span></p>
<p><span style="font-size: 14pt;">فرمول هر کرنل</span></p>
<p><span style="font-size: 14pt;">فرایند بهینه سازی</span></p>
<p><span style="font-size: 14pt;">الگوریتم ISDA و L1QP  و SMO</span></p>
<p><span style="font-size: 14pt;">داده های ورودی آموزش</span></p>
<p><span style="font-size: 14pt;">سطر و ستون در داده ها</span></p>
<p><span style="font-size: 14pt;">مثال یک فایل excel</span></p>
<p><span style="font-size: 14pt;">گرفتن خروجی در مدل SVM</span></p>
<p><span style="font-size: 14pt;">خروجی score</span></p>
<p><span style="font-size: 14pt;">مثال تشخیص سرطان سینه با ماشین بردار پشتیبان</span></p>
<p><span style="font-size: 14pt;">تحلیل <a href="https://www.mathworks.com/help/stats/classificationsvm.html" target="_blank" rel="noopener noreferrer">classificationSVM</a></span></p>
<p><span style="font-size: 14pt;">مشخص کردن داده های پشتیبان</span></p>
<p><span style="font-size: 14pt;">توضیح فیلدهای خروجی SVM object</span></p>
<p><span style="font-size: 14pt;">گزینه <a href="https://stackoverflow.com/questions/39636898/box-constraint-in-libsvm-package-compare-matlab-fitcsvm-and-libsvm-options" target="_blank" rel="noopener noreferrer">BoxConstraint</a></span></p>
<p><span style="font-size: 14pt;">تاثیر BoxConstraint بر راندمان مدل</span></p>
<p><span style="font-size: 14pt;">گزینه KernelScale</span></p>
<p><span style="font-size: 14pt;">افزایش سرعت آموزش</span></p>
<p><span style="font-size: 14pt;">گزینه PolynomialOrder</span></p>
<p><span style="font-size: 14pt;">گزینه KernelOffset</span></p>
<p><span style="font-size: 14pt;">گزینه Alpha</span></p>
<p><span style="font-size: 14pt;">گزینه CacheSize</span></p>
<p><span style="font-size: 14pt;">Nu</span></p>
<p><span style="font-size: 14pt;">کنترل تعداد تکرارها در آموزش</span></p>
<p><span style="font-size: 14pt;">دستور resume</span></p>
<p><span style="font-size: 14pt;">گزینه verbose</span></p>
<p><span style="font-size: 14pt;">ClassNames</span></p>
<p><span style="font-size: 14pt;">استفاده از cross validation</span></p>
<p><span style="font-size: 14pt;">Holdout</span></p>
<p><span style="font-size: 14pt;">محاسبه ماتریس confusion</span></p>
<p><span style="font-size: 14pt;">رسم performance curve</span></p>
<p><span style="font-size: 14pt;">ResponseName</span></p>
<p><span style="font-size: 14pt;">ScoreTransform</span></p>
<p><span style="font-size: 14pt;">CrossVal</span></p>
<p><span style="font-size: 14pt;">kFoldPredict</span></p>
<p><span style="font-size: 14pt;">تفاوت ماشین بردار پشتیبان خروجی cross validation و fitcsvm</span></p>
<p><span style="font-size: 14pt;">Kfold</span></p>
<p><span style="font-size: 14pt;">گزینه Holdout</span></p>
<p><span style="font-size: 14pt;">کنترل همگرامی</span></p>
<p><span style="font-size: 14pt;">DeltaGradientTolerance</span></p>
<p><span style="font-size: 14pt;">GapTolerance</span></p>
<p><span style="font-size: 14pt;">IterationLimit</span></p>
<p><span style="font-size: 14pt;">حداکثر تعداد تکرار بهینه سازی عددی</span></p>
<p><span style="font-size: 14pt;">KKTTolerance</span></p>
<p><span style="font-size: 14pt;">ShrinkagePeriod</span></p>
<p><span style="font-size: 14pt;">گزینه های بهینه سازی Hyperparameter</span></p>
<p><span style="font-size: 14pt;">&#8216;none&#8217; و &#8216;auto&#8217; و &#8216;all&#8217;</span></p>
<p><span style="font-size: 14pt;">بهینه سازی پارامترهای ماشین بردار پشتیبان</span></p>
<p><span style="font-size: 14pt;">چه پارامترهایی را در SVM میتوان بهینه کرد؟</span></p>
<p><span style="font-size: 14pt;">مدل فشرده</span></p>
<p><span style="font-size: 14pt;">تفاوت مدل compact و معمولی</span></p>
<p><span style="font-size: 14pt;">محدودیت های ماشین بردار پشتیبان</span></p>
<p><span style="font-size: 14pt;">برای داده های با ویژگی زیاد از کدام تابع برای ماشین بردار پشتیبان استفاده کنیم؟</span></p>
<p><span style="font-size: 14pt;">کاهش وابستگی داده ها به بازه تغییرات داده ها</span></p>
<p><span style="font-size: 14pt;">بهترین روش محاسبه راندمان SVM چیست؟</span></p>
<p><span style="font-size: 14pt;">کاهش زمان یادگیری با چه پارامتری متناسب است؟</span></p>
<p><span style="font-size: 14pt;">افزایش سرعت همگرایی با چه پارامتری متناسب است؟</span></p>
<p><span style="font-size: 14pt;">داده های تکراری</span></p>
<p><span style="font-size: 14pt;">مثال برنامه نویسی ماشین بردار پشتیان چند کلاسه</span></p>
<p><span style="font-size: 14pt;">تابع <a href="https://www.mathworks.com/help/stats/fitcecoc.html" target="_blank" rel="noopener noreferrer">fitcecoc</a></span></p>
<p><span style="font-size: 14pt;">ساخت قالب <a href="https://www.mathworks.com/help/stats/templatesvm.html" target="_blank" rel="noopener noreferrer">Template SVM</a></span></p>
<p><span style="font-size: 14pt;">مثال برنامه نویسی برای نشان دادن تاثیر استاندارد کردن داده ها</span></p>
<p><span style="font-size: 14pt;">مثال برنامه نویسی k-fold</span></p>
<p><span style="font-size: 14pt;">مثال برنامه نویسی کرنل سفارشی برای ماشین بردار پشتیبان</span></p>
<p><span style="font-size: 14pt;">misclassification</span></p>
<p><span style="font-size: 14pt;">مثال برنامه نویسی بهینه سازی پارامترهای ماشین بردار پشتیبان</span></p>
<p><span style="font-size: 14pt;">گزینه optimizer</span></p>
<p><span style="font-size: 14pt;">نقاط best observed</span></p>
<p><span style="font-size: 14pt;">نقاط best estimated</span></p>
<p>&nbsp;</p>
<hr />
<p style="text-align: center;">پیش نمایش اول</p>
<p><iframe loading="lazy" src="https://takhtesefid.org/embed?v=9310499602" width="806" height="392" frameborder="0" scrolling="no" allowfullscreen="allowfullscreen"></iframe></p>
<p style="text-align: center;"><a href="http://www.mediafire.com/file/znxkn3g3oyirc50/demo1_MATLAB_SVM.rar/file" target="_blank" rel="noopener noreferrer">لینک دانلود پیش نمایش اول</a></p>
<p>&nbsp;</p>
<hr />
<p style="text-align: center;">پیش نمایش دوم</p>
<p><iframe loading="lazy" src="https://takhtesefid.org/embed?v=455661760237" width="806" height="392" frameborder="0" scrolling="no" allowfullscreen="allowfullscreen"></iframe></p>
<p style="text-align: center;"><a href="http://www.mediafire.com/file/964vb223g922ms5/demo2_MATLAB_SVM.rar/file" target="_blank" rel="noopener noreferrer">لینک دانلود پیش نمایش دوم</a></p>
<p>&nbsp;</p>
<hr />
<p style="text-align: center;">پیش نمایش سوم</p>
<p><iframe loading="lazy" src="https://takhtesefid.org/embed?v=656954662033" width="806" height="392" frameborder="0" scrolling="no" allowfullscreen="allowfullscreen"></iframe></p>
<p style="text-align: center;"><a href="http://www.mediafire.com/file/hcvk8oycsg0yy2j/demo3_MATLAB_SVM.rar/file" target="_blank" rel="noopener noreferrer">لینک دانلود پیش نمایش سوم</a></p>
<hr />
<p>&nbsp;</p>
<p style="text-align: center;"><span style="font-size: 16pt;"><span style="color: #800080;"><strong>مدت زمان</strong></span> : <strong><span style="color: #008000;">172 دقیقه</span></strong></span></p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<p style="text-align: center;"><span style="font-size: 72pt;"><a href="https://iran-matlab.ir/?product=%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1-%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86" target="_blank" rel="noopener noreferrer">لینک سفارش</a></span></p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<h4><span style="color: #ff6600;">توصیه :</span></h4>
<p style="text-align: justify;"><span style="font-size: 14pt;">جهت درک بهتر ماشین بردار پشتیان به علاقه مندان توصیه می شود <a href="https://iran-matlab.ir/?product=%D9%81%DB%8C%D9%84%D9%85-%D8%A2%D9%85%D9%88%D8%B2%D8%B4-%D9%81%D8%A7%D8%B1%D8%B3%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D8%A8%D8%B1%D8%AF%D8%A7%D8%B1-%D9%BE%D8%B4%D8%AA%DB%8C%D8%A8%D8%A7%D9%86" target="_blank" rel="noopener noreferrer">فیلم آموزشی تئوری ماشین بردار پشتیبان</a> را ابتدا تهیه کنند تا با مفاهیم آن به طور کامل آشنا شوند. این فیلم آموزشی توسط سه نفر از دانشجویان <a href="https://www.iut.ac.ir/fa/isfahan-university-of-technology" target="_blank" rel="noopener noreferrer">دانشگاه صنعتی اصفهان</a> تهیه شده است. جهت مشاهده این فیلم آموزشی بر روی تصویر زیر کلیک کنید:</span></p>
<p style="text-align: center;"><a href="https://iran-matlab.ir/?product=%D9%81%DB%8C%D9%84%D9%85-%D8%A2%D9%85%D9%88%D8%B2%D8%B4-%D9%81%D8%A7%D8%B1%D8%B3%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D8%A8%D8%B1%D8%AF%D8%A7%D8%B1-%D9%BE%D8%B4%D8%AA%DB%8C%D8%A8%D8%A7%D9%86" target="_blank" rel="noopener noreferrer"><img loading="lazy" decoding="async" class="aligncenter" src="https://iran-matlab.ir/wp-content/uploads/2015/10/Support-Vector-Machines-training-video-class-slide.png" alt="" width="182" height="182" /></a></p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<p>نوشته <a href="https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1-%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86/">برنامه نویسی متلب ماشین بردار پشتیبان</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1-%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>پیش پردازش داده و معیارهای ارزیابی در MATLAB</title>
		<link>https://matlab1.ir/%d9%be%db%8c%d8%b4-%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%af%d8%a7%d8%af%d9%87-%d9%88-%d9%85%d8%b9%db%8c%d8%a7%d8%b1%d9%87%d8%a7%db%8c-%d8%a7%d8%b1%d8%b2%db%8c%d8%a7%d8%a8%db%8c-%d8%af%d8%b1-matlab/</link>
					<comments>https://matlab1.ir/%d9%be%db%8c%d8%b4-%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%af%d8%a7%d8%af%d9%87-%d9%88-%d9%85%d8%b9%db%8c%d8%a7%d8%b1%d9%87%d8%a7%db%8c-%d8%a7%d8%b1%d8%b2%db%8c%d8%a7%d8%a8%db%8c-%d8%af%d8%b1-matlab/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Fri, 01 May 2020 08:08:32 +0000</pubDate>
				<category><![CDATA[داده كاوي]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<category><![CDATA[هوش مصنوعی]]></category>
		<category><![CDATA[یادگیری ماشین در پایتون]]></category>
		<guid isPermaLink="false">https://matlab1.ir/?p=14137</guid>

					<description><![CDATA[<p>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 [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d9%be%db%8c%d8%b4-%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%af%d8%a7%d8%af%d9%87-%d9%88-%d9%85%d8%b9%db%8c%d8%a7%d8%b1%d9%87%d8%a7%db%8c-%d8%a7%d8%b1%d8%b2%db%8c%d8%a7%d8%a8%db%8c-%d8%af%d8%b1-matlab/">پیش پردازش داده و معیارهای ارزیابی در MATLAB</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: justify;"><span style="font-size: 14pt;">این آموزش قسمت دوم <a href="https://iran-matlab.ir/?product=%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-machine-learning" target="_blank" rel="noopener noreferrer">بسته آموزش جامع یادگیری ماشین</a> می باشد. ما در این آموزش شما با ابزارهای و تابع های متلب در پیش پردازش داده و معیارهای ارزیابی مدل های یادگیری ماشین آشنا می کنیم.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">در هر کار یادگیری ماشین ما با داده (data) در ارتباط هستیم. این داده ها می توانند از منابع مختلفی گردآوری شده باشند. اکثر متخصصان یادگیری ماشین داده های ورودی به مدل یادگیری ماشین را ابتدا مورد پردازش قرار می دهند تا بتوانند هر گونه اشکال یا ایراد در داده ها را پیدا و رفع کنند.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">هنگامی که حجم داده های ورودی به سیستم کم می باشد، می توان از روشهای دستی برای پیش پردازش داده استفاده کرد اما هنگامی که تعداد داده ها بیش از چند میلیون می باشد، روش دستی دیگر جوابگو نیست و لازم است ، ابزارهای اتوماتیکی برای پیش پردازش داده بکار گرفته شود. متلب ابزارهای بسیار حرفه ای و خوبی برای این کار دارد و از آنجایی که متلب خودش ماتریس مبنا می باشد یعنی تمامی متغییرها به صورت ماتریس در نظر گرفته می شوند و یک جعبه ابزار حرفه ای آمار دارد، به کاربران یادگیری ماشین می تواند در پیش پردازش داده بسیار کمک کند. بخش اول این آموزش به تابع و نمودارهای پیش پردازش داده در متلب اختصاص دارد.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">بخش دوم این آموزش مخنص معیارهای ارزیابی در یادگیری ماشین می باشد. منظور از معیارهای ارزیابی ، همان معیارهای است که در بیشتر مواقع بعد از یک کار یادگیری ماشین مورد استفاده قرار می گیرد تا مدل نهایی مورد ارزیابی قرار گیرد. در یک کار یادگیری ماشین، ما مدل خود را با داده های آموزش ، آموزش می دهیم و با داده های تست ، تست می کنیم تا بفهمیم مدل آموزش یافته ما چقدر خوب آموزش یافته است و خاصیت عمومیت پذیری آن چقدر است؟ راندمان آن چقدر است؟ در هر کلاس، یک مدل دسته بندی چقدر درست عمل کرده است؟ دو مدل رگرسیون را چطور باید مقایسه کنیم؟ معیار چیست؟ و خیلی سوالات دیگر مربوط به همین مبحث معیارهای ارزیابی می شود.</span></p>
<p>&nbsp;</p>
<h3><span style="color: #ff6600;">سرفصل :</span></h3>
<p><span style="font-size: 14pt;">متغییرهای گروهی</span></p>
<p><span style="font-size: 14pt;">تقسیم داده ها بر اساس گروه</span></p>
<p><span style="font-size: 14pt;">یافتن تعداد کلاس ها</span></p>
<p><span style="font-size: 14pt;">تابع <a href="https://mathworks.com/help/matlab/ref/splitapply.html">splitapply</a></span></p>
<p><span style="font-size: 14pt;">رسم گروه بندی شده داده ها</span></p>
<p><span style="font-size: 14pt;">حذف یک کلاس از داده ها</span></p>
<p><span style="font-size: 14pt;">محاسبه درصد و تعداد هر گروه در داده</span></p>
<p><span style="font-size: 14pt;">رسم نمودار پراکندگی بر اساس گروه</span></p>
<p><span style="font-size: 14pt;">مزیت droplevels</span></p>
<p><span style="font-size: 14pt;">رسم نمودار ماتریس گروه</span></p>
<p><span style="font-size: 14pt;">محاسبه معیارهای آماری هر گروه</span></p>
<p><span style="font-size: 14pt;">چه داده هایی در متلب به عنوان missing در نظر گرفته می شوند؟</span></p>
<p><span style="font-size: 14pt;">عملیات یا داده های شامل NaN</span></p>
<p><span style="font-size: 14pt;">چطور داده های ما شامل NaN می شوند؟</span></p>
<p><span style="font-size: 14pt;">محاسبات آماری با داده هایی که شامل مقادیر missing هستند</span></p>
<p><span style="font-size: 14pt;">آشنایی با دیتاست های آماده متلب</span></p>
<p><span style="font-size: 14pt;">خواندن داده از فایل اکسل <a href="https://en.wikipedia.org/wiki/Microsoft_Excel" target="_blank" rel="noopener noreferrer">excel</a></span></p>
<p><span style="font-size: 14pt;">خواندن داده های یک sheet</span></p>
<p><span style="font-size: 14pt;">خواندن داده های یک range</span></p>
<p><span style="font-size: 14pt;">یافتن اتوماتیک داده های missing</span></p>
<p><span style="font-size: 14pt;">حذف داده های missing از داده های ورودی</span></p>
<p><span style="font-size: 14pt;">جایگزینی داده های missing</span></p>
<p><span style="font-size: 14pt;">ایجاد داده های missing</span></p>
<p><span style="font-size: 14pt;">یافتن outliers در داده ها</span></p>
<p><span style="font-size: 14pt;">شناسایی و جایگزینی outliers</span></p>
<p><span style="font-size: 14pt;">حذف outliers از داده ها</span></p>
<p><span style="font-size: 14pt;">انواع روش های جایگزینی داده های missing</span></p>
<p><span style="font-size: 14pt;">تعیین جهت عملگر بر روی داده های 2 بعدی</span></p>
<p><span style="font-size: 14pt;">مفهوم outliers</span></p>
<p><span style="font-size: 14pt;">معیار MAD یا <a href="https://en.wikipedia.org/wiki/Median_absolute_deviation" target="_blank" rel="noopener noreferrer">median absolute deviation</a></span></p>
<p><span style="font-size: 14pt;">یافتن تغییرات شدید در داده ها</span></p>
<p><span style="font-size: 14pt;">یافتن مینیمم های محلی</span></p>
<p><span style="font-size: 14pt;">یافتن ماکزیمم های محلی</span></p>
<p><span style="font-size: 14pt;">هموار کردن داده smoothing</span></p>
<p><span style="font-size: 14pt;">معیار میانگین حرکتی</span></p>
<p><span style="font-size: 14pt;">معیار میانه حرکتی</span></p>
<p><span style="font-size: 14pt;">پنجره در هموار کردن و معیارهای حرکتی</span></p>
<p><span style="font-size: 14pt;">نرمالیزه کردن داده</span></p>
<p><span style="font-size: 14pt;">روش zscore</span></p>
<p><span style="font-size: 14pt;">روش norm</span></p>
<p><span style="font-size: 14pt;">روش scale</span></p>
<p><span style="font-size: 14pt;">روش range</span></p>
<p><span style="font-size: 14pt;">روش center</span></p>
<p><span style="font-size: 14pt;">تابع rescale</span></p>
<p><span style="font-size: 14pt;">معیار cross validation در متلب</span></p>
<p><span style="font-size: 14pt;">مفهوم <a href="http://statweb.stanford.edu/~tibs/sta306bfiles/cvwrong.pdf" target="_blank" rel="noopener noreferrer">k-fold</a></span></p>
<p><span style="font-size: 14pt;">یک مثال برنامه نویسی پیچیده</span></p>
<p><span style="font-size: 14pt;">تابع crossval</span></p>
<p><span style="font-size: 14pt;">ماتریس confusion</span></p>
<p><span style="font-size: 14pt;">چارت ماتریسی confusion</span></p>
<p><span style="font-size: 14pt;">نمودار ROC</span></p>
<p><span style="font-size: 14pt;">هدف از ROC چیست؟</span></p>
<p><span style="font-size: 14pt;">معیار Number of true positive</span></p>
<p><span style="font-size: 14pt;">معیار Number of false negative</span></p>
<p><span style="font-size: 14pt;">معیار Number of false positive</span></p>
<p><span style="font-size: 14pt;">معیار Number of true negative</span></p>
<p><span style="font-size: 14pt;">معیار Rate of positive predictions</span></p>
<p><span style="font-size: 14pt;">معیار Rate of negative predictions</span></p>
<p><span style="font-size: 14pt;">معیار Accuracy</span></p>
<p><span style="font-size: 14pt;">معیار True positive rate یا sensitivity یا recall</span></p>
<p><span style="font-size: 14pt;">معیار False negative rate</span></p>
<p><span style="font-size: 14pt;">معیار False positive rate یا fallout یا 1 – specificity</span></p>
<p><span style="font-size: 14pt;">معیار True negative rate یا specificity</span></p>
<p><span style="font-size: 14pt;">معیار Positive predictive value یا precision</span></p>
<p><span style="font-size: 14pt;">معیار Negative predictive value</span></p>
<p><span style="font-size: 14pt;">مقایسه نمودار های <a href="https://developers.google.com/machine-learning/crash-course/classification/roc-and-auc" target="_blank" rel="noopener noreferrer">ROC</a></span></p>
<p>&nbsp;</p>
<p style="text-align: center;"><a href="https://iran-matlab.ir/?product=%d9%be%db%8c%d8%b4-%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%af%d8%a7%d8%af%d9%87-%d9%88-%d9%85%d8%b9%db%8c%d8%a7%d8%b1%d9%87%d8%a7%db%8c-%d8%a7%d8%b2%d8%b1%db%8c%d8%a7%d8%a8%db%8c-%d8%af%d8%b1-matlab" target="_blank" rel="noopener noreferrer"><span style="font-size: 30pt;">لینک سفارش</span></a></p>
<p>&nbsp;</p>
<hr />
<p style="text-align: center;"><span style="color: #ff6600;"><strong><span style="font-size: 16pt;">پیش نمایش اول </span></strong></span></p>
<p><iframe loading="lazy" src="https://takhtesefid.org/embed?v=957130736725" width="806" height="392" frameborder="0" scrolling="no" allowfullscreen="allowfullscreen"><span data-mce-type="bookmark" style="display: inline-block; width: 0px; overflow: hidden; line-height: 0;" class="mce_SELRES_start">﻿</span></iframe></p>
<p style="text-align: center;"><span style="font-size: 18pt;"><a href="http://www.mediafire.com/file/i4ybyhsyks3o0lh/demo1_prerocess.rar/file" target="_blank" rel="noopener noreferrer">دانلود پیش نمایش اول (کیفیت بالا)</a></span></p>
<p>&nbsp;</p>
<hr />
<p style="text-align: center;"><span style="color: #ff6600;"><strong><span style="font-size: 16pt;">پیش نمایش دوم</span></strong></span></p>
<p><iframe loading="lazy" src="https://takhtesefid.org/embed?v=378891415791" width="806" height="392" frameborder="0" scrolling="no" allowfullscreen="allowfullscreen"><span data-mce-type="bookmark" style="display: inline-block; width: 0px; overflow: hidden; line-height: 0;" class="mce_SELRES_start">﻿</span></iframe></p>
<p style="text-align: center;"><span style="font-size: 18pt;"><a href="http://www.mediafire.com/file/2gw171ve2fth0lc/demo2_prerocess.rar/file" target="_blank" rel="noopener noreferrer">دانلود پیش نمایش دوم (کیفیت بالا)</a></span></p>
<p>&nbsp;</p>
<hr />
<p style="text-align: center;"><span style="color: #ff6600;"><strong><span style="font-size: 16pt;">پیش نمایش سوم</span></strong></span></p>
<p><iframe loading="lazy" src="https://takhtesefid.org/embed?v=850569462867" width="806" height="392" frameborder="0" scrolling="no" allowfullscreen="allowfullscreen"><span data-mce-type="bookmark" style="display: inline-block; width: 0px; overflow: hidden; line-height: 0;" class="mce_SELRES_start">﻿</span></iframe></p>
<p style="text-align: center;"><span style="font-size: 18pt;"><a href="http://www.mediafire.com/file/20ggqbm8fq7l3k8/demo3_prerocess.rar/file" target="_blank" rel="noopener noreferrer">دانلود پیش نمایش سوم (کیفیت بالا)</a></span></p>
<p>&nbsp;</p>
<hr />
<p style="text-align: center;"><span style="font-size: 16pt;"><span style="color: #800080;"><strong>مدت زمان</strong></span> : <strong><span style="color: #008000;">224 دقیقه</span></strong></span></p>
<p>نوشته <a href="https://matlab1.ir/%d9%be%db%8c%d8%b4-%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%af%d8%a7%d8%af%d9%87-%d9%88-%d9%85%d8%b9%db%8c%d8%a7%d8%b1%d9%87%d8%a7%db%8c-%d8%a7%d8%b1%d8%b2%db%8c%d8%a7%d8%a8%db%8c-%d8%af%d8%b1-matlab/">پیش پردازش داده و معیارهای ارزیابی در MATLAB</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d9%be%db%8c%d8%b4-%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%af%d8%a7%d8%af%d9%87-%d9%88-%d9%85%d8%b9%db%8c%d8%a7%d8%b1%d9%87%d8%a7%db%8c-%d8%a7%d8%b1%d8%b2%db%8c%d8%a7%d8%a8%db%8c-%d8%af%d8%b1-matlab/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>مبانی و مقدمات یادگیری ماشین</title>
		<link>https://matlab1.ir/%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d9%88-%d9%85%d9%82%d8%af%d9%85%d8%a7%d8%aa-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86/</link>
					<comments>https://matlab1.ir/%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d9%88-%d9%85%d9%82%d8%af%d9%85%d8%a7%d8%aa-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Thu, 30 Apr 2020 20:31:21 +0000</pubDate>
				<category><![CDATA[شبکه های عصبی]]></category>
		<category><![CDATA[ماشین بردار پشتیبان]]></category>
		<category><![CDATA[هوش مصنوعی]]></category>
		<category><![CDATA[یادگیری ماشین در پایتون]]></category>
		<guid isPermaLink="false">https://matlab1.ir/?p=14133</guid>

					<description><![CDATA[<p>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 [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d9%88-%d9%85%d9%82%d8%af%d9%85%d8%a7%d8%aa-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86/">مبانی و مقدمات یادگیری ماشین</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: justify;"><span style="font-size: 14pt;">این آموزش قسمت اول <a href="https://iran-matlab.ir/?product=%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-machine-learning" target="_blank" rel="noopener noreferrer">بسته جامع یادگیری ماشین</a> می باشد که اختصاص به مبانی و مقدمات یادگیری ماشین دارد. هر شخصی که بخواهد از یادگیری ماشین در یک پروژه استفاده کند، لازم است که با تئوری یادگیری ماشین آشنایی کامل داشته باشد تا بتواند یک مدل خوب و با راندمان بالا طراحی کند. بنابراین یادگیری مبانی و مقدمات یادگیری ماشین ، اولین کاری است که یک علاقه مند به یادگیری ماشین باید انجام دهد.</span></p>
<p><img loading="lazy" decoding="async" class="aligncenter size-full wp-image-15161" src="https://iran-matlab.ir/wp-content/uploads/2020/04/AI-machine-learning.jpg" alt="" width="850" height="267" /></p>
<p>&nbsp;</p>
<h3><span style="color: #ff6600;">برخی از سرفصل های این آموزش :</span></h3>
<p style="text-align: justify;"><span style="font-size: 14pt;">تعریف <a href="https://iran-matlab.ir/?product=%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-machine-learning" target="_blank" rel="noopener noreferrer">یادگیری ماشین</a></span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">تاریخچه یادگیری ماشین</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">برنامه نویسی با مثال</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">مثالهای کاربردی یادگیری ماشین</span></p>
<p style="text-align: justify;"><a href="https://spectrum.ieee.org/robotics/home-robots" target="_blank" rel="noopener noreferrer"><span style="font-size: 14pt;">ربات خانگی</span></a></p>
<p style="text-align: justify;"><a href="https://robonaut.jsc.nasa.gov/R2/" target="_blank" rel="noopener noreferrer"><span style="font-size: 14pt;">ربات فضانورد ناسا</span></a></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">تعریف عمل یادگیری</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">دستیار صوتی گوگل و <a href="https://www.apple.com/siri/" target="_blank" rel="noopener noreferrer">اپل</a></span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">یادگیری با داده</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">یادگیری با ناظر</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">یادگیری بدون ناظر</span></p>
<p style="text-align: justify;"><a href="https://en.wikipedia.org/wiki/Statistical_classification" target="_blank" rel="noopener noreferrer"><span style="font-size: 14pt;">دسته بندی classification</span></a></p>
<p style="text-align: justify;"><a href="https://en.wikipedia.org/wiki/Regression_analysis" target="_blank" rel="noopener noreferrer"><span style="font-size: 14pt;">رگرسیون regression</span></a></p>
<p style="text-align: justify;"><a href="https://developers.google.com/machine-learning/clustering/clustering-algorithms" target="_blank" rel="noopener noreferrer"><span style="font-size: 14pt;">خوشه بندی clustering</span></a></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">بعد dimension از یادگیری ماشین</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">مثالهای کاربردی یادگیری بدون ناظر</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">آنالیز شبکه های اجتماعی</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">بخش بندی بازار</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">آنالیز داده های کهکشانی</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">آنالیز عناصر غیر وابسته</span></p>
<p style="text-align: justify;"><a href="http://rail.eecs.berkeley.edu/deeprlcourse/" target="_blank" rel="noopener noreferrer"><span style="font-size: 14pt;">Deep reinforcement learning</span></a></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">انجام بازی با یادگیری ماشین</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">چگونه بفهمیم که مدل یادگیری ماشین نهایی خوب کار می کند ؟</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">تست عمومیت پذیری مدل</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">مفهوم Underfit و Overfit</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">تاثیر تعداد داده های آموزش در راندمان مدل یادگیری ماشین</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">مدل ساده یا مدل پیچیده</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">مفهوم نمودارهای خروجی یادگیری ماشین</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">یک مثال دسته بندی spam</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">مراحل پیشنهادی برای طراحی یک مدل یادگیری ماشین</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">آنالیز خطا</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">ماتریس confusion</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">مفهوم precision</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">مفهوم recall</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">مفهوم true positiveو true negative و false positive و false negative</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">Trade off بین precision و recall</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">تعیین حد آستانه در یک مدل یادگیری ماشین</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">چگونه به یک مدل یادگیری ماشین بهینه برسیم؟</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">معیار <a href="https://en.wikipedia.org/wiki/F1_score" target="_blank" rel="noopener noreferrer">F1 score</a></span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">آیا در یک مدل یادگیری ماشین نوع مدل مهم است؟</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">اهمیت داده در مدل یادگیری ماشین چیست؟</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">محاسبه accuracy و recall و precision و f-measure بر اساس TP, FP, TN,FN</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">معیارهای ازریابی رگرسیون AIC و BIC و Mallow’s cp و R2 بهبود بافته</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">مفهوم <a href="https://www.cs.cmu.edu/~schneide/tut5/node42.html" target="_blank" rel="noopener noreferrer">cross validation</a></span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">مفهوم k-fold</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">سیستم یادگیری ماشین offline</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">سیستم یادگیری ماشین online</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">نکات مهم در داده های ورودی در یک سیستم یادگیری ماشین</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">مفهوم clear و obvious</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">مقایسه بین Keras و MATLAB و Tensorflow و Scikit-learn </span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">اگر مدل یادگیری ماشین شما خوب جواب نمی دهد، چه کار کنیم؟</span></p>
<p>&nbsp;</p>
<p style="text-align: center;"><a href="https://iran-matlab.ir/?product=%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d9%88-%d9%85%d9%82%d8%af%d9%85%d8%a7%d8%aa-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86" target="_blank" rel="noopener noreferrer"><span style="font-size: 30pt;">لینک سفارش</span></a></p>
<p>&nbsp;</p>
<hr />
<p style="text-align: center;"><span style="color: #ff6600;"><strong><span style="font-size: 16pt;">پیش نمایش اول </span></strong></span></p>
<p><iframe loading="lazy" src="https://takhtesefid.org/embed?v=2786207349" width="806" height="392" frameborder="0" scrolling="no" allowfullscreen="allowfullscreen"></iframe></p>
<p style="text-align: center;"><span style="font-size: 18pt;"><a href="http://www.mediafire.com/file/1phkgj1gcs5ugvt/demo1_basic.rar/file" target="_blank" rel="noopener noreferrer">دانلود پیش نمایش اول (کیفیت بالا)</a></span></p>
<hr />
<p style="text-align: center;"><span style="color: #ff6600;"><strong><span style="font-size: 16pt;">پیش نمایش دوم</span></strong></span></p>
<p><iframe loading="lazy" src="https://takhtesefid.org/embed?v=43369665675" width="806" height="392" frameborder="0" scrolling="no" allowfullscreen="allowfullscreen"></iframe></p>
<p style="text-align: center;"><span style="font-size: 18pt;"><a href="http://www.mediafire.com/file/cqucss8zxvkg6n3/demo2_basic.rar/file" target="_blank" rel="noopener noreferrer">دانلود پیش نمایش دوم (کیفیت بالا)</a></span></p>
<p style="text-align: center;"><span style="font-size: 16pt;"><span style="color: #800080;"><strong>مدت زمان</strong></span> : <strong><span style="color: #008000;">228 دقیقه</span></strong></span></p>
<p>نوشته <a href="https://matlab1.ir/%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d9%88-%d9%85%d9%82%d8%af%d9%85%d8%a7%d8%aa-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86/">مبانی و مقدمات یادگیری ماشین</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d9%88-%d9%85%d9%82%d8%af%d9%85%d8%a7%d8%aa-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>بسته آموزش جامع یادگیری ماشین machine learning</title>
		<link>https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-machine-learning/</link>
					<comments>https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-machine-learning/#comments</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Thu, 30 Apr 2020 20:25:48 +0000</pubDate>
				<category><![CDATA[داده كاوي]]></category>
		<category><![CDATA[دسته بندی کننده درختی]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<category><![CDATA[ماشین بردار پشتیبان]]></category>
		<category><![CDATA[هوش مصنوعی]]></category>
		<category><![CDATA[یادگیری ماشین در پایتون]]></category>
		<guid isPermaLink="false">https://matlab1.ir/?p=14128</guid>

					<description><![CDATA[<p>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 [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-machine-learning/">بسته آموزش جامع یادگیری ماشین machine learning</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: justify;"><span style="font-size: 14pt;">یادگیری ماشین دانش استفاده از کامیپوتر بدون برنامه نویسی آن به صورت مشخص می باشد. </span></p>
<p style="text-align: center;"><img loading="lazy" decoding="async" class="aligncenter wp-image-15184" src="https://iran-matlab.ir/wp-content/uploads/2020/04/Robots-machine-learning.jpg" alt="" width="487" height="649" /></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">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.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">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.</span></p>
<p style="text-align: center;"><img loading="lazy" decoding="async" class="aligncenter size-full wp-image-15159" src="https://iran-matlab.ir/wp-content/uploads/2020/04/what_is_machine_learning_image.jpg" alt="" width="800" height="554" /></p>
<p style="text-align: justify;"><span style="font-size: 14pt;"> 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.</span></p>
<p>&nbsp;</p>
<p style="text-align: justify;"><span style="font-size: 14pt;">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.</span></p>
<p>&nbsp;</p>
<p style="text-align: center;"><span style="font-size: 30pt;"><a href="https://iran-matlab.ir/?product=%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-machine-learning" target="_blank" rel="noopener noreferrer">لینک دانلود</a></span></p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<p><span style="font-size: 14pt;"><strong>مرجع های این آموزش :</strong></span></p>
<p style="text-align: center;"><img loading="lazy" decoding="async" class="aligncenter wp-image-15153" src="https://iran-matlab.ir/wp-content/uploads/2020/04/standford-university.jpg" alt="" width="260" height="89" /><br />
<span style="font-size: 14pt;"><a href="http://cs229.stanford.edu" target="_blank" rel="noopener noreferrer">درس یادگیری ماشین دانشگاه استنفورد</a></span></p>
<p style="text-align: center;"><img loading="lazy" decoding="async" class="aligncenter wp-image-15154" src="https://iran-matlab.ir/wp-content/uploads/2020/04/MIT-university.jpg" alt="" width="425" height="107" /><br />
<span style="font-size: 14pt;"><a href="http://machinelearning.mit.edu" target="_blank" rel="noopener noreferrer">درس یادگیری ماشین دانشگاه MIT </a></span></p>
<p style="text-align: center;"><img loading="lazy" decoding="async" class="aligncenter wp-image-15155" src="https://iran-matlab.ir/wp-content/uploads/2020/04/google-developer.jpg" alt="" width="461" height="131" /><br />
<span style="font-size: 14pt;"><a href="https://developers.google.com/machine-learning/crash-course/ml-intro" target="_blank" rel="noopener noreferrer">آموزش از پایه یادگیری ماشین ارائه شده در توسعه دهندگان گوگل Google Developer</a></span></p>
<p>&nbsp;</p>
<hr />
<p style="text-align: center;"><strong>قسمت اول</strong></p>
<p style="text-align: center;"><strong>مبانی و مقدمات یادگیری ماشین</strong></p>
<p style="text-align: center;"><a href="https://iran-matlab.ir/?product=%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d9%88-%d9%85%d9%82%d8%af%d9%85%d8%a7%d8%aa-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86" target="_blank" rel="noopener noreferrer"><img loading="lazy" decoding="async" class="aligncenter wp-image-15151 size-medium" src="https://iran-matlab.ir/wp-content/uploads/2020/04/machine-learning-basic-300x300.png" alt="" width="300" height="300" /></a></p>
<hr />
<p style="text-align: center;"><strong>قسمت دوم</strong></p>
<p style="text-align: center;"><strong>پیش پردازش داده و معیارهای ارزیابی در MATLAB</strong></p>
<p><a href="https://iran-matlab.ir/?product=%d9%be%db%8c%d8%b4-%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%af%d8%a7%d8%af%d9%87-%d9%88-%d9%85%d8%b9%db%8c%d8%a7%d8%b1%d9%87%d8%a7%db%8c-%d8%a7%d8%b2%d8%b1%db%8c%d8%a7%d8%a8%db%8c-%d8%af%d8%b1-matlab" target="_blank" rel="noopener noreferrer"><img loading="lazy" decoding="async" class="aligncenter wp-image-15234 size-medium" src="https://iran-matlab.ir/wp-content/uploads/2020/04/machine-learning-MATLAB-data-preprocessing2-300x300.png" alt="" width="300" height="300" /></a></p>
<hr />
<p style="text-align: center;"><strong>قسمت سوم</strong></p>
<p style="text-align: center;"><strong>برنامه نویسی متلب ماشین بردار پشتیبان</strong></p>
<p style="text-align: center;"><a href="https://iran-matlab.ir/?product=%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1-%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86" target="_blank" rel="noopener noreferrer"><img loading="lazy" decoding="async" class="aligncenter wp-image-15193 size-medium" src="https://iran-matlab.ir/wp-content/uploads/2020/04/Support-vector-machine-SVM-300x300.png" alt="" width="300" height="300" /></a></p>
<p>نوشته <a href="https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-machine-learning/">بسته آموزش جامع یادگیری ماشین machine learning</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-machine-learning/feed/</wfw:commentRss>
			<slash:comments>2</slash:comments>
		
		
			</item>
		<item>
		<title>مبانی و مقدمات یادگیری عمیق</title>
		<link>https://matlab1.ir/%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d9%88-%d9%85%d9%82%d8%af%d9%85%d8%a7%d8%aa-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82/</link>
					<comments>https://matlab1.ir/%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d9%88-%d9%85%d9%82%d8%af%d9%85%d8%a7%d8%aa-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Thu, 09 Apr 2020 14:21:31 +0000</pubDate>
				<category><![CDATA[شبکه عصبی CNN]]></category>
		<category><![CDATA[شبکه عصبی در پایتون]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<category><![CDATA[هوش مصنوعی]]></category>
		<category><![CDATA[یادگیری عمیق]]></category>
		<category><![CDATA[یادگیری ماشین در پایتون]]></category>
		<guid isPermaLink="false">https://matlab1.ir/?p=14120</guid>

					<description><![CDATA[<p>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 [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d9%88-%d9%85%d9%82%d8%af%d9%85%d8%a7%d8%aa-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82/">مبانی و مقدمات یادگیری عمیق</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: justify;"><span style="font-size: 14pt;">این فیلم آموزشی قسمت اول از <a href="http://iran-matlab.ir/?product=%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82-deep-learning" target="_blank" rel="noopener noreferrer">بسته آموزشی یادگیری عمیق</a> می‌باشد. ما در این فیلم آموزشی شما را با مبانی و مقدمات یادگیری عمیق آشنا می کنیم تا دانش لازم برای کار در زمینه یادگیری عمیق را کسب کنید و بتوانید مدلهای خود را در زبان های برنامه نویسی مختلف پیاده سازی کنید.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">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.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">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 <a href="https://iran-matlab.ir/product/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-machine-learning/" rel="noopener noreferrer" target="_blank">یادگیری ماشین</a> ، 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.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">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 <a href="https://iran-matlab.ir/product/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-machine-learning/" rel="noopener noreferrer" target="_blank">یادگیری ماشین</a> را در نظر بگیرید که بر اساس نتایج آزمایشات بیمار مثل مقدار قند و اوره و چربی و &#8230; 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.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">بسیاری زیادی از کارهای هوش مصنوعی را می توان با طراحی ویژگی استخراجی از داده های ورودی با کمک الگوریتم های <a href="https://iran-matlab.ir/product/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-machine-learning/" rel="noopener noreferrer" target="_blank">یادگیری ماشین</a> 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.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">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 <a href="http://iran-matlab.ir/?product=%D8%A2%D9%85%D9%88%D8%B2%D8%B4-%D9%81%D8%A7%D8%B1%D8%B3%DB%8C-%D8%B4%D9%86%D8%A7%D8%B3%D8%A7%DB%8C%DB%8C-%D9%88-%D8%A7%D8%B3%D8%AA%D8%AE%D8%B1%D8%A7%D8%AC-%D9%88%DB%8C%DA%98%DA%AF%DB%8C-%D8%AF%D8%B1" target="_blank" rel="noopener noreferrer">استخراج ویژگی</a> 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.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;"><a href="http://iran-matlab.ir/?product=%D8%A8%D8%B3%D8%AA%D9%87-%D8%A2%D9%85%D9%88%D8%B2%D8%B4%DB%8C-%D8%AC%D8%A7%D9%85%D8%B9-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%B9%D9%85%DB%8C%D9%82-deep-learning" target="_blank" rel="noopener noreferrer">یادگیری عمیق</a> 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:</span></p>
<p style="text-align: center;"><img loading="lazy" decoding="async" class="aligncenter wp-image-15076 size-full" src="http://iran-matlab.ir/wp-content/uploads/2020/04/deep-learnning-basic-model.png" alt="" width="700" height="575" /></p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<h2><span style="color: #ff6600;">سرفصل های این فیلم آموزشی :</span></h2>
<p><span style="font-size: 14pt;">مغز انسان</span><br />
<span style="font-size: 14pt;">نرونها در مغز انسان</span><br />
<span style="font-size: 14pt;">چرا یادگیری عمیق؟</span><br />
<span style="font-size: 14pt;">تاریخچه هوش مصنوعی و <a href="https://deeplearning.mit.edu" target="_blank" rel="noopener noreferrer">یادگیری عمیق</a></span><br />
<span style="font-size: 14pt;">اولین <a href="http://iran-matlab.ir/?product=%D9%81%D9%8A%D9%84%D9%85-%D8%A2%D9%85%D9%88%D8%B2%D8%B4-%D9%81%D8%A7%D8%B1%D8%B3%D9%8A-%D8%B4%D8%A8%D9%83%D9%87-%D9%87%D8%A7%D9%8A-%D8%B9%D8%B5%D8%A8%D9%8A" target="_blank" rel="noopener noreferrer">شبکه عصبی مصنوعی</a></span><br />
<span style="font-size: 14pt;">مروری بر مسابقات هوش مصنوعی و انسان</span><br />
<span style="font-size: 14pt;">کاربردهای امروزی هوش مصنوعی</span><br />
<span style="font-size: 14pt;">مثال ماشین بدون راننده</span><br />
<span style="font-size: 14pt;">نقاط عطف در هوش مصنوعی</span><br />
<span style="font-size: 14pt;">آماری از تعداد مقالات در زمینه یادگیری عمیق</span><br />
<span style="font-size: 14pt;">معرفی کتابخانه های <a href="http://iran-matlab.ir/?product=%D9%81%DB%8C%D9%84%D9%85-%D8%A2%D9%85%D9%88%D8%B2%D8%B4%DB%8C-%D9%81%D8%A7%D8%B1%D8%B3%DB%8C-tensorflow" target="_blank" rel="noopener noreferrer">TensorFlow</a> و <a href="https://pytorch.org" target="_blank" rel="noopener noreferrer">Pytorch</a> و <a href="http://iran-matlab.ir/?product=%D8%A2%D9%85%D9%88%D8%B2%D8%B4-%D9%81%D8%A7%D8%B1%D8%B3%DB%8C-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%B9%D9%85%DB%8C%D9%82-%D8%AF%D8%B1-%D9%BE%D8%A7%DB%8C%D8%AA%D9%88%D9%86-keras" target="_blank" rel="noopener noreferrer">Keras</a></span><br />
<span style="font-size: 14pt;">ارتباط Keras و TensorFlow</span><br />
<span style="font-size: 14pt;">معرفی CPU و GPU و <a href="https://cloud.google.com/tpu" target="_blank" rel="noopener noreferrer">TPU</a></span><br />
<span style="font-size: 14pt;">برنامه نویسی یادگیری عمیق برای موبایل</span><br />
<span style="font-size: 14pt;">برنامه نویسی یادگیری عمیق برای cloud</span><br />
<span style="font-size: 14pt;">خداحافظی با پایتون 2</span><br />
<span style="font-size: 14pt;">اهمیت پایتون 3</span><br />
<span style="font-size: 14pt;"><a href="https://iran-matlab.ir/product/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-machine-learning/" rel="noopener noreferrer" target="_blank">یادگیری ماشین</a> چیست؟</span><br />
<span style="font-size: 14pt;">چگونه یادگیری ماشین را پیاده سازی کنیم؟</span><br />
<span style="font-size: 14pt;">اهمیت داده (data) در یادگیری عمیق</span><br />
<span style="font-size: 14pt;">چرا الان باید یادگیری عمیق را یاد بگیریم؟</span><br />
<span style="font-size: 14pt;">پیشرفت های اخیر در یادگیری عمیق</span><br />
<span style="font-size: 14pt;">یادگیری عمیق در پزشکی</span><br />
<span style="font-size: 14pt;">تشخیص بیماری ژنتیک از روی چهره شخص</span><br />
<span style="font-size: 14pt;">کاربردهای مختلف یادگیری عمیق</span><br />
<a href="https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/" target="_blank" rel="noopener noreferrer"><span style="font-size: 14pt;">ارتباط بین هوش مصنوعی و یادگیری ماشین و یادگیری عمیق</span></a><br />
<span style="font-size: 14pt;">تفاوت یادگیری ماشین و یادگیری عمیق</span><br />
<span style="font-size: 14pt;">مفهوم یادگیری عمیق</span><br />
<span style="font-size: 14pt;">(لبه و گوشه و قسمت های شی) در ماشین بینایی با یادگیری عمیق</span><br />
<span style="font-size: 14pt;">توضیح مرحله به مرحله یک مدل یادگیری عمیق</span><br />
<span style="font-size: 14pt;">تفسیر خروجی یک سیستم یادگیری عمیق</span><br />
<span style="font-size: 14pt;">چرا یک سیستم یادگیری عمیق به صورت یک درصد احتمالی خروجی می دهد؟</span><br />
<span style="font-size: 14pt;">مفهوم representation در یادگیری عمیق</span><br />
<span style="font-size: 14pt;">افزایش بعد</span><br />
<span style="font-size: 14pt;">ارتباط راندمان و حجم داده های آموزش در یادگیری عمیق و یادگیری ماشین</span><br />
<span style="font-size: 14pt;">نقش داده ها در یادگیری عمیق</span><br />
<span style="font-size: 14pt;">نقطه ضعف یادگیری عمیق</span><br />
<span style="font-size: 14pt;">چه مقدار داده برای یک سیستم یادگیری عمیق مورد نیاز است؟</span><br />
<span style="font-size: 14pt;">مثال عملی از GitHub</span><br />
<span style="font-size: 14pt;">چرا در یادگیری عمیق به داده های خیلی زیاد مورد نیاز است؟</span><br />
<span style="font-size: 14pt;">با وجود نقطه ضعف در یادگیری عمیق چرا هنوز بسیار زیاد مورد استفاده می باشد؟</span><br />
<span style="font-size: 14pt;">سختی های کار در یادگیری عمیق</span><br />
<span style="font-size: 14pt;">اختلاف درون کلاسی (Inter class variation)</span><br />
<span style="font-size: 14pt;">مفهوم Data argumentation</span><br />
<span style="font-size: 14pt;">مفهوم <a href="https://www.tensorflow.org/tutorials/generative/adversarial_fgsm" target="_blank" rel="noopener noreferrer">adversarial attack</a></span><br />
<span style="font-size: 14pt;">یک مثال کاربردی از یادگیری عمیق</span><br />
<span style="font-size: 14pt;">انواع یادگیری</span><br />
<span style="font-size: 14pt;">یادگیری با ناظر</span><br />
<span style="font-size: 14pt;">یادگیری شبه با ناظر</span><br />
<span style="font-size: 14pt;">یادگیری تقویت شونده</span><br />
<span style="font-size: 14pt;">یادگیری بدون ناظر</span><br />
<span style="font-size: 14pt;">الگو برداری از یادگیری بشر</span><br />
<span style="font-size: 14pt;">مثالی از یادگیری تقویت شونده در اتومبیل های بدون راننده</span><br />
<span style="font-size: 14pt;">برش در داده</span><br />
<span style="font-size: 14pt;">انعکاس در داده</span><br />
<span style="font-size: 14pt;">تغییر اندازه در داده</span><br />
<span style="font-size: 14pt;">چرخش در داده</span><br />
<span style="font-size: 14pt;">جابجایی در داده</span><br />
<span style="font-size: 14pt;">نویز در داده</span><br />
<span style="font-size: 14pt;">چالش ها در یادگیری عمیق</span><br />
<span style="font-size: 14pt;">آموزش و تست</span><br />
<span style="font-size: 14pt;">مفهوم رگرسیون</span><br />
<span style="font-size: 14pt;">مفهوم دسته بندی</span><br />
<span style="font-size: 14pt;">مفهوم چند کلاسی Multi-Class</span><br />
<span style="font-size: 14pt;">مفهوم چند برچسبی Multi-Label</span><br />
<span style="font-size: 14pt;">با یادگیری عمیق چه می توانیم انجام دهیم؟</span><br />
<span style="font-size: 14pt;">مفهوم عمق (Deep)</span><br />
<span style="font-size: 14pt;">لایه مخفی</span><br />
<span style="font-size: 14pt;">شبکه های عصبی و یادگیری عمیق</span><br />
<span style="font-size: 14pt;">مفهوم overfitting</span><br />
<span style="font-size: 14pt;">تاثیر تعداد داده بر overfitting</span><br />
<span style="font-size: 14pt;">چگونه بفهمیم over fitting در حال اتفاق افتادن است؟</span><br />
<span style="font-size: 14pt;">مفهوم Regularization</span><br />
<span style="font-size: 14pt;">داده های validation و داده های آموزش</span><br />
<span style="font-size: 14pt;">استفاده از Dropout</span><br />
<a href="http://jmlr.org/papers/v15/srivastava14a.html" target="_blank" rel="noopener noreferrer"><span style="font-size: 14pt;">لایه Dropout</span></a><br />
<span style="font-size: 14pt;">نرمالسازی</span><br />
<span style="font-size: 14pt;">نرمالسازی دسته ای</span><br />
<span style="font-size: 14pt;">دوباره نرمالسازی (Renormalization) دسته ای</span><br />
<span style="font-size: 14pt;">هدف از نرمالسازی چیست؟</span><br />
<span style="font-size: 14pt;">مفهوم batch چیست؟</span><br />
<span style="font-size: 14pt;">تاثیر نرمالسازی دسته ای در یادگیری عمیق چیست؟</span><br />
<span style="font-size: 14pt;">معرفی شبکه های معروف یادگیری عمیق</span><br />
<span style="font-size: 14pt;">معرفی شبکه AlexNet</span><br />
<span style="font-size: 14pt;">معرفی شبکه <a href="https://www.mathworks.com/help/deeplearning/ref/vgg16.html" target="_blank" rel="noopener noreferrer">VGG-16</a></span><br />
<span style="font-size: 14pt;">معرفی شبکه GoogleNet</span><br />
<span style="font-size: 14pt;">تغییر شبکه های از پیش تعریف شده</span><br />
<span style="font-size: 14pt;">نکته مهم در استفاده از شبکه های یادگیری عمیق از پیش آموزش یافته</span><br />
<span style="font-size: 14pt;">سیر تحول در شبکه های یادگیری عمیق</span><br />
<span style="font-size: 14pt;">آیا یک مدل یادگیری عمیق می تواند بهتر از انسان کار تشخیص را انجام دهد؟</span><br />
<span style="font-size: 14pt;">مقایسه راندمان شبکه های <a href="https://www.mathworks.com/help/deeplearning/ref/alexnet.html" target="_blank" rel="noopener noreferrer">Alexnet</a> و <a href="https://research.google/pubs/pub43022/" target="_blank" rel="noopener noreferrer">GoogleNet</a> و ZFNet و VGGNet و RESNet و GoogleNet v4 و SENet</span><br />
<span style="font-size: 14pt;">شناسایی اشیا</span><br />
<span style="font-size: 14pt;">موقعیت دهی اشیا</span><br />
<a href="https://www.mathworks.com/help/vision/ug/getting-started-with-semantic-segmentation-using-deep-learning.html" target="_blank" rel="noopener noreferrer"><span style="font-size: 14pt;">Semantic Segmentation</span></a><br />
<span style="font-size: 14pt;">قلب یادگیری عمیق چیست؟</span><br />
<span style="font-size: 14pt;">مفهوم یادگیری انتقالی <a href="https://www.tensorflow.org/tutorials/images/transfer_learning" target="_blank" rel="noopener noreferrer">Transfer Learning</a></span><br />
<span style="font-size: 14pt;">شبکه <a href="https://developers.google.com/machine-learning/gan" target="_blank" rel="noopener noreferrer">Generative Adversarial Network</a> (GAN)</span><br />
<span style="font-size: 14pt;">مزیت شبکه GAN</span><br />
<span style="font-size: 14pt;">ساختار شبکه GAN</span><br />
<span style="font-size: 14pt;">عملکرد Generator و Discriminator</span><br />
<span style="font-size: 14pt;">معرفی یادگیری ماشین اتوماتیک <a href="https://cloud.google.com/automl" target="_blank" rel="noopener noreferrer">AutoML</a></span><br />
<span style="font-size: 14pt;">طراحی شبکه یادگیری عمیق به صورت اتوماتیک</span><br />
<span style="font-size: 14pt;">شبکه NASNet</span><br />
<span style="font-size: 14pt;">جستجوی بهترین ساختار برای یادگیری عمیق</span><br />
<span style="font-size: 14pt;">معرفی یادگیری تقویت شونده <a href="https://en.wikipedia.org/wiki/Reinforcement_learning" target="_blank" rel="noopener noreferrer">Reinforcement Learning</a></span><br />
<span style="font-size: 14pt;">مفهوم Agent و Environment</span><br />
<span style="font-size: 14pt;">اندازه گیری عمق در مدلهای یادگیری عمیق</span><br />
<span style="font-size: 14pt;">شبکه های برگشتی RNN</span><br />
<span style="font-size: 14pt;">مزایا و معایب شبکه RNN</span></p>
<h2></h2>
<h2><span style="color: #993366;">پیش نیاز (توصیه شده):</span></h2>
<p><a href="http://iran-matlab.ir/?product=%D9%81%D9%8A%D9%84%D9%85-%D8%A2%D9%85%D9%88%D8%B2%D8%B4-%D9%81%D8%A7%D8%B1%D8%B3%D9%8A-%D8%B4%D8%A8%D9%83%D9%87-%D9%87%D8%A7%D9%8A-%D8%B9%D8%B5%D8%A8%D9%8A" target="_blank" rel="noopener noreferrer"><span style="font-size: 14pt;">مجموعه آموزش جامع شبکه عصبی</span></a></p>
<h2></h2>
<h2></h2>
<h2><span style="color: #ff6600;">مخاطبان :</span></h2>
<p><span style="font-size: 14pt;">علاقه مندان به هوش مصنوعی</span><br />
<span style="font-size: 14pt;">علاقه مندان به یادگیری ماشین</span><br />
<span style="font-size: 14pt;">علاقه مندان به یادگیری عمیق</span><br />
<span style="font-size: 14pt;">علاقه مندان به ماشین بینایی</span><br />
<span style="font-size: 14pt;">دانشجویان</span><br />
<span style="font-size: 14pt;">مهندسین</span></p>
<p>&nbsp;</p>
<p>.</p>
<p>&nbsp;</p>
<p style="text-align: justify;"><span style="font-size: 14pt;">این فیلم آموزشی قسمت اول از <a href="http://iran-matlab.ir/?product=%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82-deep-learning" target="_blank" rel="noopener noreferrer">بسته آموزشی یادگیری عمیق</a> می‌باشد. برای تهیه به بسته آموزشی جامع یادگیری عمیق بر روی تصویر زیر کلیک کنید:</span></p>
<p style="text-align: center;"><a href="http://iran-matlab.ir/?product=%D8%A8%D8%B3%D8%AA%D9%87-%D8%A2%D9%85%D9%88%D8%B2%D8%B4%DB%8C-%D8%AC%D8%A7%D9%85%D8%B9-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%B9%D9%85%DB%8C%D9%82-deep-learning" target="_blank" rel="noopener noreferrer"><img loading="lazy" decoding="async" class="aligncenter wp-image-15071 size-full" src="http://iran-matlab.ir/wp-content/uploads/2020/04/deep-learning-course-packages-1.png" alt="" width="400" height="400" /></a></p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<p>نوشته <a href="https://matlab1.ir/%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d9%88-%d9%85%d9%82%d8%af%d9%85%d8%a7%d8%aa-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82/">مبانی و مقدمات یادگیری عمیق</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d9%88-%d9%85%d9%82%d8%af%d9%85%d8%a7%d8%aa-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>بسته آموزشی جامع یادگیری عمیق Deep Learning</title>
		<link>https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82-deep-learning/</link>
					<comments>https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82-deep-learning/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Thu, 09 Apr 2020 14:08:04 +0000</pubDate>
				<category><![CDATA[آموزش]]></category>
		<category><![CDATA[آموزش python]]></category>
		<category><![CDATA[آموزش پردازش تصویر]]></category>
		<category><![CDATA[MATLAB متلب]]></category>
		<category><![CDATA[داده كاوي]]></category>
		<category><![CDATA[شبکه عصبی CNN]]></category>
		<category><![CDATA[شبکه عصبی در پایتون]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<category><![CDATA[هوش مصنوعی]]></category>
		<category><![CDATA[یادگیری عمیق]]></category>
		<category><![CDATA[یادگیری ماشین در پایتون]]></category>
		<category><![CDATA[آموزش دیپ لرنینگ]]></category>
		<category><![CDATA[deep learning]]></category>
		<category><![CDATA[deep learning MATLAB]]></category>
		<category><![CDATA[Deep Neural Networks]]></category>
		<category><![CDATA[pretrained neural networks]]></category>
		<category><![CDATA[transfer learning MATLAB]]></category>
		<category><![CDATA[پیش بینی یادگیری عمیق]]></category>
		<category><![CDATA[تشخیص دیپ لرنینگ]]></category>
		<category><![CDATA[دیپ لرنینگ MATLAB]]></category>
		<category><![CDATA[دیپ لرنینگ متلب]]></category>
		<category><![CDATA[شبکه های عصبی از پیش آموزش داده شده]]></category>
		<category><![CDATA[شبکه های عصبی عمیق]]></category>
		<category><![CDATA[یادگیری عمیق MATLAB]]></category>
		<category><![CDATA[یادگیری عمیق متلب]]></category>
		<category><![CDATA[یادگیری ماشین]]></category>
		<guid isPermaLink="false">https://matlab1.ir/?p=14107</guid>

					<description><![CDATA[<p>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 [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82-deep-learning/">بسته آموزشی جامع یادگیری عمیق Deep Learning</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<figure id="attachment_15065" aria-describedby="caption-attachment-15065" style="width: 800px" class="wp-caption aligncenter"><img loading="lazy" decoding="async" class="size-full wp-image-15065" src="http://iran-matlab.ir/wp-content/uploads/2020/04/Artificial-Intelligence2.jpg" alt="" width="800" height="340" /><figcaption id="caption-attachment-15065" class="wp-caption-text">هوش مصنوعی &#8211; یادگیری عمیق</figcaption></figure>
<p style="text-align: justify;"><span style="font-size: 14pt;">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 .</span></p>
<figure id="attachment_15066" aria-describedby="caption-attachment-15066" style="width: 800px" class="wp-caption aligncenter"><img loading="lazy" decoding="async" class="size-full wp-image-15066" src="http://iran-matlab.ir/wp-content/uploads/2020/04/Artificial-Intelligence.jpg" alt="" width="800" height="450" /><figcaption id="caption-attachment-15066" class="wp-caption-text">هوش مصنوعی &#8211; یادگیری عمیق &#8211; کاربرد</figcaption></figure>
<p style="text-align: justify;"><span style="font-size: 14pt;">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.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">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. 🙂</span></p>
<p>&nbsp;</p>
<p style="text-align: center;"><a href="http://iran-matlab.ir/?product=%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82-deep-learning" target="_blank" rel="noopener noreferrer"><span style="font-size: 48pt;">لینک سفارش</span></a></p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<hr />
<p style="text-align: center;"><strong>قسمت اول</strong></p>
<p style="text-align: center;"><strong>مبانی و مقدمات یادگیری عمیق</strong></p>
<p style="text-align: center;"><a href="http://iran-matlab.ir/?product=%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d9%88-%d9%85%d9%82%d8%af%d9%85%d8%a7%d8%aa-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82" target="_blank" rel="noopener noreferrer"><img loading="lazy" decoding="async" class="aligncenter size-full wp-image-15074" src="http://iran-matlab.ir/wp-content/uploads/2020/04/deep-learning-course-packages-2.png" alt="" width="400" height="400" /></a></p>
<p>&nbsp;</p>
<hr />
<p style="text-align: center;"><strong>قسمت دوم </strong></p>
<p style="text-align: center;"><strong>پیاده سازی و برنامه نویسی در متلب</strong></p>
<p style="text-align: center;"><a href="http://iran-matlab.ir/?product=%d9%be%db%8c%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%88-%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-matlab-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c" target="_blank" rel="noopener noreferrer"><img loading="lazy" decoding="async" class="aligncenter size-full wp-image-15079" src="http://iran-matlab.ir/wp-content/uploads/2020/04/deep-learning-course-MATLAB-programming-design.png" alt="" width="400" height="400" /></a></p>
<p>&nbsp;</p>
<hr />
<p><span style="color: #ff6600;"><strong><span style="font-size: 14pt;">مدرس :</span></strong></span></p>
<p><span style="font-size: 14pt;"><strong>قیصری</strong> (مدیر گروه ایران متلب با سابقه 15 ساله در متلب و زبان های مختلف برنامه نویسی)</span></p>
<p>&nbsp;</p>
<p>نوشته <a href="https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82-deep-learning/">بسته آموزشی جامع یادگیری عمیق Deep Learning</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82-deep-learning/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>کتاب مبانی شبکه های عصبی</title>
		<link>https://matlab1.ir/%da%a9%d8%aa%d8%a7%d8%a8-%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d9%87%d8%a7%db%8c-%d8%b9%d8%b5%d8%a8%db%8c/</link>
					<comments>https://matlab1.ir/%da%a9%d8%aa%d8%a7%d8%a8-%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d9%87%d8%a7%db%8c-%d8%b9%d8%b5%d8%a8%db%8c/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Sun, 29 Dec 2019 16:03:14 +0000</pubDate>
				<category><![CDATA[شبکه عصبی CNN]]></category>
		<category><![CDATA[شبکه عصبی در پایتون]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<category><![CDATA[ماشین بردار پشتیبان]]></category>
		<category><![CDATA[مهندسی کنترل]]></category>
		<guid isPermaLink="false">https://matlab1.ir/?p=14068</guid>

					<description><![CDATA[<p>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 [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%da%a9%d8%aa%d8%a7%d8%a8-%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d9%87%d8%a7%db%8c-%d8%b9%d8%b5%d8%a8%db%8c/">کتاب مبانی شبکه های عصبی</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[
<p class="wp-block-paragraph">یک جلد کتاب مبانی شبکه های عصبی دکتر محمد باقر منهاج (استاد دانشگاه صنعتی امیرکبیر) به فروش می رسد.</p>



<div class="wp-block-image"><figure class="aligncenter size-large"><img loading="lazy" decoding="async" width="346" height="500" src="https://matlab1.ir/wp-content/uploads/2019/12/47c3d631-b159-4353-9e94-221acc5b66b4.jpg" alt="" class="wp-image-14072" srcset="https://matlab1.ir/wp-content/uploads/2019/12/47c3d631-b159-4353-9e94-221acc5b66b4.jpg 346w, https://matlab1.ir/wp-content/uploads/2019/12/47c3d631-b159-4353-9e94-221acc5b66b4-208x300.jpg 208w" sizes="auto, (max-width: 346px) 100vw, 346px" /></figure></div>



<div class="wp-block-image"><figure class="aligncenter size-large is-resized"><img loading="lazy" decoding="async" src="https://matlab1.ir/wp-content/uploads/2019/12/7_17.png" alt="" class="wp-image-14073" width="346" height="461"/></figure></div>



<p class="wp-block-paragraph">توجه فرمایید فقط یک جلد بیشتر موجود نیست.</p>



<p class="wp-block-paragraph">جهت پرداخت و پر کردن فرم آدرس بر روی لینک کلیک کنید.</p>



<p class="has-text-align-center wp-block-paragraph"><a target="_blank" title="پرداخت آنلاین" href="https://Zarinp.al/281666" rel="noopener noreferrer"><img decoding="async" src="https://cdn.zarinpal.com/badges/easypay/logo1.png"></a></p>



<p class="wp-block-paragraph"></p>
<p>نوشته <a href="https://matlab1.ir/%da%a9%d8%aa%d8%a7%d8%a8-%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d9%87%d8%a7%db%8c-%d8%b9%d8%b5%d8%a8%db%8c/">کتاب مبانی شبکه های عصبی</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%da%a9%d8%aa%d8%a7%d8%a8-%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d9%87%d8%a7%db%8c-%d8%b9%d8%b5%d8%a8%db%8c/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>پیاده سازی متلب شبکه عصبی GoogLeNet</title>
		<link>https://matlab1.ir/%d9%be%db%8c%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-googlenet/</link>
					<comments>https://matlab1.ir/%d9%be%db%8c%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-googlenet/#comments</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Sat, 07 Oct 2017 04:57:30 +0000</pubDate>
				<category><![CDATA[آموزش]]></category>
		<category><![CDATA[MATLAB متلب]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<guid isPermaLink="false">http://am19.siteground.biz/~matlab18/matlab1.ir/?p=10902</guid>

					<description><![CDATA[<p>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 [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d9%be%db%8c%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-googlenet/">پیاده سازی متلب شبکه عصبی GoogLeNet</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: justify;"><span style="font-size: 16pt;">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.</span><br />
<span style="font-size: 16pt;"> آموزش این مدل بر روی بیشتر از یک میلیون تصویر انجام شده است . این مدل 144 لایه دارد و می تواند 1000 کلاس تصویر را دسته بندی کند.</span></p>
<p><img loading="lazy" decoding="async" class="aligncenter size-full wp-image-10906" src="https://matlab1.ir/wp-content/uploads/2017/10/googlenet-matlab.jpg" alt="" width="745" height="302" srcset="https://matlab1.ir/wp-content/uploads/2017/10/googlenet-matlab.jpg 745w, https://matlab1.ir/wp-content/uploads/2017/10/googlenet-matlab-300x122.jpg 300w" sizes="auto, (max-width: 745px) 100vw, 745px" /></p>
<p>نوشته <a href="https://matlab1.ir/%d9%be%db%8c%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-googlenet/">پیاده سازی متلب شبکه عصبی GoogLeNet</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d9%be%db%8c%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-googlenet/feed/</wfw:commentRss>
			<slash:comments>11</slash:comments>
		
		
			</item>
		<item>
		<title>پیاده سازی متلب شبکه عصبی AlexNet</title>
		<link>https://matlab1.ir/%d9%be%db%8c%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-alexnet/</link>
					<comments>https://matlab1.ir/%d9%be%db%8c%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-alexnet/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Fri, 06 Oct 2017 06:57:14 +0000</pubDate>
				<category><![CDATA[آموزش]]></category>
		<category><![CDATA[MATLAB متلب]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<category><![CDATA[convolutional neural network]]></category>
		<category><![CDATA[دیتاست ImageNet]]></category>
		<category><![CDATA[شبکه عصبی کانالوشن]]></category>
		<guid isPermaLink="false">http://am19.siteground.biz/~matlab18/matlab1.ir/?p=10895</guid>

					<description><![CDATA[<p>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 [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d9%be%db%8c%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-alexnet/">پیاده سازی متلب شبکه عصبی AlexNet</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: justify;"><span style="font-size: 16pt;">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.</span><br />
<span style="font-size: 16pt;"> این یک مدل با 23 لایه می باشد که می تواند 1000 کلاس را دسته بندی کند. ( مثلا کیبورد ، ماوس ، خورکار ، مداد و میز و &#8230;. ).</span><br />
<span style="font-size: 16pt;"> این تولباکس بر روی نسخه متلب 2016b به بالاتر جواب می دهد.</span><br />
<span style="font-size: 16pt;"> شما از این کد می توانید در پروژه های خود به راحتی استفاده کنید.</span></p>
<p style="text-align: center;"><span style="font-size: 72pt;"><a href="http://iran-matlab.ir/?product=%D9%BE%DB%8C%D8%A7%D8%AF%D9%87-%D8%B3%D8%A7%D8%B2%DB%8C-%D9%85%D8%AA%D9%84%D8%A8-%D8%B4%D8%A8%DA%A9%D9%87-%D8%B9%D8%B5%D8%A8%DB%8C-alexnet" rel="noopener noreferrer" target="_blank">لینک دانلود</a></span></p>
<p><img loading="lazy" decoding="async" src="https://matlab1.ir/wp-content/uploads/2017/10/single_layer.jpg" alt="" width="800" height="368" class="aligncenter size-full wp-image-10900" srcset="https://matlab1.ir/wp-content/uploads/2017/10/single_layer.jpg 800w, https://matlab1.ir/wp-content/uploads/2017/10/single_layer-300x138.jpg 300w, https://matlab1.ir/wp-content/uploads/2017/10/single_layer-768x353.jpg 768w" sizes="auto, (max-width: 800px) 100vw, 800px" /></p>
<p>نوشته <a href="https://matlab1.ir/%d9%be%db%8c%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-alexnet/">پیاده سازی متلب شبکه عصبی AlexNet</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d9%be%db%8c%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-alexnet/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>دانلود کد متلب تشخیص نفوذ با شبکه عصبی MLP</title>
		<link>https://matlab1.ir/%d8%af%d8%a7%d9%86%d9%84%d9%88%d8%af-%da%a9%d8%af-%d9%85%d8%aa%d9%84%d8%a8-%d8%aa%d8%b4%d8%ae%db%8c%d8%b5-%d9%86%d9%81%d9%88%d8%b0-%d8%a8%d8%a7-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-mlp/</link>
					<comments>https://matlab1.ir/%d8%af%d8%a7%d9%86%d9%84%d9%88%d8%af-%da%a9%d8%af-%d9%85%d8%aa%d9%84%d8%a8-%d8%aa%d8%b4%d8%ae%db%8c%d8%b5-%d9%86%d9%81%d9%88%d8%b0-%d8%a8%d8%a7-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-mlp/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Sun, 20 Aug 2017 14:00:40 +0000</pubDate>
				<category><![CDATA[دانلود]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<guid isPermaLink="false">http://am19.siteground.biz/~matlab18/matlab1.ir/?p=10724</guid>

					<description><![CDATA[<p>لینک دانلود فایل word توضیحی خط به خط برنامه فایل متنی توضیحی پروژه کد متلب MATLAB</p>
<p>نوشته <a href="https://matlab1.ir/%d8%af%d8%a7%d9%86%d9%84%d9%88%d8%af-%da%a9%d8%af-%d9%85%d8%aa%d9%84%d8%a8-%d8%aa%d8%b4%d8%ae%db%8c%d8%b5-%d9%86%d9%81%d9%88%d8%b0-%d8%a8%d8%a7-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-mlp/">دانلود کد متلب تشخیص نفوذ با شبکه عصبی MLP</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: center;"><span style="font-size: 48pt;"><a href="http://iran-matlab.ir/?product=%D8%AF%D8%A7%D9%86%D9%84%D9%88%D8%AF-%DA%A9%D8%AF-%D9%85%D8%AA%D9%84%D8%A8-%D8%AA%D8%B4%D8%AE%DB%8C%D8%B5-%D9%86%D9%81%D9%88%D8%B0-%D8%A8%D8%A7-%D8%B4%D8%A8%DA%A9%D9%87-%D8%B9%D8%B5%D8%A8%DB%8C-mlp" target="_blank" rel="noopener noreferrer">لینک دانلود</a></span></p>
<p><span style="font-size: 14pt;">فایل word توضیحی خط به خط برنامه</span><br />
<span style="font-size: 14pt;"> فایل متنی توضیحی پروژه</span><br />
<span style="font-size: 14pt;"> کد متلب MATLAB</span></p>
<p><iframe loading="lazy" width="420" height="315" src="https://takhtesefid.org/embed?v=828743028003" frameborder="0" scrolling="no" allowfullscreen></iframe></p>
<p>نوشته <a href="https://matlab1.ir/%d8%af%d8%a7%d9%86%d9%84%d9%88%d8%af-%da%a9%d8%af-%d9%85%d8%aa%d9%84%d8%a8-%d8%aa%d8%b4%d8%ae%db%8c%d8%b5-%d9%86%d9%81%d9%88%d8%b0-%d8%a8%d8%a7-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-mlp/">دانلود کد متلب تشخیص نفوذ با شبکه عصبی MLP</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d8%af%d8%a7%d9%86%d9%84%d9%88%d8%af-%da%a9%d8%af-%d9%85%d8%aa%d9%84%d8%a8-%d8%aa%d8%b4%d8%ae%db%8c%d8%b5-%d9%86%d9%81%d9%88%d8%b0-%d8%a8%d8%a7-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-mlp/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>پروژه متلب شبکه پتری فازی fuzzy petri net</title>
		<link>https://matlab1.ir/%d9%be%d8%b1%d9%88%da%98%d9%87-%d9%85%d8%aa%d9%84%d8%a8-%d8%b4%d8%a8%da%a9%d9%87-%d9%be%d8%aa%d8%b1%db%8c-%d9%81%d8%a7%d8%b2%db%8c-fuzzy-petri-net/</link>
					<comments>https://matlab1.ir/%d9%be%d8%b1%d9%88%da%98%d9%87-%d9%85%d8%aa%d9%84%d8%a8-%d8%b4%d8%a8%da%a9%d9%87-%d9%be%d8%aa%d8%b1%db%8c-%d9%81%d8%a7%d8%b2%db%8c-fuzzy-petri-net/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Sun, 20 Aug 2017 13:41:59 +0000</pubDate>
				<category><![CDATA[MATLAB متلب]]></category>
		<category><![CDATA[دانلود]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<guid isPermaLink="false">http://am19.siteground.biz/~matlab18/matlab1.ir/?p=10710</guid>

					<description><![CDATA[<p>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 : [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d9%be%d8%b1%d9%88%da%98%d9%87-%d9%85%d8%aa%d9%84%d8%a8-%d8%b4%d8%a8%da%a9%d9%87-%d9%be%d8%aa%d8%b1%db%8c-%d9%81%d8%a7%d8%b2%db%8c-fuzzy-petri-net/">پروژه متلب شبکه پتری فازی fuzzy petri net</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: center;"><span style="font-size: 48pt;"><a href="http://iran-matlab.ir/?product=%D9%BE%D8%B1%D9%88%DA%98%D9%87-%D9%85%D8%AA%D9%84%D8%A8-%D8%B4%D8%A8%DA%A9%D9%87-%D9%BE%D8%AA%D8%B1%DB%8C-%D9%81%D8%A7%D8%B2%DB%8C-fuzzy-petri-net" target="_blank" rel="noopener noreferrer">لینک دانلود</a></span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">Adam Petri در سال 1962 petri net را در قسمتی از پایان نامش ابداع کرد.</span><br />
<span style="font-size: 14pt; color: #ff6600;"><strong> عناصر Petri net :</strong></span><br />
<span style="font-size: 14pt;"> یک <a href="https://en.wikipedia.org/wiki/Petri_net" target="_blank" rel="noopener noreferrer">petri net</a> از چهار نوع المان تشکیل شده است : token و places و arcs و transitions می باشد. Token با یک نقطه در مدلهای perti net نشان داده می شود. وقتی تعداد token ها زیاد می شود، معمولا چندین نقطه در مدل petri net قرار می دهند. Place ها المانهای passive هستند که token ها را می گیرند. شکل 1 places های p1و p2 و p3 با 4 و 3 و 1 token نشان می دهد. هر place می تواند چندین token را بگیرد. Arc ها ارتباط بین place و transition هستند. هر arc یک وزن دارد.</span></p>
<p><img loading="lazy" decoding="async" class="aligncenter size-full wp-image-8857" src="http://iran-matlab.ir/wp-content/uploads/2017/08/Petri-net-MATLAB.jpg" alt="" width="262" height="333" /></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">فایل word گزارش و توضیحات خط به خط برنامه های متلب هم وجود دارد.</span></p>
<p><iframe loading="lazy" width="420" height="315" src="https://takhtesefid.org/embed?v=862201437734" frameborder="0" scrolling="no" allowfullscreen></iframe></p>
<p>نوشته <a href="https://matlab1.ir/%d9%be%d8%b1%d9%88%da%98%d9%87-%d9%85%d8%aa%d9%84%d8%a8-%d8%b4%d8%a8%da%a9%d9%87-%d9%be%d8%aa%d8%b1%db%8c-%d9%81%d8%a7%d8%b2%db%8c-fuzzy-petri-net/">پروژه متلب شبکه پتری فازی fuzzy petri net</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d9%be%d8%b1%d9%88%da%98%d9%87-%d9%85%d8%aa%d9%84%d8%a8-%d8%b4%d8%a8%da%a9%d9%87-%d9%be%d8%aa%d8%b1%db%8c-%d9%81%d8%a7%d8%b2%db%8c-fuzzy-petri-net/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>بهینه سازی شبکه بیزین با الگوریتم تجمعی ذرات</title>
		<link>https://matlab1.ir/%d8%a8%d9%87%db%8c%d9%86%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d8%a8%db%8c%d8%b2%db%8c%d9%86-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%aa%d8%ac%d9%85%d8%b9/</link>
					<comments>https://matlab1.ir/%d8%a8%d9%87%db%8c%d9%86%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d8%a8%db%8c%d8%b2%db%8c%d9%86-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%aa%d8%ac%d9%85%d8%b9/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Sun, 20 Aug 2017 09:31:21 +0000</pubDate>
				<category><![CDATA[آموزش]]></category>
		<category><![CDATA[MATLAB متلب]]></category>
		<category><![CDATA[دانلود]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<guid isPermaLink="false">http://am19.siteground.biz/~matlab18/matlab1.ir/?p=10616</guid>

					<description><![CDATA[<p>لینک دانلود بهینه سازی Bayesian Network شبکه بیزین با الگوریتم تجمعی ذرات   Particle Swarm Optimization PSO</p>
<p>نوشته <a href="https://matlab1.ir/%d8%a8%d9%87%db%8c%d9%86%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d8%a8%db%8c%d8%b2%db%8c%d9%86-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%aa%d8%ac%d9%85%d8%b9/">بهینه سازی شبکه بیزین با الگوریتم تجمعی ذرات</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: center;"><span style="font-size: 48pt;"><a href="http://iran-matlab.ir/?product=%D8%A8%D9%87%DB%8C%D9%86%D9%87-%D8%B3%D8%A7%D8%B2%DB%8C-%D8%B4%D8%A8%DA%A9%D9%87-%D8%A8%DB%8C%D8%B2%DB%8C%D9%86-%D8%A8%D8%A7-%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85-%D8%AA%D8%AC%D9%85%D8%B9" target="_blank" rel="noopener noreferrer">لینک دانلود</a></span></p>
<p><span style="font-size: 14pt;">بهینه سازی Bayesian Network شبکه بیزین با الگوریتم تجمعی ذرات   Particle Swarm Optimization PSO</span></p>
<p><iframe loading="lazy" width="420" height="315" src="https://takhtesefid.org/embed?v=0533094688931" frameborder="0" scrolling="no" allowfullscreen></iframe></p>
<p>نوشته <a href="https://matlab1.ir/%d8%a8%d9%87%db%8c%d9%86%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d8%a8%db%8c%d8%b2%db%8c%d9%86-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%aa%d8%ac%d9%85%d8%b9/">بهینه سازی شبکه بیزین با الگوریتم تجمعی ذرات</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d8%a8%d9%87%db%8c%d9%86%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d8%a8%db%8c%d8%b2%db%8c%d9%86-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%aa%d8%ac%d9%85%d8%b9/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>بهینه سازی شبکه بیزین با الگوریتم ژنتیک</title>
		<link>https://matlab1.ir/%d8%a8%d9%87%db%8c%d9%86%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d8%a8%db%8c%d8%b2%db%8c%d9%86-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%da%98%d9%86%d8%aa%db%8c/</link>
					<comments>https://matlab1.ir/%d8%a8%d9%87%db%8c%d9%86%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d8%a8%db%8c%d8%b2%db%8c%d9%86-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%da%98%d9%86%d8%aa%db%8c/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Sun, 20 Aug 2017 08:12:41 +0000</pubDate>
				<category><![CDATA[آموزش]]></category>
		<category><![CDATA[MATLAB متلب]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<guid isPermaLink="false">http://am19.siteground.biz/~matlab18/matlab1.ir/?p=10612</guid>

					<description><![CDATA[<p>لینک دانلود بهینه سازی Bayesian Network شبکه بیزین با الگوریتم ژنتیک  Genetic Algorithm GA</p>
<p>نوشته <a href="https://matlab1.ir/%d8%a8%d9%87%db%8c%d9%86%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d8%a8%db%8c%d8%b2%db%8c%d9%86-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%da%98%d9%86%d8%aa%db%8c/">بهینه سازی شبکه بیزین با الگوریتم ژنتیک</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: center;"><span style="font-size: 48pt;"><a href="http://iran-matlab.ir/?product=%D8%A8%D9%87%DB%8C%D9%86%D9%87-%D8%B3%D8%A7%D8%B2%DB%8C-%D8%B4%D8%A8%DA%A9%D9%87-%D8%A8%DB%8C%D8%B2%DB%8C%D9%86-%D8%A8%D8%A7-%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85-%DA%98%D9%86%D8%AA%DB%8C" target="_blank" rel="noopener noreferrer">لینک دانلود</a></span></p>
<p><span style="font-size: 14pt;">بهینه سازی Bayesian Network شبکه بیزین با الگوریتم ژنتیک  Genetic Algorithm GA</span></p>
<p><iframe loading="lazy" width="420" height="315" src="https://takhtesefid.org/embed?v=611938226494" frameborder="0" scrolling="no" allowfullscreen></iframe></p>
<p>نوشته <a href="https://matlab1.ir/%d8%a8%d9%87%db%8c%d9%86%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d8%a8%db%8c%d8%b2%db%8c%d9%86-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%da%98%d9%86%d8%aa%db%8c/">بهینه سازی شبکه بیزین با الگوریتم ژنتیک</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d8%a8%d9%87%db%8c%d9%86%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d8%a8%db%8c%d8%b2%db%8c%d9%86-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%da%98%d9%86%d8%aa%db%8c/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>کد متلب دسته بندی اثرانگشت</title>
		<link>https://matlab1.ir/%da%a9%d8%af-%d9%85%d8%aa%d9%84%d8%a8-%d8%af%d8%b3%d8%aa%d9%87-%d8%a8%d9%86%d8%af%db%8c-%d8%a7%d8%ab%d8%b1%d8%a7%d9%86%da%af%d8%b4%d8%aa/</link>
					<comments>https://matlab1.ir/%da%a9%d8%af-%d9%85%d8%aa%d9%84%d8%a8-%d8%af%d8%b3%d8%aa%d9%87-%d8%a8%d9%86%d8%af%db%8c-%d8%a7%d8%ab%d8%b1%d8%a7%d9%86%da%af%d8%b4%d8%aa/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Sat, 19 Aug 2017 16:54:58 +0000</pubDate>
				<category><![CDATA[آموزش پردازش تصویر]]></category>
		<category><![CDATA[MATLAB متلب]]></category>
		<category><![CDATA[دانلود]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<guid isPermaLink="false">http://am19.siteground.biz/~matlab18/matlab1.ir/?p=10568</guid>

					<description><![CDATA[<p>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 [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%da%a9%d8%af-%d9%85%d8%aa%d9%84%d8%a8-%d8%af%d8%b3%d8%aa%d9%87-%d8%a8%d9%86%d8%af%db%8c-%d8%a7%d8%ab%d8%b1%d8%a7%d9%86%da%af%d8%b4%d8%aa/">کد متلب دسته بندی اثرانگشت</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: justify;"><span style="font-size: 14pt;">یکی از مراحل مهم در شناسایی اثرانگشت، <a href="https://www.cse.msu.edu/~cse802/" target="_blank" rel="noopener noreferrer">دسته بندی اثرانگشت</a> می باشد.</span><br />
<span style="font-size: 14pt;"> ابتدا تمام تصاویر موجود را تک تک می خوانیم و به تصویر دو بعدی تبدیل می کنیم و برای بالا بردن کیفیت تصاویر از روش یکسان سازی هیستوگرام استفاده می کنیم و سپس تصاویر را هم اندازه می کنیم.</span></p>
<p><span style="font-size: 48pt;"><a href="http://iran-matlab.ir/?product=%DA%A9%D8%AF-%D9%85%D8%AA%D9%84%D8%A8-%D8%AF%D8%B3%D8%AA%D9%87-%D8%A8%D9%86%D8%AF%DB%8C-%D8%A7%D8%AB%D8%B1%D8%A7%D9%86%DA%AF%D8%B4%D8%AA" target="_blank" rel="noopener noreferrer">لینک دانلود</a></span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;"> سپس ماتریس <a href="https://www.mathworks.com/help/images/gray-level-co-occurrence-matrix-glcm.html" target="_blank" rel="noopener noreferrer">co-occurrence</a> را از تصاویر در 4 جهت استخراج می کنیم و از هریک ویژگیهای &#8216;Correlation&#8217;,&#8217;Energy&#8217;,&#8217;Homogeneity&#8217; را استخراج می کنیم. این کار را برای تمامی تصاویر انجام می دهیم.سپس از هر کلاس 15 تصویر انتخاب می کنیم و ویژگیهای استخراج شده را جهت آموزش به شبکه می دهیم و بقیه تصاویر موجود را جهت تست شبکه عصبی مورد استفاده قرار می دهیم.</span></p>
<p><span style="font-size: 14pt;">یک فایل word در کنار این کد قرار دارد که خط به خط کدها را توضیح می دهد.</span></p>
<p>&nbsp;<br />
<iframe loading="lazy" width="420" height="315" src="https://takhtesefid.org/embed?v=927917250449" frameborder="0" scrolling="no" allowfullscreen></iframe></p>
<p>نوشته <a href="https://matlab1.ir/%da%a9%d8%af-%d9%85%d8%aa%d9%84%d8%a8-%d8%af%d8%b3%d8%aa%d9%87-%d8%a8%d9%86%d8%af%db%8c-%d8%a7%d8%ab%d8%b1%d8%a7%d9%86%da%af%d8%b4%d8%aa/">کد متلب دسته بندی اثرانگشت</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%da%a9%d8%af-%d9%85%d8%aa%d9%84%d8%a8-%d8%af%d8%b3%d8%aa%d9%87-%d8%a8%d9%86%d8%af%db%8c-%d8%a7%d8%ab%d8%b1%d8%a7%d9%86%da%af%d8%b4%d8%aa/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>فیلم آموزش فارسی شبکه عصبی بازگشتی NARX</title>
		<link>https://matlab1.ir/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-%d8%a8%d8%a7%d8%b2%da%af%d8%b4%d8%aa%db%8c-narx/</link>
					<comments>https://matlab1.ir/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-%d8%a8%d8%a7%d8%b2%da%af%d8%b4%d8%aa%db%8c-narx/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Thu, 03 Aug 2017 12:26:10 +0000</pubDate>
				<category><![CDATA[آموزش]]></category>
		<category><![CDATA[MATLAB متلب]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<category><![CDATA[مدل ARIMA]]></category>
		<guid isPermaLink="false">http://am19.siteground.biz/~matlab18/matlab1.ir/?p=10509</guid>

					<description><![CDATA[<p>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 [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-%d8%a8%d8%a7%d8%b2%da%af%d8%b4%d8%aa%db%8c-narx/">فیلم آموزش فارسی شبکه عصبی بازگشتی NARX</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: justify;"><span style="font-size: 14pt;">در مدلسازی سری زمانی ، مدل برونی خودپنداره غیر خطی یا مدل <a href="https://en.wikipedia.org/wiki/Nonlinear_autoregressive_exogenous_model" target="_blank" rel="noopener noreferrer">nonlinear autoregressive exogenous</a> یا <a href="https://www.mathworks.com/help/nnet/ref/narxnet.html" target="_blank" rel="noopener noreferrer">NARX </a>به عنوان یکی از مدلهای پر کاربرد می باشد. در این مدل مقدار فعلی به مقادیر قبلی ورودی و خروجی وابسته است.</span></p>
<p><img loading="lazy" decoding="async" class="aligncenter size-full wp-image-10513" src="https://matlab1.ir/wp-content/uploads/2017/08/NARX-model-nonlinear-autoregressive-network-exogenous-2.jpg" alt="" width="606" height="586" srcset="https://matlab1.ir/wp-content/uploads/2017/08/NARX-model-nonlinear-autoregressive-network-exogenous-2.jpg 606w, https://matlab1.ir/wp-content/uploads/2017/08/NARX-model-nonlinear-autoregressive-network-exogenous-2-300x290.jpg 300w" sizes="auto, (max-width: 606px) 100vw, 606px" /></p>
<p style="text-align: justify;"><span style="font-size: 14pt;"> رابطه یک شبکه NARX به صورت زیر است :</span></p>
<p style="text-align: center;"><span style="font-size: 14pt;"> y(t)=f(y(t−1),y(t−2),…,y(t−ny),u(t−1),u(t−2),…,u(t−nu))+Ɛ</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;"> y(t) خروجی نهایی ، u(t) ورودی مدل می باشد. y(t-1) خروجی یکی قبلتر و y(t-2) خروجی دو واحد قبلتر می باشد. u(t-1) ورودی یکی قبلتر و u(t-2) ورودی دو واحد قبلتر می باشد.</span><br />
<span style="font-size: 14pt;"> یک ترم خطا هم وجود دارد که نشان دهنده این واقعیت است که مقدار خروجی نهایی یک سری زمانی دقیقا مقدار جاری آن نمی باشد. به عبارت دیگر هر قدر هم که ما یک مدل دقیق طراحی کنیم باز هم طبیعت یک سری زمانی مقداری تصادفی بودن را در دل خود دارد.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">برنامه نویسی متلب شبکه های NARX کمی مشکل و پیچیده می باشد چون با برنامه نویسی <a href="http://iran-matlab.ir/?product=%D9%81%D9%8A%D9%84%D9%85-%D8%A2%D9%85%D9%88%D8%B2%D8%B4-%D9%81%D8%A7%D8%B1%D8%B3%D9%8A-%D8%B4%D8%A8%D9%83%D9%87-%D9%87%D8%A7%D9%8A-%D8%B9%D8%B5%D8%A8%D9%8A" target="_blank" rel="noopener noreferrer">شبکه های عصبی</a> دیگر متفاوت می باشد. رعایت نکردن تعدادی نکته ممکن است باعث تولید خطا در برنامه شود و پیدا کردن این خطا گاهی مشکل می باشد.</span></p>
<p><img loading="lazy" decoding="async" class="aligncenter size-full wp-image-10514" src="https://matlab1.ir/wp-content/uploads/2017/08/NARX-model-nonlinear-autoregressive-network-exogenous-.jpg" alt="" width="595" height="194" srcset="https://matlab1.ir/wp-content/uploads/2017/08/NARX-model-nonlinear-autoregressive-network-exogenous-.jpg 595w, https://matlab1.ir/wp-content/uploads/2017/08/NARX-model-nonlinear-autoregressive-network-exogenous--300x98.jpg 300w" sizes="auto, (max-width: 595px) 100vw, 595px" /></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">ما در این فیلم آموزشی مراحل برنامه نویسی متلب یک شبکه NARX را به صورت گام به گام با چندین مثال به شما یاد می دهیم.</span></p>
<p style="text-align: center;"><span style="font-size: 48pt; color: #003366;"><a style="color: #003366;" href="http://iran-matlab.ir/?product=%D9%81%DB%8C%D9%84%D9%85-%D8%A2%D9%85%D9%88%D8%B2%D8%B4-%D9%81%D8%A7%D8%B1%D8%B3%DB%8C-%D8%B4%D8%A8%DA%A9%D9%87-%D8%B9%D8%B5%D8%A8%DB%8C-%D8%A8%D8%A7%D8%B2%DA%AF%D8%B4%D8%AA%DB%8C-narx" target="_blank" rel="noopener noreferrer">لینک دانلود</a></span></p>
<p>نوشته <a href="https://matlab1.ir/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-%d8%a8%d8%a7%d8%b2%da%af%d8%b4%d8%aa%db%8c-narx/">فیلم آموزش فارسی شبکه عصبی بازگشتی NARX</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%81%d8%a7%d8%b1%d8%b3%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-%d8%a8%d8%a7%d8%b2%da%af%d8%b4%d8%aa%db%8c-narx/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>درخت بگینگ Bagging tree</title>
		<link>https://matlab1.ir/%d8%af%d8%b1%d8%ae%d8%aa-%d8%a8%da%af%db%8c%d9%86%da%af-bagging-tree/</link>
					<comments>https://matlab1.ir/%d8%af%d8%b1%d8%ae%d8%aa-%d8%a8%da%af%db%8c%d9%86%da%af-bagging-tree/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Thu, 03 Aug 2017 11:40:36 +0000</pubDate>
				<category><![CDATA[آموزش]]></category>
		<category><![CDATA[MATLAB متلب]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[دسته بندی کننده درختی]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<guid isPermaLink="false">http://am19.siteground.biz/~matlab18/matlab1.ir/?p=10505</guid>

					<description><![CDATA[<p>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. [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d8%af%d8%b1%d8%ae%d8%aa-%d8%a8%da%af%db%8c%d9%86%da%af-bagging-tree/">درخت بگینگ Bagging tree</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: justify;"><span style="font-size: 14pt;">درخت بگینگ مخفف <a href="https://en.wikipedia.org/wiki/Bootstrap_aggregating" target="_blank" rel="noopener noreferrer">Bootstrap aggregating</a> (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. با دریافت مجموعه‌ی آموزشی D با سایز N (تعداد نمونه های داده آموزشی)، به تعداد K مجموعه آموزشی جدید Di، با سایز n&lt;N، تولید می‌شود که حاصل سمپل‌گیری یکنواخت و با جایگزینی از مجموعه اولیه D می‌باشد. همان‌طور که می‌دانیم این نوع سمپل‌گیری بعنوان Bootstrap sample شناخته می‌شود. K مدل مختلف با استفاده از K زیر مجموعه، آموزش داده می‌شوند و در نهایت یک مدل نهایی را تشکیل می‌دهند. این مدل نهایی در <a href="http://iran-matlab.ir/?product=%D9%81%DB%8C%D9%84%D9%85-%D8%A2%D9%85%D9%88%D8%B2%D8%B4-%D9%81%D8%A7%D8%B1%D8%B3%DB%8C-%D8%B1%DA%AF%D8%B1%D8%B3%DB%8C%D9%88%D9%86-regression" target="_blank" rel="noopener noreferrer">رگرسیون </a>از میانگین‌گیری نتایج مدل‌ها و در کلاسه‌بندی از رأی‌گیری بین مدل‌ها حاصل می‌شود [29]. درخت بگینگ در واقع همان الگوریتم بگینگ است که مدل‌های پایه‌ای آن مبتنی بر درخت‌های تصمیم‌گیری هستند. همانطور که مشخص است، بر خلاف بوستینگ در بحث بگینگ، مدل‌های پایه مستقل از هم ساخته می‌شوند و به دقت مدل‌های قبلی وابسته نیستند. در شکل 2-1 الگوریتم مربوط به بگینگ را می بینیم.</span></p>
<p style="text-align: justify;">
<p dir="ltr" style="text-align: justify;"><span style="font-size: 14pt;">Algorithm: Bagging</span><br />
<span style="font-size: 14pt;"> Input :</span><br />
<span style="font-size: 14pt;"> Sequence of N examples D &lt;( x1 ,y1 ),….., ( xN, yN )&gt; with labels y i€ Y={ 1,…,L }</span><br />
<span style="font-size: 14pt;"> Distribution D over the N example</span><br />
<span style="font-size: 14pt;"> Integer K specifying number of iterations</span><br />
<span style="font-size: 14pt;"> Weak Learning algorithm WeakLearn (tree)</span><br />
<span style="font-size: 14pt;"> Do k=1,2,.., K</span><br />
<span style="font-size: 14pt;"> • Choose bootstrapped sample Di (n sample) by randomly from D.</span><br />
<span style="font-size: 14pt;"> • Call WeakLearn k with Di and receive the hypothesis (tree) ht.</span><br />
<span style="font-size: 14pt;"> • Add ht to the ensemble.</span><br />
<span style="font-size: 14pt;"> End</span><br />
<span style="font-size: 14pt;"> Test: Simple Majority Voting – Given unlabeled instance x</span><br />
<span style="font-size: 14pt;"> • Evaluate the ensemble {h1,….,hk} on x</span><br />
<span style="font-size: 14pt;"> • Choose the class that receives the highest total vote as the final classification.</span></p>
<p dir="ltr" style="text-align: justify;">
<p style="text-align: justify;"><span style="font-size: 14pt;">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&lt;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.</span><br />
<span style="font-size: 14pt;"> 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].</span><br />
<span style="font-size: 14pt;"> 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.</span><br />
<span style="font-size: 14pt;"> از جمله انواع الگوریتم‌هایی که روند بگینگ را دنبال می‌کنند، می‌توان به دو نوع (1) pasting small votes و(2) رندوم فارست اشاره کرد.</span><br />
<span style="font-size: 14pt;"> • 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].</span><br />
<span style="font-size: 14pt;"> • 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.</span></p>
<p>نوشته <a href="https://matlab1.ir/%d8%af%d8%b1%d8%ae%d8%aa-%d8%a8%da%af%db%8c%d9%86%da%af-bagging-tree/">درخت بگینگ Bagging tree</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d8%af%d8%b1%d8%ae%d8%aa-%d8%a8%da%af%db%8c%d9%86%da%af-bagging-tree/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>بسته آموزشی جامع بینایی ماشین</title>
		<link>https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%d8%a8%db%8c%d9%86%d8%a7%db%8c%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86/</link>
					<comments>https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%d8%a8%db%8c%d9%86%d8%a7%db%8c%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86/#comments</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Sat, 24 Jun 2017 17:52:59 +0000</pubDate>
				<category><![CDATA[آموزش]]></category>
		<category><![CDATA[آموزش پردازش تصویر]]></category>
		<category><![CDATA[MATLAB متلب]]></category>
		<category><![CDATA[تشخیص امضا]]></category>
		<category><![CDATA[تشخیص جعل]]></category>
		<category><![CDATA[تشخیص لبه]]></category>
		<category><![CDATA[سیگنال ECG]]></category>
		<category><![CDATA[شبکه عصبی CNN]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<category><![CDATA[شناسایی حروف]]></category>
		<category><![CDATA[Automatic image annotation]]></category>
		<category><![CDATA[آنالیز تصویر]]></category>
		<category><![CDATA[استخراج ویژگی]]></category>
		<category><![CDATA[BRISK]]></category>
		<category><![CDATA[computer vision]]></category>
		<category><![CDATA[Feature extraction]]></category>
		<category><![CDATA[Gesture recognition]]></category>
		<category><![CDATA[HOG]]></category>
		<category><![CDATA[image analysis]]></category>
		<category><![CDATA[image processing]]></category>
		<category><![CDATA[image restoration]]></category>
		<category><![CDATA[Object recognition]]></category>
		<category><![CDATA[Pedestrian detection]]></category>
		<category><![CDATA[Smart camera]]></category>
		<category><![CDATA[stereo computer vision]]></category>
		<category><![CDATA[tracking]]></category>
		<category><![CDATA[tracking matlab]]></category>
		<category><![CDATA[video processing]]></category>
		<category><![CDATA[بینایی ماشین]]></category>
		<category><![CDATA[پردازش تصویر]]></category>
		<category><![CDATA[پردازش ویدئو]]></category>
		<category><![CDATA[ترمیم تصویر]]></category>
		<category><![CDATA[تشخیص ژست]]></category>
		<category><![CDATA[تشخیص عابر پیاده]]></category>
		<category><![CDATA[حاشیه نویسی تصویر خودکار]]></category>
		<category><![CDATA[دوربین هوشمند]]></category>
		<category><![CDATA[ردیابی]]></category>
		<category><![CDATA[ردیابی متلب]]></category>
		<category><![CDATA[شناسایی شی]]></category>
		<category><![CDATA[ویژگی BRISK]]></category>
		<category><![CDATA[ویژگی HOG]]></category>
		<category><![CDATA[یادگیری عمیق]]></category>
		<guid isPermaLink="false">http://am19.siteground.biz/~matlab18/matlab1.ir/?p=7441</guid>

					<description><![CDATA[<p>به عبارت ساده تر، بینایی ماشین یعنی &#8221; آموزش ماشین به نحوی که ببیند &#8220;. این زمینه تحقیقاتی بیش از 40 سال است که سابقه دارد اما رشد انفجاری اخیر تکنولوژی های [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%d8%a8%db%8c%d9%86%d8%a7%db%8c%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86/">بسته آموزشی جامع بینایی ماشین</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: justify;"><span style="font-size: 14pt; line-height: 2.5em; color: #000000;">به عبارت ساده تر، بینایی ماشین یعنی &#8221; آموزش ماشین به نحوی که ببیند &#8220;.</span><br />
<span style="font-size: 14pt; line-height: 2.5em; color: #000000;"> این زمینه تحقیقاتی بیش از 40 سال است که سابقه دارد اما رشد انفجاری اخیر تکنولوژی های تصویر برداری دیجیتال منجر به ایجاد مسائلی جدید شده است که بسیار هیجان انگیز و کاربردی است.</span><br />
<span style="font-size: 14pt; line-height: 2.5em; color: #000000;"> در بینایی ماشین دو زمینه تحقیاتی وجود دارد : <a style="color: #000000;" href="https://en.wikipedia.org/wiki/Category:Geometry_in_computer_vision" target="_blank" rel="noopener noreferrer">هندسه 3 بعدی </a> و شناسایی (recognition) .</span></p>
<p style="text-align: justify;"><img loading="lazy" decoding="async" class="aligncenter size-full wp-image-7445" src="https://matlab1.ir/wp-content/uploads/2017/06/3D-vision-image-analysis.jpg" alt="" width="600" height="448" srcset="https://matlab1.ir/wp-content/uploads/2017/06/3D-vision-image-analysis.jpg 600w, https://matlab1.ir/wp-content/uploads/2017/06/3D-vision-image-analysis-300x224.jpg 300w, https://matlab1.ir/wp-content/uploads/2017/06/3D-vision-image-analysis-45x35.jpg 45w" sizes="auto, (max-width: 600px) 100vw, 600px" /><br />
<span style="font-size: 14pt; line-height: 2.5em; color: #000000;"> 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.</span><br />
<span style="font-size: 14pt; line-height: 2.5em; color: #000000;"> 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.</span></p>
<p style="text-align: justify;"><img loading="lazy" decoding="async" class="aligncenter size-full wp-image-8182" src="http://iran-matlab.ir/wp-content/uploads/2017/06/int2.png" alt="" width="700" height="394" /></p>
<h2 style="text-align: justify;"></h2>
<h2 style="text-align: justify;"><span style="color: #ff6600;">بینایی ماشین در متلب :</span></h2>
<h2 style="text-align: justify;"><span style="font-size: 14pt; line-height: 2.5em; color: #000000;">جعبه ابزار سیستم بینایی ماشین (<a style="color: #000000;" href="https://www.mathworks.com/products/computer-vision.html" target="_blank" rel="noopener noreferrer">Computer Vision System Toolbox</a>™) تابع و الگوریتم هایی برای طراحی و شبیه سازی سیستم های بینایی ماشین و پردازش ویدئو در اختیار کاربران متلب قرار می دهد.</span></h2>
<h2 style="text-align: justify;"><span style="font-size: 14pt; line-height: 2.5em; color: #000000;">شما می توانید استخراج و شناسایی و تطبیق ویژگی را به سادگی برای کاربردهایی مثل شناسایی شی (<a style="color: #000000;" href="https://en.wikipedia.org/wiki/Object_detection" target="_blank" rel="noopener noreferrer">object detection</a>) و دنبال کردن (tracking) و تخمین حرکت (motion estimation) و پردازش ویدئو (video processing) در این تولباکس انجام دهید.</span></h2>
<h2 style="text-align: justify;"><span style="font-size: 14pt; line-height: 2.5em; color: #000000;">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.</span></h2>
<h2 style="text-align: justify;"><span style="font-size: 14pt; line-height: 2.5em; color: #000000;">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 <a style="color: #000000;" href="http://iran-matlab.ir/?product=%D9%BE%D8%B1%D8%AF%D8%A7%D8%B2%D8%B4-%D8%AA%D8%B5%D9%88%DB%8C%D8%B1-%D8%AF%D8%B1-%D9%85%D8%AA%D9%84%D8%A8" target="_blank" rel="noopener noreferrer">تصویر </a>باشد.</span></h2>
<h2 style="text-align: justify;"><span style="font-size: 14pt; line-height: 2.5em; color: #000000;">الگوریتم های موجود در این جعبه ابزار شامل توابع متلب ، اشیای سیستم (System objects) و بلوک های سیمولینک می باشد.</span></h2>
<hr />
<p><span style="color: #ff6600; font-size: 16pt;"><strong>بخش اول : آموزش فارسی شناسایی و استخراج ویژگی در بینایی ماشین</strong></span></p>
<p><a href="http://iran-matlab.ir/?product=%D8%A2%D9%85%D9%88%D8%B2%D8%B4-%D9%81%D8%A7%D8%B1%D8%B3%DB%8C-%D8%B4%D9%86%D8%A7%D8%B3%D8%A7%DB%8C%DB%8C-%D9%88-%D8%A7%D8%B3%D8%AA%D8%AE%D8%B1%D8%A7%D8%AC-%D9%88%DB%8C%DA%98%DA%AF%DB%8C-%D8%AF%D8%B1" target="_blank" rel="noopener noreferrer"><img loading="lazy" decoding="async" class="aligncenter wp-image-8219 size-full" src="http://iran-matlab.ir/wp-content/uploads/2017/06/Feature-Detection-and-Extraction-MATLAB.png" alt="" width="400" height="400" /></a></p>
<p style="text-align: center;"><span style="font-size: 12pt;"><strong>(بر روی تصویر بالا کلیک کنید)</strong></span></p>
<hr />
<p>نوشته <a href="https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%d8%a8%db%8c%d9%86%d8%a7%db%8c%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86/">بسته آموزشی جامع بینایی ماشین</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%d8%a8%db%8c%d9%86%d8%a7%db%8c%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86/feed/</wfw:commentRss>
			<slash:comments>2</slash:comments>
		
		
			</item>
		<item>
		<title>برنامه نویسی متلب تبدیل کرولت</title>
		<link>https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%aa%d8%a8%d8%af%db%8c%d9%84-%da%a9%d8%b1%d9%88%d9%84%d8%aa/</link>
					<comments>https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%aa%d8%a8%d8%af%db%8c%d9%84-%da%a9%d8%b1%d9%88%d9%84%d8%aa/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Thu, 22 Jun 2017 06:07:08 +0000</pubDate>
				<category><![CDATA[آموزش]]></category>
		<category><![CDATA[آموزش پردازش تصویر]]></category>
		<category><![CDATA[MATLAB متلب]]></category>
		<category><![CDATA[داده كاوي]]></category>
		<category><![CDATA[دانلود]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<category><![CDATA[ویولت]]></category>
		<category><![CDATA[الگوریتم پردازش سیگنال]]></category>
		<category><![CDATA[curvelab]]></category>
		<category><![CDATA[Curvelet]]></category>
		<category><![CDATA[curvelet transform]]></category>
		<category><![CDATA[curvelet transform MATLAB]]></category>
		<category><![CDATA[fast discrete curvelet transform]]></category>
		<category><![CDATA[FDCT]]></category>
		<category><![CDATA[USFFT]]></category>
		<category><![CDATA[Wrapping]]></category>
		<category><![CDATA[بینایی کامپیوتری]]></category>
		<category><![CDATA[پردازش تصویر]]></category>
		<category><![CDATA[پردازش سیگنال بیومدیک]]></category>
		<category><![CDATA[تبدیل کرولت]]></category>
		<category><![CDATA[تبدیل کرولت متلب]]></category>
		<category><![CDATA[تبدیل موجک دیجیتال]]></category>
		<category><![CDATA[ریاضیات]]></category>
		<category><![CDATA[ژنراتورهای سیگنال]]></category>
		<category><![CDATA[کرولت]]></category>
		<category><![CDATA[محاسبات علمی]]></category>
		<category><![CDATA[وضوح تصویر]]></category>
		<guid isPermaLink="false">http://am19.siteground.biz/~matlab18/matlab1.ir/?p=7335</guid>

					<description><![CDATA[<p>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 [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%aa%d8%a8%d8%af%db%8c%d9%84-%da%a9%d8%b1%d9%88%d9%84%d8%aa/">برنامه نویسی متلب تبدیل کرولت</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: justify;"><span style="font-size: 14pt;">روشهای چند رزولوشنی به طور عمیقی به پردازش تصویر و ماشین بینایی و محاسبات علمی مرتبط هستند. <a href="https://en.wikipedia.org/wiki/Curvelet" target="_blank" rel="noopener noreferrer">تبدیل کرولت</a> یک تبدیل چند جهتی چند مقیاسی است. تبدیل کرولت بیان غیر وفقی بهینه از لبه ها می باشد. از این تبدیل در پردازش تصویر و ویدئو و اکتشاف لرزه ای و مکانیک سیالات و شبیه سازی معادلات دیفرانسیل جزیی و سنجش فشرده استفاده می شود.</span><br />
<span style="font-size: 14pt;"><a href="http://www.curvelet.org/" target="_blank" rel="noopener noreferrer"> تبدیل کرولت</a> یکی از زمینه های مورد علاقه می باشد زیرا خیلی از مشکلات تبدیل های دیگر مثل تبدیل ویولت را به طور موثرتری برطرف می کند.</span><br />
<span style="font-size: 14pt;"> این تبدیل برای اشیا با انحنا (curve) مناسب می باشد و نام این تبدیل هم از همین خصوصیت آن گرفته شده است. </span><span style="font-size: 14pt;">در سال 1999 توسط Candès و Donoho معرفی شد.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt; color: #ff6600;"><strong> نرخ های تقریب (Approximation Rates) :</strong></span><br />
<span style="font-size: 14pt;"> فرض کنید یک شی در فضای [0,1] در [0,1] قرار دارد . دقت تبدیل فوریه و تبدیل ویولت و تبدیل کرولت در بیان این شی در قسمت زیر نشان داده شده است :</span><br />
<span style="font-size: 14pt;"> تبدیل فوریه <a href="https://en.wikipedia.org/wiki/Fourier_transform" target="_blank" rel="noopener noreferrer">Fourier Transform</a> :</span><br />
<img loading="lazy" decoding="async" class="aligncenter size-full wp-image-8133" src="http://iran-matlab.ir/wp-content/uploads/2017/06/fourier-transform.jpg" alt="" width="284" height="76" /><br />
<span style="font-size: 14pt;"> تبدیل ویولت <a href="https://en.wikipedia.org/wiki/Wavelet_transform" target="_blank" rel="noopener noreferrer">Wavelet Transform</a> :</span><br />
<img loading="lazy" decoding="async" class="aligncenter size-full wp-image-8134" src="http://iran-matlab.ir/wp-content/uploads/2017/06/Wavelet-Transform.jpg" alt="" width="276" height="74" /><br />
<span style="font-size: 14pt;">تبدیل کرولت Curvelet Transform :</span><br />
<img loading="lazy" decoding="async" class="aligncenter size-full wp-image-8135" src="http://iran-matlab.ir/wp-content/uploads/2017/06/Curvelet-Transform.jpg" alt="" width="506" height="74" /><br />
<span style="font-size: 14pt;">همانطور که مشاهده می فرمایید خطای بین شی و بیان تبدیل یافته آن در تبدیل کرولت کمتر از دو تبدیل دیگر است.</span></p>
<p><span style="font-size: 14pt; color: #ff6600;"><strong>عدم پیوستگی در منحنی و نقطه</strong></span><br />
<span style="font-size: 14pt;"> Point and Curve Discontinuities</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">عدم پیوستگی نقطه ای در تبدیل فوریه بر روی همه ضرایب آن تاثیر می گذارد. لذا تبدیل فوریه نمی تواند با عدم پیوستگی نقطه ای به خوبی رفتار کند. اما تبدیل ویولت به خوبی عدم پیوستگی نقطه ای را بیان می کند و تنها تعداد کمی از ضرایب آن دستخوش تغییر می شوند.</span><br />
<span style="font-size: 14pt;"> عدم پیوستگی بر روی یک منحنی ، تمامی ضرایب تبدیل ویولت را تغییر دهد لذا تبدیل ویولت نمی تواند در اشیا با عدم پیوستگی در منحنی به خوبی رفتار کند. اما تبدیل کرولت طراحی شد تا عدم پیوستگی در منحنی را بیان کند و تنها تعداد کمی از ضرایب آن دستخوش تغییر شود.</span></p>
<p>&nbsp;</p>
<p style="text-align: justify;"><span style="font-size: 14pt;">بنا به درخواست کاربران فهیم سایت ایران متلب ، فیلم آموزشی برنامه نویسی تبدیل کرولت در متلب برای استفاده آماده شد.</span><br />
<span style="font-size: 14pt;"> این فیلم آموزشی اختصاص به طریقه کدنویسی و برنامه نویسی و کار با تبدیل کرولت در متلب دارد. در ابتدا تئوری مختصری از روشهای موجود صحبت می شود. اختلاف این روشها با هم و مزیت هر کدام بیان می شود. سپس توابع متلب مختص تبدیل کرولت به تفضیل معرفی می شوند. در انتها چندین مثال برنامه نویسی <a href="https://www.mathworks.com" target="_blank" rel="noopener noreferrer">متلب </a>آورده شده است.</span></p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<p style="text-align: center;"><a href="https://iran-matlab.ir/?product=%D8%A8%D8%B1%D9%86%D8%A7%D9%85%D9%87-%D9%86%D9%88%DB%8C%D8%B3%DB%8C-%D9%85%D8%AA%D9%84%D8%A8-%D8%AA%D8%A8%D8%AF%DB%8C%D9%84-%DA%A9%D8%B1%D9%88%D9%84%D8%AA" target="_blank" rel="noopener noreferrer"><span style="font-size: 72pt;">لینک دانلود</span></a></p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<p style="text-align: justify;"><span style="font-size: 14pt; color: #ff6600;"><strong>پیش نمایش :</strong></span></p>
<p style="text-align: center;"><iframe loading="lazy" src="https://takhtesefid.org/embed?v=0459891591805" width="420" height="315" frameborder="0" scrolling="no" allowfullscreen="allowfullscreen"></iframe></p>
<p style="text-align: center;"><span style="font-size: 14pt;"><a href="http://www.mediafire.com/file/w1gagaj9dfjflqs/curv1.rar" target="_blank" rel="noopener noreferrer">لینک دانلود (کیفیت بالا)</a></span></p>
<p style="text-align: right;"><span style="font-size: 14pt; color: #ff6600;"><strong>تصاویری از این فیلم آموزشی :</strong></span></p>
<p><img loading="lazy" decoding="async" class="aligncenter size-full wp-image-8137" src="http://iran-matlab.ir/wp-content/uploads/2017/06/Curvelet-transform-code-train-download-2.jpg" alt="" width="800" height="458" /><br />
<img loading="lazy" decoding="async" class="aligncenter size-full wp-image-8138" src="http://iran-matlab.ir/wp-content/uploads/2017/06/Curvelet-transform-code-train-download.jpg" alt="" width="800" height="446" /><br />
<img loading="lazy" decoding="async" class="aligncenter size-full wp-image-8139" src="http://iran-matlab.ir/wp-content/uploads/2017/06/out1.jpg" alt="" width="700" height="372" /><br />
<img loading="lazy" decoding="async" class="aligncenter size-full wp-image-8140" src="http://iran-matlab.ir/wp-content/uploads/2017/06/out2.jpg" alt="" width="700" height="373" /><br />
<img loading="lazy" decoding="async" class="aligncenter size-full wp-image-8141" src="http://iran-matlab.ir/wp-content/uploads/2017/06/out3.jpg" alt="" width="700" height="373" /><br />
<img loading="lazy" decoding="async" class="aligncenter size-full wp-image-8142" src="http://iran-matlab.ir/wp-content/uploads/2017/06/out5.jpg" alt="" width="700" height="373" /></p>
<p>نوشته <a href="https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%aa%d8%a8%d8%af%db%8c%d9%84-%da%a9%d8%b1%d9%88%d9%84%d8%aa/">برنامه نویسی متلب تبدیل کرولت</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%aa%d8%a8%d8%af%db%8c%d9%84-%da%a9%d8%b1%d9%88%d9%84%d8%aa/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>سیستم های اجرایی تولید</title>
		<link>https://matlab1.ir/%d8%b3%db%8c%d8%b3%d8%aa%d9%85-%d9%87%d8%a7%db%8c-%d8%a7%d8%ac%d8%b1%d8%a7%db%8c%db%8c-%d8%aa%d9%88%d9%84%db%8c%d8%af/</link>
					<comments>https://matlab1.ir/%d8%b3%db%8c%d8%b3%d8%aa%d9%85-%d9%87%d8%a7%db%8c-%d8%a7%d8%ac%d8%b1%d8%a7%db%8c%db%8c-%d8%aa%d9%88%d9%84%db%8c%d8%af/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Sun, 21 May 2017 11:49:09 +0000</pubDate>
				<category><![CDATA[آموزش]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<guid isPermaLink="false">http://am19.siteground.biz/~matlab18/matlab1.ir/?p=5246</guid>

					<description><![CDATA[<p>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. [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d8%b3%db%8c%d8%b3%d8%aa%d9%85-%d9%87%d8%a7%db%8c-%d8%a7%d8%ac%d8%b1%d8%a7%db%8c%db%8c-%d8%aa%d9%88%d9%84%db%8c%d8%af/">سیستم های اجرایی تولید</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: justify;"><span style="font-size: 14pt;">منشاء مفهوم سیستم اجرایی تولید<a href="#_ftn1" name="_ftnref1"><sup>[1]</sup></a> 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. به تدریج با ظهورCIM<a href="#_ftn2" name="_ftnref2">[2]</a> معیاری برای تفکیک این وظایف عنوان شد ودر اواسط دهه 90، سیستم­های جمع­آوری داده­های تولید، خودرا به نحوی ارتقا دادند تا به سمت سیستم­های یکپارچه پیش روند.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">با به کارگیری روزافزون فناوری­اطلاعات برای بهبود عمل تولید، در اواخر دهه 90 نیاز به تعریف مدونی برای سیستم­های اجرایی تولید احساس شد. لذا  <a href="#_ftn3" name="_ftnref3">[3]</a>MESAدر سال 2000 نمونه­هایی ازتعریف اجرا برای تولید عنوان کرد. از دید این انجمن اجرا به معنای ایجاد محصول، ایجاد و اندازه­گیری قطعات، انتقال لیست اقلام موجود به و یا از ایستگاه­های کاری، تغییر اولویت سفارشات، انتساب مجدد پرسنل و اقلام موجود و همچنین زمانبندی مجدد است. تمامی واژه­هایی که  توسط MESA تحت عنوان اجرا مطرح شده­است بیانگر نوعی پویاییست که مستلزم کنترل، زمانبندی و پی­گیری پویا برسیستم­ اطلاعاتی تولید است.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;"><strong>2.1.1</strong><strong> توابع اصلی سیستم­های اجرایی تولید</strong></span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">MESA  7 تابع اصلی را برای سیستم­های اجرایی تولید تعریف کرده­است که بیشتر کارکردهای اصلی این سیستم را تحت پوشش قرار می­دهد. این توابع عبارتند از:</span></p>
<ul style="text-align: justify;">
<li><span style="font-size: 14pt;">واسط سیستم­های برنامه­ریزی: سیستم­های اجرایی تولید بایستی به طور مستقیم با سیستم­های برنامه­ریزی همراه شود تا در یک ارتباط دوطرفه سفارش­های کاری وسایر ورودی­ها رادریافت کرده و برای لایه­های پایین ترجمه کند و گزارش­ها و اطلاعات کنترلی رابه لایه­های بالای سازمان منتقل کند[1].</span></li>
<li><span style="font-size: 14pt;">سفارش کاری: سیستم­اجرایی تولید، سفارش­های کاری را دریافت کرده، تغییرات را بر روی سفارش­ها مدیریت می­کند و لیستی متوالی و اولویت­دهی شده­ را ایجاد، تغییر، برنامه­ریزی و نگهداری می­کند. در این لیست تغییرات و زمانبندی ذخایر مواد اولیه خاص و تجزیه وترکیب سفارشات مشهود است[1].</span></li>
<li><span style="font-size: 14pt;">ایستگاه­های کاری: این بخش از سیستم­های اجرایی تولید، مسئول پاسخگویی در قبال پیاده­سازی برنامه و سفارش­ها و پیکربندی منطقی ایستگاه­های کاری است[1].</span></li>
<li><span style="font-size: 14pt;">پی­گیری ومدیریت لیست کالاها: این بخش ازسیستم­های اجرایی تولید، نقشه به روزی از تمامی لیست­کالاها و محل ذخیره­ها وکارهای در حال جریان نگهداری می­کند[1].</span></li>
<li><span style="font-size: 14pt;">جابه­جایی مواد اولیه: هدف از این بخش کنترل جابه­جایی مواد اولیه به ایستگاه­های کاری است[1].</span></li>
<li><span style="font-size: 14pt;">جمع­آوری داده­ها: این بخش از سیستم­های اجرایی تولید در حقیقت چشم­ها وگوش­های مدیریت اطلاعات در تولید هستند واطلاعات را جمع­آوری می­کنند و در نتیجه سیستم می­تواند به روز باقی بماند[1].</span></li>
<li><span style="font-size: 14pt;">مدیریت استثناها: یک بخش ضروری سیستم­های اجرایی تولید این است که چگونه یک سازمان تولیدی در قبال رویدادها و استثناها واکنش نشان می­دهد واینکه بتواند تغییرات را کنترل کرده و عملیات جایگزین را انجام دهد[1].</span></li>
</ul>
<p style="text-align: justify;">
<p style="text-align: justify;"><span style="font-size: 14pt;">شکل2.1 توابع اصلی سیستم­های اجرایی تولید ]1[</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;"><strong>2.2.2 توابع پشتیبان سیستم­های اجرایی تولید</strong></span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">علاوه بر7 تابع اصلی سیستم­های اجرایی تولید، 9 تابع پشتیبان نیز عنوان شده است که درسطح پایینتری ازاهمیت قرار می­گیرند. این توابع عبارتنداز:</span></p>
<ul style="text-align: justify;">
<li><span style="font-size: 14pt;">کنترل فرآیندآماری</span></li>
<li><span style="font-size: 14pt;">مدیریت نگهداری</span></li>
<li><span style="font-size: 14pt;">کنترل حضور وغیاب</span></li>
<li><span style="font-size: 14pt;">مدیریت داده­های تولید</span></li>
<li><span style="font-size: 14pt;">پردازش وارزیابی کارایی</span></li>
<li><span style="font-size: 14pt;">مدیریت تامین کننده</span></li>
<li><span style="font-size: 14pt;">پی­گیری رد و اثرمحصولات</span></li>
<li><span style="font-size: 14pt;">مدیریت اطلاعات کارگاه</span></li>
<li><span style="font-size: 14pt;">تعیین کیفیت[1]</span></li>
</ul>
<p style="text-align: justify;"><span style="font-size: 14pt;">باوجود این توابع اصلی وپشتیبان، باز ضرورت وجود استانداردی جزئی­تر برای سیستم­های اجرایی تولید احساس می­شد که در ادامه به شرح آن خواهیم پرداخت.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;"><strong>2.2.3 استاندارد </strong><strong>ANSI/ISA95</strong></span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">این استاندارد دیدلایه­ای وسلسله­مراتبی به سیستم­های اجرایی تولیددارد وعلاوه بر MESA، مدل <a href="#_ftn4" name="_ftnref4">[4]</a>PRM را نیز به عنوان مبنایی برای بسط خود در نظر گرفته است. این استاندارد متشکل از 5 بخش است که بخش اول برمدل­ها و واژه­شناسی­ها تمرکزدارد، بخش دوم شامل صفات مدل اشیا است و بخش سوم برمدل مدیریت عملیات تولید که خود شامل سیستم­های اجرایی تولید می­شود. بخش چهارم برارتباط لایه سیستم اجرایی تولید با لایه ­های بالاتر سازمانی تمرکز دارد و بخش پنجم به ارتباط سیستم اجرایی تولید بالایه­های پایینی تولید تمرکز دارد[2]. لذا بخش سوم این استاندارد مورد بحث واقع شده­است.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">شکل2.2 مدل لایه­ای سیستم­های اجرایی تولید</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">قبل از شرح سیستم­های اجرایی تولید مروری برمدیریت عملیات تولید خواهیم داشت که خود 4بخشPOM<a href="#_ftn5" name="_ftnref5">[5]</a> و <a href="#_ftn6" name="_ftnref6">[6]</a>IOMو<a href="#_ftn7" name="_ftnref7">[7]</a> QOMو<a href="#_ftn8" name="_ftnref8">[8]</a> MOM تقسیم بندی می­شود که توابع اصلی مسا (MESA)که در بخش قبل شرح داده­شد با حداقل یکی از این بخش­ها مرتبط است.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">ISA 95   یک مدل فعالیت عام برای سیستم­های اجرایی تولید تعریف می­کند که شامل مدیریت، تعریف محصول، مدیریت منابع، زمانبندی­جزئی شده، توزیع کار، مدیریت استثنا، پی­گیری، جمع­آوری داده­ها و تحلیل است[3].</span></p>
<p style="text-align: justify;">
<p style="text-align: justify;"><span style="font-size: 14pt;">شکل2.3 مدل عام سیستم­های اجرایی تولید در استاندارد ANSI/ISA95</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;">ISA95 تمامی عناصر مدل عام که در بالا عنوان شد را به تک تک عناصراصلی POM و IOM و QOMو MOM  نگاشت می­دهد. نتیجه نهایی این نگاشت یک سری وظایف مشخص شده و یک مدل فعالیت برای هر کدام از این نگاشت­هاست.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;"><a href="#_ftnref1" name="_ftn1"></a><sub>1.MES</sub></span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;"><a href="#_ftnref2" name="_ftn2"><sub>[2]</sub></a> <sub>Computer  integrated manufacturing</sub></span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;"><a href="#_ftnref3" name="_ftn3">[3]</a> <sub>Manufacturing Execution Systems Association</sub></span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;"><a href="#_ftnref4" name="_ftn4">[4]</a> <sup>Purdue Reference Model</sup></span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;"><a href="#_ftnref5" name="_ftn5">[5]</a>  <sup>Product Operation Management</sup></span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;"><a href="#_ftnref6" name="_ftn6">[6]</a> <sup>Inventory Operation Management</sup></span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;"><a href="#_ftnref7" name="_ftn7">[7]</a> <sup>Quality Operation Management</sup></span></p>
<p style="text-align: justify;"><span style="font-size: 14pt;"><a href="#_ftnref8" name="_ftn8">[8]</a> <sup>Maintenance operation Managemen</sup></span></p>
<p>نوشته <a href="https://matlab1.ir/%d8%b3%db%8c%d8%b3%d8%aa%d9%85-%d9%87%d8%a7%db%8c-%d8%a7%d8%ac%d8%b1%d8%a7%db%8c%db%8c-%d8%aa%d9%88%d9%84%db%8c%d8%af/">سیستم های اجرایی تولید</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d8%b3%db%8c%d8%b3%d8%aa%d9%85-%d9%87%d8%a7%db%8c-%d8%a7%d8%ac%d8%b1%d8%a7%db%8c%db%8c-%d8%aa%d9%88%d9%84%db%8c%d8%af/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>تست های آماری</title>
		<link>https://matlab1.ir/%d8%aa%d8%b3%d8%aa-%d9%87%d8%a7%db%8c-%d8%a2%d9%85%d8%a7%d8%b1%db%8c/</link>
					<comments>https://matlab1.ir/%d8%aa%d8%b3%d8%aa-%d9%87%d8%a7%db%8c-%d8%a2%d9%85%d8%a7%d8%b1%db%8c/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Tue, 11 Apr 2017 15:41:54 +0000</pubDate>
				<category><![CDATA[آموزش]]></category>
		<category><![CDATA[MATLAB متلب]]></category>
		<category><![CDATA[داده كاوي]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<guid isPermaLink="false">http://am19.siteground.biz/~matlab18/matlab1.ir/?p=5173</guid>

					<description><![CDATA[<p>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 [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d8%aa%d8%b3%d8%aa-%d9%87%d8%a7%db%8c-%d8%a2%d9%85%d8%a7%d8%b1%db%8c/">تست های آماری</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;">در راستای مقایسه بازدهی الگوریتم پیشنهادی با دیگر الگوریتم های مشهور، تست های آماری مانند <em>paired t-test</em><em>، </em><em>Wilcoxon</em><em> و </em><em>Friedman</em> بکار گرفته شده اند. تست های آماری <em>t-test</em> و <em>Wilcoxon</em> برای مقایسه دو کلاسه بند بر روی مجموعه ای از داده ها بکار می روند، در حالیکه تست آماری <em>Friedman</em> با <em>post-hoc</em> متناظر برای مقایسه چندین کلاسه بند بر روی چندین مجموعه داده عمل می کند. از طرفی، تست های <em>Wilcoxon</em> و <em>Friedman</em> روش های غیرپارامتری هستند که روش های قابل اعتمادتری نسبت به دیگر تست های پارامتری هستند.</span></p>
<p style="text-align: justify;">
<ul style="text-align: justify;">
<li><span style="font-size: 12pt; color: #000000;">تست آماری جفت شده <em>t-test</em></span></li>
</ul>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;">تست <em>paired t-test</em>، یک روش معمول برای مقایسه دو کلاسه بند بر روی چندین مجموعه داده است. این تست بررسی می کند که آیا اختلاف میانگین در کارایی بر روی مجموعه داده ها به لحاظ معناداری از صفر متفاوت است یا خیر. در صورتی که  و  معیار قابل مقایسه دو کلاسه بند بر روی iام مجموعه داده باشد، و  اختلاف  می باشد. آماره <em>t</em> بصورت  می شود و با توجه به توزیع <em>Student</em> با درجه آزادی <em>N-1</em> توزیع می گردد.</span></p>
<p style="text-align: justify;">
<ul style="text-align: justify;">
<li><span style="font-size: 12pt; color: #000000;">تست آماری <em>Wilcoxon</em></span></li>
</ul>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;">تست آماری <em>Wilcoxon</em> یک روش غیر پارامتری است که در مقابل روش <em>t-test</em> ارائه داده شده است. این تست اختلاف، بدون توجه به علامت آن، معیار خروجی دو کلاسه بند را برای هر مجموعه داده مرتب می کند. سپس رتبه مربوط به اختلاف مثبت و منفی حاصل را مقایسه می کند.</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;">بعنوان اختلاف معیار خروجی دو کلاسه بند بر روی iام مجموعه داده از <em>N</em> مجموعه داده در نظر گرفته می شود. اختلافات بدون در نظر گرفتن علامت آنها مرتب می شود. البته در جایی که اختلاف صفر است، میانگین رتبه دو کلاسه بند بعنوان <em>rank</em> در نظر گرفته می شود.  بعنوان مجموع رتبه کلاسه بند دوم است که بهتر از کلاسه بند اول عمل می کند و  بعنوان مجموع رتبه کلاسه بند مقابل است که بهتر از کلاسه بند دوم عمل می کند. رتبه  در محاسبه این دو مجموع بصورت جداگانه اعمال می شود و اگر تعداد فردی از مجموعه داده ها دارای چنین شرایطی هستند، یکی را در نظر نمی گیریم تا تعداد زوجی از آنها اعمال شود.</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;">(5-4)</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;">(5-5)</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;">کمترین مقدار بین مقدارهای  و  را بعنوان <em>T</em> در نظر می گیریم؛ . بیشتر منابع دارای مقدار بحرانی برای T برای مجموعه داده N است که برای تعداد زیادی از مجموعه داده ها این مقدار از رابطه ذیل پیروی می کند:</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;">(5-6)</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;">با آلفا 0.05، فرضیه صفر<a style="color: #000000;" href="#_ftn1" name="_ftnref1">[1]</a> رد می شود در صورتی که z کوچکتر از 1.96-  باشد.</span></p>
<p style="text-align: justify;">
<ul style="text-align: justify;">
<li><span style="font-size: 12pt; color: #000000;">تست آماری فردمن <em>Friedman</em></span></li>
</ul>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;">تست فردمن [58]، یک تست غیر پارامتری­ است<a style="color: #000000;" href="#_ftn2" name="_ftnref2"><sup>[2]</sup></a>. این تست برای مقایسه چندین الگوریتم بدون مقایسه دوتایی الگوریتم ها بکار می رود. تست فردمن قویتر از دو تست ذکر شده است و بطور جامع تری الگوریتم های مختلف را مقایسه می کند. در صورتی که الگوریتم پیشنهادی تفاوت قابل توجهی با دیگر الگوریتم ها داشته باشد، بطور قابل اعتمادی ارئه می دهد. این تست الگوریتم­های مختلف را روی هر مجموعه داده به صورت جداگانه، بر اساس معیار خاصی مانند دقت پیش بینی رتبه­بندی می­کند. بهترین الگوریتم رتبه یک، دومین بهترین الگوریتم، رتبه دو و به همین ترتیب. در مواردی که کلاس بندها بر روی معیار مورد نظر مقدار برابری را کسب کرده اند، میانگین رتبه­ها به الگوریتم­ها اختصاص می­یابد. فرض کنیم که ، رتبه الگوریتم ام از بین  الگوریتم و بر روی مجموعه داده ام از بین  مجموعه داده باشد. تست فردمن میانگین رتبه­های الگوریتم­های مختلف را با هم مقایسه می­کند که به صورت   است. تحت فرضیه صفر، همه الگوریتم­ها با هم برابر هستند و بنابراین رتبه آن­ها باید با هم یکسان باشد، آماره<a style="color: #000000;" href="#_ftn3" name="_ftnref3">[3]</a> فردمن</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;">(4-10)</span></p>
<p style="text-align: justify;">
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;">توزیعی مطابق  با  درجه آزادی خواهد داشت، در صورتی که  و   انتخاب شوند. <em>Iman</em> و <em>Davenport</em> [59] آماره جدیدی به صورت زیر ارائه داده اند که بطور کلی برای مقایسه الگوریتم ها بجای رابطه 10-4 بکار می رود:</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;">(4-11)</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;">که توزیعی برابر توزیع  با   و  درجه آزادی خواهد داشت. اگر فرض صفر رد شود، اختلاف معناداری بین الگوریتم­ها وجود دارد. بعد از آن تست تعقیبی<a style="color: #000000;" href="#_ftn4" name="_ftnref4">[4]</a> انجام می گیرد، که برای این منظور، ما در اینجا تست<em>Bonferoni-Dunn </em><em> </em>[60] بکار گرفته ایم. در این تست، اختلاف دو الگوریتم به صورت آماری معنادار<a style="color: #000000;" href="#_ftn5" name="_ftnref5">[5]</a> است اگر اختلاف رتبه دو الگوریتم بیشتر از مقدار اختلاف بحرانی<a style="color: #000000;" href="#_ftn6" name="_ftnref6">[6]</a> ذیل باشد:</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;">(4-12)</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;">که در آن ، مقدار بحرانی بوده<a style="color: #000000;" href="#_ftn8" name="_ftnref8">[8]</a> که بر پایه آماره توزیع <em>Student</em><a style="color: #000000;" href="#_ftn9" name="_ftnref9">[9]</a> است که  بر  تقسیم شده است. در این تست، یکی از روش­ها به عنوان الگوریتم کنترل<a style="color: #000000;" href="#_ftn10" name="_ftnref10">[10]</a>، انتخاب شده و با سایر روش­ها مقایسه می­شود.</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;"><a style="color: #000000;" href="#_ftnref1" name="_ftn1">[1]</a> Null hypothesis</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;"><a style="color: #000000;" href="#_ftnref2" name="_ftn2">[2]</a> Non-parametric</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;"><a style="color: #000000;" href="#_ftnref3" name="_ftn3">[3]</a> Statistic</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;"><a style="color: #000000;" href="#_ftnref4" name="_ftn4">[4]</a> Post-hoc</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;"><a style="color: #000000;" href="#_ftnref5" name="_ftn5">[5]</a> Statistically significant</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;"><a style="color: #000000;" href="#_ftnref6" name="_ftn6">[6]</a> Critical difference</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;"><a style="color: #000000;" href="#_ftnref7" name="_ftn7">[7]</a> برای یافتن مقادیر  به جدول b5 از [58] مراجعه شود.</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;"><a style="color: #000000;" href="#_ftnref8" name="_ftn8">[8]</a> Critical value</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;"><a style="color: #000000;" href="#_ftnref9" name="_ftn9">[9]</a> Studentized range statistic</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt; color: #000000;"><a style="color: #000000;" href="#_ftnref10" name="_ftn10">[10]</a> Control method</span></p>
<p>نوشته <a href="https://matlab1.ir/%d8%aa%d8%b3%d8%aa-%d9%87%d8%a7%db%8c-%d8%a2%d9%85%d8%a7%d8%b1%db%8c/">تست های آماری</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d8%aa%d8%b3%d8%aa-%d9%87%d8%a7%db%8c-%d8%a2%d9%85%d8%a7%d8%b1%db%8c/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>روش های کلاسه بندی مبتنی بر الگوهای نوظهور</title>
		<link>https://matlab1.ir/%d8%b1%d9%88%d8%b4-%d9%87%d8%a7%db%8c-%da%a9%d9%84%d8%a7%d8%b3%d9%87-%d8%a8%d9%86%d8%af%db%8c-%d9%85%d8%a8%d8%aa%d9%86%db%8c-%d8%a8%d8%b1-%d8%a7%d9%84%da%af%d9%88%d9%87%d8%a7%db%8c-%d9%86%d9%88-2/</link>
					<comments>https://matlab1.ir/%d8%b1%d9%88%d8%b4-%d9%87%d8%a7%db%8c-%da%a9%d9%84%d8%a7%d8%b3%d9%87-%d8%a8%d9%86%d8%af%db%8c-%d9%85%d8%a8%d8%aa%d9%86%db%8c-%d8%a8%d8%b1-%d8%a7%d9%84%da%af%d9%88%d9%87%d8%a7%db%8c-%d9%86%d9%88-2/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Tue, 11 Apr 2017 15:36:05 +0000</pubDate>
				<category><![CDATA[آموزش]]></category>
		<category><![CDATA[داده كاوي]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<guid isPermaLink="false">http://am19.siteground.biz/~matlab18/matlab1.ir/?p=5167</guid>

					<description><![CDATA[<p>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 [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d8%b1%d9%88%d8%b4-%d9%87%d8%a7%db%8c-%da%a9%d9%84%d8%a7%d8%b3%d9%87-%d8%a8%d9%86%d8%af%db%8c-%d9%85%d8%a8%d8%aa%d9%86%db%8c-%d8%a8%d8%b1-%d8%a7%d9%84%da%af%d9%88%d9%87%d8%a7%db%8c-%d9%86%d9%88-2/">روش های کلاسه بندی مبتنی بر الگوهای نوظهور</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<ul>
<li style="text-align: justify;"><span style="font-size: 12pt;">روش کلاسه بندی بر اساس مجموع الگوهای نوظهور <em> CAEP<a href="#_ftn1" name="_ftnref1"><strong>[1]</strong></a></em>[21]</span></li>
</ul>
<p style="text-align: justify;"><span style="font-size: 12pt;">از آنجایی که الگوهای نوظهور، دانش تمایز بین کلاس های مختلف را نشان می دهد، آنها در ایجاد کلاسه بندی دقیق بسیار موثر هستند. کلاسه بند های بر پایه الگوهای نوظهور قدرت مجموع الگوهای نوظهور را برای کلاسه بندی یک نمونه تست بکار می گیرد. <em>Dong</em> [21] اولین کلاسه بند بر پایه الگوهای نوظهور را ارائه داد که <em>CAEP</em>، <em>Classification by Aggregating Emerging Patterns</em>، نامیده شد. <em>CAEP</em> همه الگوهای نوظهور قوی را بوسیله الگوریتم های مبتنی بر مرز استخراج می کند. برای کلاسه بندی کردن یک نمونه تست، برای هر کلاس یک امتیاز<a href="#_ftn2" name="_ftnref2"><em>[2]</em></a> محاسبه می شود. کلاس با بالاترین امتیاز بعنوان برچسب نمونه تست در نظر گرفته می شود. اگر تعداد الگوهای کاندید کلاس های مختلف نامتوازن<a href="#_ftn3" name="_ftnref3"><em>[3]</em></a> باشد، کلاس با الگوهای بیشتر تمایل در بدست آوردن امتیاز بیشتر دارد. برای حل این مشکل، یک امتیاز پایه<a href="#_ftn4" name="_ftnref4"><em>[4]</em></a> برای هر کلاس از نمونه های آموزشی بدست می آید [21].</span></p>
<p style="text-align: justify;">
<ul style="text-align: justify;">
<li><span style="font-size: 12pt;">الگوریتم کلاسه بندی بر پایه تئوری اطلاعات<a href="#_ftn5" name="_ftnref5"><strong>[5]</strong></a> <em>iCAEP</em></span></li>
</ul>
<p style="text-align: justify;"><span style="font-size: 12pt;">بعداً، <em>Zhang et al.</em> [26]، یک نوع از <em>CAEP</em> را که <em>iCAEP</em>، <em>Information based Classification by Aggregating Emerging Patterns</em>، نامیده شد، معرفی کرد. <em>iCAEP</em>، از تئوری اطلاعات<a href="#_ftn6" name="_ftnref6"><em>[6]</em></a> استفاده می کند تا نیازی به محاسبه <em>base score</em> برای هر کلاس نباشد.</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;">برای کلاسه بندی یک نمونه تست، کوچکترین امتیاز بعنوان برچسب کلاس نمونه تست در نظر گرفته می شود. در مقایسه با <em>CAEP</em>، <em>iCAEP</em> دقت را بهبود می دهد و زمان را برای کلاسه بندی کاهش می دهد.</span></p>
<p style="text-align: justify;">
<ul style="text-align: justify;">
<li><span style="font-size: 12pt;">روش کلاسه بندی برپایه الگوهای نوظهور جهشی<em>JEPs-Classifier</em> [3]</span></li>
</ul>
<p style="text-align: justify;"><span style="font-size: 12pt;">بر اساس <em>CAEP</em>، الگوریتم کلاسه بند بر پایه الگوهای نوظهور جهشی توسط <em>Li et al.</em> ارائه شد. <em>JEPs-classifier</em> محنصراً از الگوهای نوظهور جهشی<a href="#_ftn7" name="_ftnref7"><em>[7]</em></a> با فراوانی نسبی بالا برای کلاسه بندی استفاده می کند. این نوع الگوها، رساترین الگوهای نوظهور جهشی<a href="#_ftn8" name="_ftnref8"><em>[8]</em></a> نامیده می شوند چرا که این الگوها همان محموعه آیتم های کمینه در مرز<a href="#_ftn9" name="_ftnref9"><em>[9]</em></a> هستند که دارای فراوان نسبی بالایی نسبت به دیگر آیتم ها در مرز هستند. <em>JEPs-classifier</em> از الگوریتم های مبتنی بر مرز بهره گرفته و الگوهای نوظهور جهشی را در قالب مرز فضای الگوها استخراج می کند. رساترین الگوهای نوظهور جهشی لزوما حداقل آستانه برای فراوانی نسبی ارضا نمی کند.</span></p>
<p style="text-align: justify;">
<ul style="text-align: justify;">
<li><span style="font-size: 12pt;">روش کلاسه بندی بر پایه الگوهای نوظهور جهشی قوی<a href="#_ftn10" name="_ftnref10"><sup><strong>[10]</strong></sup></a> [25]</span></li>
</ul>
<p style="text-align: justify;"><span style="font-size: 12pt;">این کلاسه بندی بر پایه قدرت مجموع الگوهای نوظهور جهشی قوی است و تلاش می کند تا با استفاده از الگوهای نوظهوری جهشی که حداقل آستانه را برای فراوانی نسبی دارا هستند، به دقت قابل توجهی دست یابد.</span></p>
<p style="text-align: justify;">
<ul style="text-align: justify;">
<li><span style="font-size: 12pt;">روش تصمیم گیری مبتنی بر نمونه<a href="#_ftn11" name="_ftnref11"><sup><strong>[11]</strong></sup></a> <em>DeEPs</em> [20]</span></li>
</ul>
<p style="text-align: justify;"><span style="font-size: 12pt;">بعداً، بر پایه روش های مبتنی بر نمونه<a href="#_ftn12" name="_ftnref12"><em>[12]</em></a>، کلاسه بند تنبل<a href="#_ftn13" name="_ftnref13"><em>[13]</em></a> به نام <em>DeEPs</em>، <em>Decision-making by Emerging Patterns</em>، ارائه شد [20]. جهت کاهش فضای جستجو الگوها، <em>DeEPs</em> یک نمونه تست را بعنوان یک فیلتر بکار می گیرد تا مقادیر آموزشی بی ربط را در نظر نگیرد. برای هر نمونه تست، <em>DeEPs</em> الگوهای نوظهور کاندید را استخراج می کند و مقادیر ویژگی هایی که در نمونه تست دیده نشده اند را نادیده می گیرد. این تکنیک، کارایی و دقت کلاسه بندی هایی مثل کلاسه بندی بر پایه مجموع الگوهای نوظهور <em>CAEP</em> و کلاسه بندی بر پایه الگوهای نوظهور جهشی <em>JEP-classifier</em> را بهبود می بخشد. اما، این روش منجر به تکرار محاسبات سنگین می شود بخصوص وقتی که نمونه های تست مشابه باشند.</span></p>
<p style="text-align: justify;">
<ul style="text-align: justify;">
<li><span style="font-size: 12pt;">روش پیش بینی توسط مجموعه راست نمایی <em>(PCL<a href="#_ftn14" name="_ftnref14"><strong>[14]</strong></a>)</em> [5]</span></li>
</ul>
<p style="text-align: justify;"><span style="font-size: 12pt;"><em>PCL</em> پیش بینی را توسط مجموعه ای از درست نمایی ها<a href="#_ftn15" name="_ftnref15"><em>[15]</em></a> انجام می دهد. <em>PCL</em> از <em>K</em> بالاترین الگوهای نوظهور که در نمونه تست شامل می شوند، برای کلاسه بندی استفاده می کند. برای هر کلاس، <em>PCL</em> یک امتیاز با استفاده از اجتماع درست نمایی حاصل از <em>K</em> بالاترین الگوهای نوظهور که نمونه تست را پوشش می دهند، بدست می آورد. <em>PCL</em> برای مجموعه داده ها با ابعاد بالا مناسب است بخصوص برای داده های بیان ژن.</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><strong> </strong></span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref1" name="_ftn1">[1]</a> Classification by aggregating emerging patterns</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref2" name="_ftn2">[2]</a> Score</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref3" name="_ftn3">[3]</a> Unbalanced</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref4" name="_ftn4">[4]</a> Base score</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref5" name="_ftn5">[5]</a> Information-based classification by aggregating emerging patterns</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref6" name="_ftn6">[6]</a> Information theory</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref7" name="_ftn7">[7]</a> Jumping emerging patterns (JEPs)</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref8" name="_ftn8">[8]</a> The most expressive JEPs</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref9" name="_ftn9">[9]</a> border</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref10" name="_ftn10">[10]</a> Strong jumping emerging patterns classifier</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref11" name="_ftn11">[11]</a> Decision making by emerging patterns</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref12" name="_ftn12">[12]</a> Instance-based</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref13" name="_ftn13">[13]</a> lazy</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref14" name="_ftn14">[14]</a> Prediction by collective likelihood</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref15" name="_ftn15">[15]</a> Likelihood</span></p>
<p>نوشته <a href="https://matlab1.ir/%d8%b1%d9%88%d8%b4-%d9%87%d8%a7%db%8c-%da%a9%d9%84%d8%a7%d8%b3%d9%87-%d8%a8%d9%86%d8%af%db%8c-%d9%85%d8%a8%d8%aa%d9%86%db%8c-%d8%a8%d8%b1-%d8%a7%d9%84%da%af%d9%88%d9%87%d8%a7%db%8c-%d9%86%d9%88-2/">روش های کلاسه بندی مبتنی بر الگوهای نوظهور</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d8%b1%d9%88%d8%b4-%d9%87%d8%a7%db%8c-%da%a9%d9%84%d8%a7%d8%b3%d9%87-%d8%a8%d9%86%d8%af%db%8c-%d9%85%d8%a8%d8%aa%d9%86%db%8c-%d8%a8%d8%b1-%d8%a7%d9%84%da%af%d9%88%d9%87%d8%a7%db%8c-%d9%86%d9%88-2/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>روش های استخراج الگوها</title>
		<link>https://matlab1.ir/%d8%b1%d9%88%d8%b4-%d9%87%d8%a7%db%8c-%d8%a7%d8%b3%d8%aa%d8%ae%d8%b1%d8%a7%d8%ac-%d8%a7%d9%84%da%af%d9%88%d9%87%d8%a7/</link>
					<comments>https://matlab1.ir/%d8%b1%d9%88%d8%b4-%d9%87%d8%a7%db%8c-%d8%a7%d8%b3%d8%aa%d8%ae%d8%b1%d8%a7%d8%ac-%d8%a7%d9%84%da%af%d9%88%d9%87%d8%a7/#respond</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Tue, 11 Apr 2017 15:34:42 +0000</pubDate>
				<category><![CDATA[آموزش]]></category>
		<category><![CDATA[داده كاوي]]></category>
		<category><![CDATA[شبکه های عصبی]]></category>
		<guid isPermaLink="false">http://am19.siteground.biz/~matlab18/matlab1.ir/?p=5165</guid>

					<description><![CDATA[<p>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 [&#8230;]</p>
<p>نوشته <a href="https://matlab1.ir/%d8%b1%d9%88%d8%b4-%d9%87%d8%a7%db%8c-%d8%a7%d8%b3%d8%aa%d8%ae%d8%b1%d8%a7%d8%ac-%d8%a7%d9%84%da%af%d9%88%d9%87%d8%a7/">روش های استخراج الگوها</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: justify;"><span style="font-size: 12pt;">در مقایسه با قوانین انجمنی، الگوهای نوظهور قادر هستند که تمایلات نوظهور<a href="#_ftn1" name="_ftnref1"><em>[1]</em></a> در مجموعه داده های با محدودیت زمانی<a href="#_ftn2" name="_ftnref2"><em>[2]</em></a> را استخراج کنند و یا تمایزات مفید بین کلاس های مختلف را کشف نمایند [1]. مطالعه و پژوهش در رابطه با الگوهای نوظهور اساسا به دو دسته قابل تقسیم است؛ الگوریتم های استخراج الگوهای نوظهور و الگوریتم های کلاسه بندی بر پایه این الگوها. ما در ابتدا الگوریتم های مرتبط با استخراج الگوهای نوظهور را شرح می دهیم و سپس الگوریتم های مشهور کلاسه بندی را ارائه می دهیم.</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><em> </em></span></p>
<ul style="text-align: justify;">
<li><span style="font-size: 12pt;">روش مبتنی بر مرز<a href="#_ftn3" name="_ftnref3"><strong>[3]</strong></a></span></li>
</ul>
<p style="text-align: justify;"><span style="font-size: 12pt;">روش های مبتنی بر مرز با الهام از الگوریتم <em>Max-miner</em> [14] پیشنهاد شده اند. این روش ها، مفهوم مرز<a href="#_ftn4" name="_ftnref4"><em>[4]</em></a> [1] را بکار می گیرد تا ساختار مناسبی را برای نمایش مختصری برای الگوهای کاندید ارائه دهند. در هر مرز، کوچکترین و بزرگترین عضو هر مجموعه کاندید قابل نمایش است. الگوریتم اختلاف مرز<a href="#_ftn5" name="_ftnref5"><em>[5]</em></a>، الگوهای نوظهور کمینه و بیشینه<a href="#_ftn6" name="_ftnref6"><em>[6]</em></a> را استخراج می کند و بدین ترتیب مرز الگوهای استخراجی را تنظیم می کند. الگوریتم های مبتنی بر مرز قادر نیستند که الگوهای نوظهور را بصورت همزمان از کلاس های مختلف استخراج کنند. این الگوریتم ها، برای هر کلاس طی فرآیند جداگانه ای الگوها را استخراج می کنند و لذا به ازای هر کلاس، جداگانه اجرا می شود.</span></p>
<p style="text-align: justify;">
<ul style="text-align: justify;">
<li><span style="font-size: 12pt;">روش مبتنی بر محدودیت <em>(ConsEPMiner<a href="#_ftn7" name="_ftnref7"><strong>[7]</strong></a>)</em> [2]</span></li>
</ul>
<p style="text-align: justify;"><span style="font-size: 12pt;">الگوریتم مبتنی بر محدودیت در دو سطح اجرا می شود؛ تولید الگوهای کاندید و هرس الگوهای اکتشافی. الگوریتم <em>ConsEPMiner</em> از دو نوع محدودیت استفاده می کند تا بتواند بطور موثری فضای جستجو الگوهای نوظهور را هرس کند و محاسبات را ذخیره نماید. محدودیت های ذاتی<a href="#_ftn8" name="_ftnref8"><em>[8]</em></a> و خارجی<a href="#_ftn9" name="_ftnref9"><em>[9]</em></a> عنوان محدودیت هایی است که در فرآیند استخراج اعمال می شود. محدودیت های خارجی شامل محدودیت حداقل آستانه فراوانی نسبی، نرخ رشد و پیشرفت نرخ رشد<a href="#_ftn10" name="_ftnref10"><em>[10]</em></a> است که توسط کاربر قابل تنظیم است. محدودیت ذاتی شامل مجوعه یکسانی از فراوانی نسبی<a href="#_ftn11" name="_ftnref11"><em>[11]</em></a>، نرخ رشد بالا<a href="#_ftn12" name="_ftnref12"><em>[12]</em></a> و مبدا یکسان<a href="#_ftn13" name="_ftnref13"><em>[13]</em></a> است.</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><em> </em></span></p>
<ul style="text-align: justify;">
<li><span style="font-size: 12pt;">الگوریتم استخراج درخت الگوی تقابل<a href="#_ftn14" name="_ftnref14"><strong>[14]</strong></a> <em>(CP-Tree)</em> [17، 25]</span></li>
</ul>
<p style="text-align: justify;"><span style="font-size: 12pt;">الگوریتم استخراج الگوهای متمایز، با الهام از <em>FP-tree</em>، ساختار گسترش یافته ای ساختار درختی پیشوندی ارائه می دهد. این ساختار به خلاف الگوریتم درخت الگوی مکرر، نیازی به پیوند بین نودها ندارد. الگوریتم توسط جستجوی اول عمقی<a href="#_ftn15" name="_ftnref15"><em>[15]</em></a>، <em>CP-tree</em> را از ریشه پیمایش می کند تا الگوهای نوظهور جهشی قوی<a href="#_ftn16" name="_ftnref16"><em>[16]</em></a> را استخراج کند. الگوی نوظهور جهشی قوی، یک نوع خاص از الگوهای نوظهور جهشی<a href="#_ftn17" name="_ftnref17"><em>[17]</em></a> است که بایستی دارای حداقل فراونی نسبی باشد. این نوع درخت، کارایی استخراج الگوهای نوظهور را با استفاده از الگوهای نوظهور جهشی قوی بهبود می بخشد و همچنین قادر است که مجموعه داده های چند کلاسه را مدیریت نماید.</span></p>
<p style="text-align: justify;">
<ul style="text-align: justify;">
<li><span style="font-size: 12pt;">روش استخراج با کمک دیاگرام دودیی صفر<a href="#_ftn18" name="_ftnref18"><strong>[18]</strong></a> <em>ZBDD Miner</em> [18]</span></li>
</ul>
<p style="text-align: justify;"><span style="font-size: 12pt;">از آنجایی اینکه روش های ذکر شده، قادر نیستند که داده ها با ابعاد بیشتر از شصت را مدیریت کنند، بعداً، <em>ZBDD EP-Miner</em> شد. این روش از <em>Zero-Suppressed Binary Decision Diagrams (ZBDDs)</em> استفاده می کند تا الگوهای نوظهور را از داده ها با ابعاد بالا استخراج کند. با این وجود، <em>ZBDD EP-miner</em> هنوز شمار زیادی از الگوهای نوظهور را استخراج می کند حتی با اعمال محدودیت های آلفا و بتا [18].</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;">این محدودیت ها استفاده می شوند تا فضای جستجوی الگوهای نوظهور را بیشتر هرس کند. محدودیت آلفا بر اساس مفهوم <em>a-priori</em> است. در نمونه های مثبت<a href="#_ftn19" name="_ftnref19"><em>[19]</em></a>، هر آیتم که فراوانی نسبی اش<a href="#_ftn20" name="_ftnref20"><em>[20]</em></a> کمتر از مقدار آلفا باشد، هم از نمونه های مثبت و هم از نمونه های منفی حذف می شود. محدودیت بتا بیشترین مقدار فراوانی<a href="#_ftn21" name="_ftnref21"><em>[21]</em></a> برای یک الگوریتم در نمونه های منفی مشخص می کند؛ اگر فراوانی الگوی کاندید بیشتر از بتا باشد، آن الگو از نمونه های آموزشی حذف می شود.</span></p>
<p style="text-align: justify;">
<ul style="text-align: justify;">
<li><span style="font-size: 12pt;">روش استخراج الگوی نوظهور متمایز <a href="#_ftn22" name="_ftnref22"><strong>[22]</strong></a><em>DP Miner</em></span></li>
</ul>
<p style="text-align: justify;"><span style="font-size: 12pt;">بر اساس مفهوم مجموعه آیتم بسته<a href="#_ftn23" name="_ftnref23"><em>[23]</em></a>، یک کلاس هم ارزی<a href="#_ftn24" name="_ftnref24"><em>[24]</em></a> مجموعه ای از آیتم های مکرر<a href="#_ftn25" name="_ftnref25"><em>[25]</em></a> است که همیشه در نمونه های یکسانی از نمونه های آموزشی اتفاق می افتند. مشابه با مفهوم مرز در الگوریتم های مبتنی بر مرز، یک کلاس هم ارزی بوسیله الگوهای بسته<a href="#_ftn26" name="_ftnref26"><em>[26]</em></a> و تولیدکننده ها<a href="#_ftn27" name="_ftnref27"><em>[27]</em></a> تعیین می شود. الگوهای بسته، همان مجموعه آیتم های ماکزیمال هستند و تولیدکننده ها، همان مجموعه آیتم های کمینه در یک کلاس هم ارزی هستند که همه این آیتم ها دارای فراوانی یکسانی هستند. الگوریتم <em>DPMiner</em>، <em>Discriminative Pattern Miner</em>، الگوهای بسته و تولیدکننده ها را که برای نمایش یک کلاس هم ارزی کافی هستند، بصورت همزمان استخراج می کند. بعلاوه، قادر است که الگوهای با قدرت تمایز دلتا<a href="#_ftn28" name="_ftnref28"><em>[28]</em></a> را استخراج کند. الگوهای نوظهور با قدرت تمایز دلتا دارای حداکثر فراوانی در کلاس های مقابل است. با توجه به اینکه الگوریتم های <em>ZBDD EP-miner</em> و <em>DPMiner</em>، محدودیت های آلفا و بتا را بکار می گیرند تا فضای جستجوی الگوها را کاهش دهند؛ ممکن است بعضی از الگوهای نوظهور مفید در نظر گرفته نشوند و تاثیر نامطلوبی در کلاسه بندی داشته باشد.</span></p>
<p style="text-align: justify;">
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref1" name="_ftn1">[1]</a> Emerging trends</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref2" name="_ftn2">[2]</a> Time-stamped datasets</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref3" name="_ftn3">[3]</a> Border based</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref4" name="_ftn4">[4]</a> Border</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref5" name="_ftn5">[5]</a> Border differentiation</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref6" name="_ftn6">[6]</a> Maximal</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref7" name="_ftn7">[7]</a> Constrain-based emerging pattern miner</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref8" name="_ftn8">[8]</a> Inherent constraints</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref9" name="_ftn9">[9]</a> External constraints</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref10" name="_ftn10">[10]</a>  Growth rate improvement</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref11" name="_ftn11">[11]</a> The same subset support</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref12" name="_ftn12">[12]</a> Top growth rate</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref13" name="_ftn13">[13]</a> The same origin</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref14" name="_ftn14">[14]</a> Contrast pattern tree miner</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref15" name="_ftn15">[15]</a> Depth first search</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref16" name="_ftn16">[16]</a> Strong jumping emerging pattern</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref17" name="_ftn17">[17]</a> Jumping  emerging pattern</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref18" name="_ftn18">[18]</a> Zero suppressed binary decision diagram miner</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref19" name="_ftn19">[19]</a> Positive instances</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref20" name="_ftn20">[20]</a> Support</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref21" name="_ftn21">[21]</a> Frequency</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref22" name="_ftn22">[22]</a> Discriminative emerging pattern miner</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref23" name="_ftn23">[23]</a> Itemset closure</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref24" name="_ftn24">[24]</a> Equivalence class</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref25" name="_ftn25">[25]</a> Frequent itemset</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref26" name="_ftn26">[26]</a> Closed patterns</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref27" name="_ftn27">[27]</a> Generators</span></p>
<p style="text-align: justify;"><span style="font-size: 12pt;"><a href="#_ftnref28" name="_ftn28">[28]</a> δ-discriminative</span></p>
<p>نوشته <a href="https://matlab1.ir/%d8%b1%d9%88%d8%b4-%d9%87%d8%a7%db%8c-%d8%a7%d8%b3%d8%aa%d8%ae%d8%b1%d8%a7%d8%ac-%d8%a7%d9%84%da%af%d9%88%d9%87%d8%a7/">روش های استخراج الگوها</a> اولین بار در <a href="https://matlab1.ir">ايران متلب</a>. پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://matlab1.ir/%d8%b1%d9%88%d8%b4-%d9%87%d8%a7%db%8c-%d8%a7%d8%b3%d8%aa%d8%ae%d8%b1%d8%a7%d8%ac-%d8%a7%d9%84%da%af%d9%88%d9%87%d8%a7/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
	</channel>
</rss>
