ویژگیهای ابزار دسته بندی کننده متلب :

نیازی به هیچ کدنویسی نیست

امکان مقایسه چندین مدل تنها با یک کلیک

استفاده از پردازش موازی

محاسبه معیارهای خروجی تنها با یک کلیک

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

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

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

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

مدت زمان : 2 ساعت و 6 دقیقه

لینک دانلود

پیش نمایش

دانلود پیش نمایش (کیفیت بالا)

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

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.

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.

نرم افزار متلب در سالهای خیلی قبل تابع svmtrain 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 (fitcsvm) 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.

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.

تعداد مثال بالا و نمونه کد:

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.

سرفصل :

خلاصه ای از تاریخچه ماشین بردار پشتیبان

برخی از کاربردهای SVM

مفهوم های کلیدی در ماشین بردار پشتیبان

مفهوم margin

ماشین بردار چیست؟

مفهوم کرنل مفهوم کرنل kernel

بهترین hyperplane

Binary classification

خصوصیات مهم SVM

سرعت SVM

مقدار فضای اشغال شده از حافظه

دیتاست های بعد کم و بعد متوسط

معرفی fitcsvm

معرفی نوع solver

کرنل های مورد استفاده در متلب

فرمول هر کرنل

فرایند بهینه سازی

الگوریتم ISDA و L1QP  و SMO

داده های ورودی آموزش

سطر و ستون در داده ها

مثال یک فایل excel

گرفتن خروجی در مدل SVM

خروجی score

مثال تشخیص سرطان سینه با ماشین بردار پشتیبان

تحلیل classificationSVM

مشخص کردن داده های پشتیبان

توضیح فیلدهای خروجی SVM object

گزینه BoxConstraint

تاثیر BoxConstraint بر راندمان مدل

گزینه KernelScale

افزایش سرعت آموزش

گزینه PolynomialOrder

گزینه KernelOffset

گزینه Alpha

گزینه CacheSize

Nu

کنترل تعداد تکرارها در آموزش

دستور resume

گزینه verbose

ClassNames

استفاده از cross validation

Holdout

محاسبه ماتریس confusion

رسم performance curve

ResponseName

ScoreTransform

CrossVal

kFoldPredict

تفاوت ماشین بردار پشتیبان خروجی cross validation و fitcsvm

Kfold

گزینه Holdout

کنترل همگرامی

DeltaGradientTolerance

GapTolerance

IterationLimit

حداکثر تعداد تکرار بهینه سازی عددی

KKTTolerance

ShrinkagePeriod

گزینه های بهینه سازی Hyperparameter

‘none’ و ‘auto’ و ‘all’

بهینه سازی پارامترهای ماشین بردار پشتیبان

چه پارامترهایی را در SVM میتوان بهینه کرد؟

مدل فشرده

تفاوت مدل compact و معمولی

محدودیت های ماشین بردار پشتیبان

برای داده های با ویژگی زیاد از کدام تابع برای ماشین بردار پشتیبان استفاده کنیم؟

کاهش وابستگی داده ها به بازه تغییرات داده ها

بهترین روش محاسبه راندمان SVM چیست؟

کاهش زمان یادگیری با چه پارامتری متناسب است؟

افزایش سرعت همگرایی با چه پارامتری متناسب است؟

داده های تکراری

مثال برنامه نویسی ماشین بردار پشتیان چند کلاسه

تابع fitcecoc

ساخت قالب Template SVM

مثال برنامه نویسی برای نشان دادن تاثیر استاندارد کردن داده ها

مثال برنامه نویسی k-fold

مثال برنامه نویسی کرنل سفارشی برای ماشین بردار پشتیبان

misclassification

مثال برنامه نویسی بهینه سازی پارامترهای ماشین بردار پشتیبان

گزینه optimizer

نقاط best observed

نقاط best estimated

پیش نمایش اول

لینک دانلود پیش نمایش اول

پیش نمایش دوم

لینک دانلود پیش نمایش دوم

پیش نمایش سوم

لینک دانلود پیش نمایش سوم

مدت زمان : 172 دقیقه

لینک سفارش

توصیه :

جهت درک بهتر ماشین بردار پشتیان به علاقه مندان توصیه می شود فیلم آموزشی تئوری ماشین بردار پشتیبان را ابتدا تهیه کنند تا با مفاهیم آن به طور کامل آشنا شوند. این فیلم آموزشی توسط سه نفر از دانشجویان دانشگاه صنعتی اصفهان تهیه شده است. جهت مشاهده این فیلم آموزشی بر روی تصویر زیر کلیک کنید:

نوشته برنامه نویسی متلب ماشین بردار پشتیبان اولین بار در ايران متلب. پدیدار شد.

برخی از سرفصل های این آموزش :

تعریف یادگیری ماشین

تاریخچه یادگیری ماشین

برنامه نویسی با مثال

مثالهای کاربردی یادگیری ماشین

ربات خانگی

ربات فضانورد ناسا

تعریف عمل یادگیری

دستیار صوتی گوگل و اپل

یادگیری با داده

یادگیری با ناظر

یادگیری بدون ناظر

دسته بندی classification

رگرسیون regression

خوشه بندی clustering

بعد dimension از یادگیری ماشین

مثالهای کاربردی یادگیری بدون ناظر

آنالیز شبکه های اجتماعی

بخش بندی بازار

آنالیز داده های کهکشانی

آنالیز عناصر غیر وابسته

Deep reinforcement learning

انجام بازی با یادگیری ماشین

چگونه بفهمیم که مدل یادگیری ماشین نهایی خوب کار می کند ؟

تست عمومیت پذیری مدل

مفهوم Underfit و Overfit

تاثیر تعداد داده های آموزش در راندمان مدل یادگیری ماشین

مدل ساده یا مدل پیچیده

مفهوم نمودارهای خروجی یادگیری ماشین

یک مثال دسته بندی spam

مراحل پیشنهادی برای طراحی یک مدل یادگیری ماشین

آنالیز خطا

ماتریس confusion

مفهوم precision

مفهوم recall

مفهوم true positiveو true negative و false positive و false negative

Trade off بین precision و recall

تعیین حد آستانه در یک مدل یادگیری ماشین

چگونه به یک مدل یادگیری ماشین بهینه برسیم؟

معیار F1 score

آیا در یک مدل یادگیری ماشین نوع مدل مهم است؟

اهمیت داده در مدل یادگیری ماشین چیست؟

محاسبه accuracy و recall و precision و f-measure بر اساس TP, FP, TN,FN

معیارهای ازریابی رگرسیون AIC و BIC و Mallow’s cp و R2 بهبود بافته

مفهوم cross validation

مفهوم k-fold

سیستم یادگیری ماشین offline

سیستم یادگیری ماشین online

نکات مهم در داده های ورودی در یک سیستم یادگیری ماشین

مفهوم clear و obvious

مقایسه بین Keras و MATLAB و Tensorflow و Scikit-learn 

اگر مدل یادگیری ماشین شما خوب جواب نمی دهد، چه کار کنیم؟

لینک سفارش

پیش نمایش اول

دانلود پیش نمایش اول (کیفیت بالا)

پیش نمایش دوم

دانلود پیش نمایش دوم (کیفیت بالا)

مدت زمان : 228 دقیقه

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

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

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

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

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

لینک دانلود

مرجع های این آموزش :

درس یادگیری ماشین دانشگاه استنفورد

درس یادگیری ماشین دانشگاه MIT

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

قسمت اول

مبانی و مقدمات یادگیری ماشین

قسمت دوم

پیش پردازش داده و معیارهای ارزیابی در MATLAB

قسمت سوم

برنامه نویسی متلب ماشین بردار پشتیبان

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

توجه فرمایید فقط یک جلد بیشتر موجود نیست.

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

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

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

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

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

چرا برنامه نویسی یاد بگیریم؟

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

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

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

زبان کامپیوتر: Matlab

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

لینک دانلود

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

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

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

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

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

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

لینک دانلود

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

.

.

.

.

.

.

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

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

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

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

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

چرا این آموزش به مرور برای کاربران ایمیل می شود؟

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

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

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

لینک دانلود

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

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

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

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

.

.

لینک دانلود

نوشته فيلم آموزشي رپيدماينر rapidminer اولین بار در ايران متلب. پدیدار شد.

ویندور 32 بیتی بدون  ماشین جاوا

.

.

ویندور 64 بیتی همراه با ماشین جاوا

ویندور 64 بیتی بدون  ماشین جاوا

.

.

مکنیتاش همراه با ماشین جاوا

مکنیتاش بدون ماشین جاوا

.

.

نوشته دانلود آخرین نسخه نم افزار وکا اولین بار در ايران متلب. پدیدار شد.

سرفصل این فیلم آموزشی :

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

.

.

مدت زمان :   240 دقیقه

حجم فایل‌ها :  450 مگابایت

.

.

پیش نمایش قسمت اول :

دانلود پیش نمایش قسمت اول (کیفیت اصلی)

pass : iran-matlab.ir

پیش نمایش قسمت دوم:

دانلود پیش نمایش قسمت دوم (کیفیت اصلی)

pass : iran-matlab.ir

پیش نمایش قسمت سوم:

دانلود پیش نمایش قسمت سوم (کیفیت اصلی)

pass : iran-matlab.ir

پیش نمایش قسمت چهارم:

دانلود پیش نمایش قسمت چهارم (کیفیت اصلی)

pass : iran-matlab.ir

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

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

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

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

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

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

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

بخش های مختلف این مجموعه فیلم آموزشی :

ردیف	عنوان	مدت زمان	لینک
1	فیلم آموزشی مبانی و مقدمات تئوری و عملی شبکه‌های عصبی ( چهار قسمت )	240 دقیقه	لینک دریافت (کلیک کنید)
2	برنامه نویسی شبکه عصبی در متلب (قسمت 5 و قسمت 6)	60 دقیقه	لینک دریافت (کلیک کنید)
3	پیش بینی با شبکه های عصبی (قسمت 7 )	50 دقیقه	لینک دریافت (کلیک کنید)
4	دسته بندی با شبکه های عصبی (تشخیص بیماری سرطان)	40 دقیقه	لینک دریافت (کلیک کنید)
5	پیش بینی سریهای زمانی با شبکه های عصبی (مثال پیش بینی بارش باران سالانه و ماهانه و هفتگی و روزانه)	90 دقیقه	لینک دریافت (کلیک کنید)
6	شناسایی چهره با شبکه های عصبی (کاربرد شبکه عصبی در پردازش تصویر)	70 دقیقه	لینک دریافت (کلیک کنید)
7	تنظیمات پیشرفته شبکه های عصبی در متلب	60 دقیقه	لینک دریافت (کلیک کنید)

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

.

.

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

سرعت آموزش پايين

گير كردن در مينيمم محلي

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

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

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

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

مشاهده قسمت هايي از اين فيلم آموزشي :

لينك مشاهده در يوتيوب youtube

مدت زمان : 75 دقيقه

حجم فايلها: 177 مگابايت

ارسال لينك دانلود به ايميل شما

لینک سفارش فیلم کامل 

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

1. بازشناسی جملات در متون فارسی (که بر اساس نماد ها و قواعد انجام می شود)
2. بارشناسی اسامی خاص در متون فارسی (که نام افراد، اماکن، اعداد، و … را تشخیص می دهد و نوع آن را نیز تعیین می کند)
3. برچسب گذاری دستوری متون فارسی (که تعیین می کند یک کلمه در جمله نقش اسم، فعل، صفت و .. را دارد)
4. برچسب گذاری معنایی متون فارسی (که تعیین می کند یک کلمه در جمله یا عبارت نقش فاعل، مفعول، مفعول مستقیم، مفعول غیر مستقیم، فعل، فعل معلوم، فعل مجهول، صفت، موصوف، و .. را دارد)
5. تشخیص واحد های زبانی در متون فارسی یا Tokenizer
6. ریشه یاب کلمات و تشخیص نوع کلمه ساخته شده از آن ریشه در متون فارسی
7. بازشناسی گروه های لغوی (گروه های اسمی، وصفی، فعلی و … ) در متون فارسی

استفاده از یک وردنت (ساخته شده از پیش یا ساخته شده توسط دانشجو) برای تعیین روابط معنایی کلمات در متون فارسی

نوشته پیاده سازی یک ماژول مربوط به زبان فارسی در گیت و مستند سازی آن اولین بار در ايران متلب. پدیدار شد.

در بیشتر کاربردها ما تنها با دو کلاس سر و کار نداریم لذا لازم است که به نحوی این دسته بندی کننده را برای تعداد کلاسهای بیشتر استفاده کنیم.

یکی از این روشها ، روش درختی می باشد. د راین روش شما برای n کلاس ، به n-1 ماشین بردار پشتیبان نیاز دارید.

مثلا اگر تعداد کلاسهای شما سه باشد، شما به دو ماشین بردار پشتیبان دارید. همانطور که در شکل زیر نیز این مفهوم نشان داده شده است.

ما برای شما یک کد متلب آماده کردیم که شما از ماشین بردار پشتیبان می توانید برای هر چند کلاس استفاده کنید و لازم نیست درگیر حلقه ها و برنامه نویسی شرطی پیچیده شوید.

این برنامه به صورت یک تابع می باشد که از شما داده های آموزش و تست را می گیرد و با داده های آموزش ، سیستم آموزش پیدا می کند و با داده های تست سیستم آموزش یافته را تست می کند و خروجی متناظر هر داده تست را بر می گرداند.

لینک دانلود

این کد به همراه  مثال می باشد

نوشته کد آماده SVM (ماشین بردار پشتیبان) برای چند کلاسی اولین بار در ايران متلب. پدیدار شد.

در این مقاله از ترکیب یک سیستم فازی و شبکه ماشین بردار پشتیبان برای بخش‌بندی پوست صورت استفاده شده است. ساختار شبکه مذکور (FS-FCSVM) بدین شکل است که عمل خوشه‌بندی فازی بر روی داده‌های ورودی انجام می‌گیرد که این امر منجر به کاهش تعداد قوانین فازی می‌گردد. سپس پارامترهای شبکه با استفاده از شبکه بردار ماشین پشتیبان آموزش داده می‌شوند که در نتیجه به شبکه با قابلیت تعمیم پذیری بالاتر دست می‌یابیم. برنامه نوشته شده از قسمت‌های اصلی زیر تشکیل شده است.
1) Main2: که برنامه اصلی اجرا شده برای مقایسه روشهای کلاس بندی است. اجرای این برنامه منحنی ROC و تصویر بخش‌بندی‌شده نمونه را نشان می‌دهد.
2) PointsManual و ManualSegmentation: که با اجرای ManualSegmentation می‌توان به بخش‌بندی دستی تصاویر پرداخت. این برنامه برای ناحیه بندی پوست و مقایسه آن در نتایج کلاس بندی لازم است. با اجرای برنامه تابع PointsManual فراخوانی می‌شود. برای هر تصویر با کلیک ماوس یک نقطه مشخص می‌شود. برای آخرین نقطه از کلیک راست ماوس استفاده می‌کنیم. در نتیجه یک منحنی اسپلاین به نقاط فیت شده و ناحیه صورت در تصویر مشخص می‌شود.

ساختار کد برنامه Main از قسمت‌های زیر تشکیل شده است:
1- Path & Parameters: در این قسمت از برنامه مسیرهای مهم و پارامترهای مهم برنامه را مقداردهی و مشخص می‌کنیم. این مسیرها شامل مسیر تصاویر و توابع دستورات SVM است.
2- Read Dataset: در این قسمت همه تصاویر اصلی و تصاویر بخش‌بندی شده خوانده می‌شود. در تصاویر بخش‌بندی‌شده، بافت پوست از بقیه قسمتها مجزا شده است.
3- Feature Extraction: در این قسمت ویژگی‌های Hue و Saturation از تصاویر HSI تصاویر اصلی خوانده می‌شود. این دو با هم یک بردار ویژگی دوبعدی را برای هر تصویر ایجاد می‌کنند.
4- Feature Normalization: مقادیر ویژگی‌های مورد نظر برای یکسان‌سازی به مقادیر بین صفر و یک نرمالیزه می‌شوند.
5- Separate Test & Train: دراین قسمت داده‌های موجود به دو دسته داده آموزش و تست تقسیم می‌شوند. به طور معمول دو سوم داده ها را داده آموزش انتخاب می کنیم و بقیه داده‌ها به عنوان تست درنظرگرفته می‌شوند.
6- Extract Samples: دراین قسمت که بخشی از قسمت قبل است از همه پیکسل‌ها یک تعداد مشخصی از هر تصویر را که در برنامه 100 پیکسل گذاشته‌ایم به عنوان داده ورودی آموزش و تست انتخاب می‌کنیم. این انتخاب به شکل تصادفی انجام می‌پذیرد.
7- SVM Classification: بعد از جدا کردن داده ‌های آموزش و تست، ابتدا با داده آموزشی شبکه SVM را آموزش می‌دهیم و سپس با داده تست به ارزیابی دقت آن می‌پردازیم. دقت ردیابی و خطای تشخیص خروجی این قسمت به ازای مقادیر مختلف پارامتر SVM بدست می آید و منحنی ROC رسم می‌شود.
8- Anfis Classification: بعد از جدا کردن داده ‌های آموزش و تست، ابتدا با داده آموزشی شبکه Anfis فازی را آموزش می‌دهیم و سپس با داده تست به ارزیابی دقت آن می‌پردازیم. دقت ردیابی و خطای تشخیص خروجی این قسمت به ازای مقادیر مختلف پارامتر Anfis بدست می آید و منحنی ROC رسم می‌شود.
9- FS-FCSVM Classification: در این قسمت از شبکه پیشنهادی مقاله برای آموزش و تست شبکه استفاده می‌شود. ابتدا با خوشه بندی فازی روی داده‌های ورودی، مقادیر توابع عضویت داده ها محاسبه می‌شود و سپس روی این مقادیر توابع شبکه SVM را اعمال می کنیم. دقت ردیابی و خطای تشخیص خروجی این قسمت به ازای مقادیر مختلف پارامتر FS_FCSVM بدست می آید و منحنی ROC رسم می‌شود.
10- Test Image Segmentation: در این قسمت میزان دقت شبکه ایجاد شده را برای یک تصویر آزمایشی امتحان می‌کنیم و تمام پیکسل‌های آن را به عنوان داده ورودی برای کلاس‌بندی پوست و غیرپوست به شبکه می‌دهیم. نتیجه کلاس بندی به صورت یک تصویر نشان داده می‌شود که در آن نقاط پوست دارای شدت روشنایی متناظر آن در تصویر ورودی و نقاط غیرپوست دارای شدت صفر هستند.

لینک دانلود

محصولات مرتبط

نوشته سیستم آموزش دیده فازی با استفاده از شبکه فازی و ماشین بردار پشتیبان برای بخش‌بندی رنگی پوست صورت اولین بار در ايران متلب. پدیدار شد.

در این پست یک جزوه آموزشی مفید در خصوص آموزش جعبه ابزار شبکه عصبی در MATLAB برای دانلود شما قرار گرفته است. جزوه حاضر به شرح ساختار و اجزای یک شبکه عصبی و نحوه پیاده سازی آن در محیط نرم افزار MATLAB، با تکیه بر شبکه های عصبی پرسپترون چند لایه (MLP) پرداخته است . در پایان نیز نحوه به کارگیری شبکه عصبی مذکور با ارائه یک مثال مربوط به طبقه بندی اطلاعات بازار بورس توصیف گردیده است.

آشنایی با شبکه های عصبی زیستی

معرفی شبکه های عصبی مصنوعی (ANNها)

مبانی شبکه های عصبی مصنوعی

توپولوژی شبکه

نرم افزارهای شبکه های عصبی

مقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبی

فرآیند یادگیری شبکه

تجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی

ایده ی اصلی شبکه های عصبی مصنوعی

مهم ترین تفاوت حافظه ی انسان و حافظه ی کامپیوتر

شبکه های عصبی در مقابل کامپیوترهای معمولی

معایب شبکه های عصبی مصنوعی

کاربردهای شبکه های عصبی مصنوعی

آشنایی با شبکه های عصبی  زیستی

این شبکه ها مجموعه ای بسیار عظیم از پردازشگرهایی موازی به نام نورون اند که به صورت هماهنگ برای حل مسئله عمل می کنند و توسط سیناپس ها(ارتباط های الکترومغناطیسی)اطلاعات را منتقل می کنند.در این شبکه ها اگر یک سلول آسیب ببیند بقیه ی سلولها می توانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند.

این شبکه ها قادر به یادگیری اند.مثلا با اعمال سوزش به سلولهای عصبی لامسه، سلولها یاد می گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می آموزد که خطای خود را اصلاح کند.back propagation of error))

یادگیری در این سیستم ها به صورت تطبیقی صورت می گیرد، یعنی با استفاده ازمثال ها وزن سیناپس ها به گونه ای تغییر می کند که در صورت دادن ورودی های جدید سیستم پاسخ درستی تولید کند.

معرفی ANN ها

یک سیستم پردازشی داده ها که از مغز انسان ایده گرفته و پردازش داده ها را به عهده ی پردازنده های کوچک و بسیار زیادی سپرده که به صورت شبکه ای به هم پیوسته و موازی با یکدیگر رفتار می کنند تا یک مسئله را حل کنند.

در این شبکه ها به کمک د انش برنامه نویسی ، ساختا ر داده ای طراحی می شود که می تواند هما نند نورون عمل کند.که به این ساختارداده node یا گره نیزگفته می شود.بعد باایجاد شبکه ای بین این node  ها و اعمال یک الگوریتم  آموزشی به آ ن،  شبکه را آموزش می دهند .

در این حافظه یا شبکه ی عصبی node  ها دارای دو حالت فعال(on  یا 1) وغیرفعال(   offیا 0) اند و هر یال (سیناپس یا ارتباط  بین node  ها)دارای یک وزن می باشد.یالهای با وزن مثبت ،موجب تحریک یا فعال کردن node غیر فعال بعدی می شوند و یالهای با وزن منفی node متصل بعدی را غیر فعال یا مهار(در صورتی که فعال بوده باشد) می کنند.

به طور خلاصه یک شبکه عصبی باید خصوصیات زیر را داشته باشد:

بتواند الگوها را طبقه بندی کند.

به اندازه کافی کوچک باشد تا از نظر فیزیکی واقع گرایانه باشد.

با به کار گیری آموزش، قابل برنامه ریزی باشد و قدرت یادگیری داشته باشد. یعنی توانایی تنظیم پارامترهای شبکه ( اوزان سیناپتیکی )، در مسیر زمان که محیط شبکه تغییر می کند و شبکه وارد شرایط جدیدی می شود. هدف از این کار این است که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی شبکه رخ داد، شبکه بتواند با آموزش مختصر، برای شرایط جدید نیز کارآمد باشد.    دیگر این که اطلاعات در شبکه های عصبی در سیناپس ها ذخیره و هر نرون در شبکه به صورت بالقوه از کل فعالیت سایر نرون ها تأثیر می پذیرد. در نتیجه اطلاعات از نوع مجزا از هم نبوده و متأثر از کل شبکه می باشد.

توانایی تعمیم را با استفاده از مثال های ارائه شده در فرآیند آموزش، داشته باشد.

نرم افزارهای شبکه های عصبی

نرم افزارهایی برای شبیه سازی ،مطالعه و تحقیق سیستمهای عصبی زیستی و گسترش شبکه های عصبی مصنوعی وAdaptive system ها .

  شبیه سازها: نرم افزارهایی برای شبیه سازی رفتار شبکه های عصبی زیستی و مصنوعی که به صورت مستقل عمل می کنند و قادرند فرآیند آموزش شبکه ی عصبی را به شکل تصویری نمایش دهند.

  شبیه سازهای تحقیقاتی :برای مطالعه ی الگوریتم ها و ساختارهای شبکه ی عصبی که   به فهم بهتر رفتارها و خصوصیات شبکه ی عصبی کمک می کنند.(مطالعه ی ویژگی   های شیمیایی و زیستی بافتهای عصبی و پالس های الکترومغناطیسی بین نورونها).

رایجترین شبیه سازهای ANN ها :

SNNS(stuttgart neural network simulator),PDP++(parallel distribution processing),JavaNNS

رایجترین شبیه سازهای شبکه های زیستی:

XNBC,BNN ToolBox

 شبیه سازهای آنالیز داده :علی رغم دسته ی اول ،کاربردهای عملی شبکه های عصبی را مطالعه میکنند.استفا ده از آنها نسبتا ساده است در عوض تواناییهاشان محدود است . بر روی Data miningوپیش بینی ها کار می کنند.

بعضی از آنها عبارتند از:

Microsoft Excel,Matlab

Development Environment ها:برای گسترش  و آرایش شبکه های عصبی به کار می روند.

رایج ترین نرم افزارهای این دسته عبارتند از:

MathWorks NN ToolBox,GBlearn2

توپولوژی شبکه

وضعیت نسبی سلولها در شبکه(تعداد و گروه بندی و نوع اتصالات آنها)را توپولوژی شبکه گویند.توپولوژی در واقع سیستم اتصال سخت افزار نورونها به یکدیگر است که توام با نرم افزار مربوطه  (یعنی روش ریاضی جریان اطلاعات و محاسبه ی وزنها)نوع عملکرد شبکه ی عصبی را تعیین می کند.

در این توپولوژی یک لایه ی ورودی وجود دارد که اطلاعات را دریافت می کند،تعدادی لایه یمخفی وجود دارد که اطلاعات را از لایه های قبلی می گیرند و در نهایت یک لایه ی خروجی  وجود دارد که نتیجه ی محاسبات به آنجا میرود و جوابها در آن قرار میگیرند.

FeedForward topology

Recurrent topology

مقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبی

مدل سازی کلاسیک:

این مدل از نخستین قدم خطای بزرگی مرتکب می شود که فقط در سیستمهای ساده (خطی یا نزدیک به خطی )قابل صرفنظر است و آن محاسبه ی شاخصهای تمایل به مرکز و پراکندگی است که به این ترتیب راهمیت فردی تک تک داده ها از بین می رود و در نتیجه سیستم قادر به کشف پیچیدگی ها نخواهد بود.

مدل سازی شبکه ی عصبی :

در این مدل هر یک از کانالهای ورودی دارای یک ضریب عددی هستند که وزن سیناپسی نامیده می شود.شدت تحریک الکتریکی در این ضریب ضرب می شود و به جسم سلولی می رسد.

اگر مجموع تحریکات وارد به جسم سلولی به حد آستانه ی خاصی رسیده باشد،نورون شلیک می کند و در مسیرهای خروجی جریان الکتریکی ثابتی را ایجاد می کند.تحریکات لایه ی ورودی به یک یا چند لایه ی واسط می رود .ادامه ی جریان تحریکات در این لایه ها طوری هدایت میشود  که پیچیدگیهای تاثیرات جریان ورودی را شبیه سازی می کند .سپس تحریکات به لایه ی خروجی می روند که هدف نهایی ماست.

فرآیند یادگیری شبکه

وظیفه ی شبکه های عصبی یادگیری است.تقریبا چیزی شبیه به یادگیری کودک خردسال.

انواع آموزش شبکه:

یادگیری تحت نظارت(یا supervised ) : با تمرکز روی یک موضوع خاص و ارائه ی  مثالهای مختلفی از آن صورت می گیرد .شبکه اطلاعات ورودی و مثال ها را تجزیه و تحلیل خواهد کرد به طوری که پس از مدتی قادر خواهد بود یک نوع جدید از آن دسته مثال ها را که قبلا هرگز ندیده بود شناسایی کند.

یادگیری بدون نظارت(یا unsupervised ) :یادگیری سطح بالاتری است که کاربرد آن امروزه کمتر است.

یادگیری تقویتی(یا  reinforcement):

مدل پنهانی مارکوف(MDP):اجزای اصلی یک مدل مارکوف عبارتند از :مجموعه ی   حالتها،مجموعه ی عملها،گذرها،ارزش افزوده ی فوری هر عمل

مهم ترین تفاوت حافظه ی انسان و حافظه ی کامپیوتر

يكی از مهم‌ترين تفاوت‌های حافظه انسان با حافظه كامپيوتر در نوع آدرس دهی اين دو نوع حافظه می‌باشد. در حافظه كامپيوتر اساس كار بر پايه آدرس خانه‌های حافظه يا آدرس اطلاعات بر روی حافظه دائم می‌باشد. به عنوان مثال برای دستيابی به يك تصوير يا متن خاص، بايد آدرس حافظه يا فايل مربوط به آن تصوير يا متن را داشته باشيد. اما با داشتن خودتصوير يا متن نمی‌توانيد به سادگی آدرس حافظه مربوطه را بيابيد (البته به اين معنی كه اين كار با يك قدم قابل انجام نيست، وگرنه می‌توانيد تصوير يا متن مورد نظر را با تمام موارد موجود در حافظه مقايسه كرده و در صورت تطبيق آدرس را بيابيد. ناگفته پيداست كه انجام چنين كاری بسيار زمان بر و پر هزينه می‌باشد).

اما به سازوكار همين عمل در ذهن انسان دقت كنيد. با ديدن يك تصوير ناقص اغلب بلافاصله كامل آنرا به خاطر می‌آوريد يا با ديدن تصوير يك شخص سريعا نام او را می‌گوييد، يا با خواندن يك متن سريعا تمامی مطالب مربوط به آن را به ذهن می‌آوريد. در واقع ذهن انسان يك نوع حافظه آدرس‌دهی شده بر اساس محتواست (Content Addressable Memory). همانگونه كه از اين نام مشخص است در اين نوع حافظه، با دادن محتوای يك خانه حافظه، بلافاصله آدرس آن به عنوان خروجی داده می‌شود.

دانلود فايل

یک فیلم آموزشی جامع از شبکه های عصبی تهیه شده است که با کلیک بر روی عکس زیر می توانید آنرا سفارش دهید.

این فیلم آموزشی حاصل چندین سال تجربه ما در برنامه نویسی متلب شبکه های عصبی می باشد.

دانشجویان زیادی از سراسر ایران تقاضای تدریس شبکه های عصبی در متلب MATLAB را داشتند اما ما به دلیل دوری راه و نداشتن زمان خالی نمی توانستیم به این نیاز انها پاسخ درستی بدهیم. لذا ما تصمیم گرفتیم که یک فیلم آموزشی کامل برای شبکه های عصبی مصنوعی تهیه کنیم که تمامی مطالب کلاس خصوصی شبکه عصبی را شامل شود. این فیلم آموزشی هم اکنون آماده سفارش است که می توانید با کلیک بر روی تصویر زیر آنرا سفارش دهید.

نوشته آموزش جعبه ابزار شبکه عصبی در MATLAB با مثال اولین بار در ايران متلب. پدیدار شد.

الگوريتم SVM اوليه در ۱۹۶۳ توسط Vladimir Vapnik ابداع شد و در سال ۱۹۹۵ توسط Vapnik وCorinna Cortes براي حالت غيرخطي تعميم داده شد.

ماشين بردار پشتيباني (Support vector machines) يکي از روش‌هاي يادگيري بانظارت(Supervised learning) است که از آن براي طبقه‌بندي و رگرسيون استفاده مي‌کنند.

اين روش از جمله روش‌هاي نسبتاً جديدي است که در سال‌هاي اخير کارايي خوبي نسبت به روش‌هاي قديمي‌تر براي طبقه‌بندي از جمله شبکه‌هاي عصبي پرسپترون نشان داده است.

مبناي کاري دسته‌بندي کنندةSVM دسته‌بندي خطي داده‌ها است و در تقسيم خطي داده‌ها سعي مي‌کنيم خطي را انتخاب کنيم که حاشيه اطمينان بيشتري داشته باشد. حل معادلة پيدا کردن خط بهينه براي داده‌ها به وسيله روش‌هاي QP (Quadratic Programming) که روش‌هاي شناخته شده‌اي در حل مسائل محدوديت‌دار هستند صورت مي‌گيرد.

SVM از يک تکنيک که kernel trick ناميده مي شود، براي تبديل داده هاي شما استفاده مي کند و سپس بر اساس اين تبديل، مرز بهينه بين خروجي هاي ممکن را پيدا مي کند. به عبارت ساده تبديلات بسيار پيچيده را انجام مي دهد، سپس مشخص مي کند چگونه داده هايتان را بر اساس برچسب ها يا خروجي هايي که تعريف کرده ايد ، جدا کنيد.

يکي از روش هايي که در حال حاضر به صورت گسترده براي مسئله دسته بندي (Classification) مورد استفاده قرار مي گيرد، روش ماشين بردار پشتيبان (SVM) است. شايد به گونه اي بتوان محبوبيت کنوني روش ماشين بردار پشتيبان را با محبوبيت شبکه هاي عصبي در دهه گذشته مقايسه کرد. علت اين قضيه نيز قابليت استفاده اين روش در حل مسائل گوناگون مي باشد، در حاليکه روش هايي مانند درخت تصميم گيري را نمي توان به راحتي در مسائل مختلف به کار برد.

کاربردهاي SVM

الگوريتم  SVM، جز الگوريتم هاي تشخيص الگو دسته بندي مي شود. از الگوريتم SVM، در هر جايي که نياز به تشخيص الگو يا دسته بندي اشيا در کلاس هاي خاص باشد مي توان استفاده کرد. در ادامه به کاربرد هاي اين الگوريتم به صورت موردي اشاره مي شود:

سيستم آناليز ريسک، کنترل هواپيما بدون خلبان، رديابي انحراف هواپيما، شبيه سازي مسير، سيستم راهنمايي اتوماتيک اتومبيل، سيستمهاي بازرسي کيفيت، آناليز کيفيت جوشکاري، پيش بيني کيفيت، آناليز کيفيت کامپيوتر، آناليز عملياتهاي آسياب، آناليز طراحي محصول شيميايي، آناليز نگهداري ماشين، پيشنهاد پروژه، مديريت و برنامه ريزي، کنترل سيستم فرايند شيميايي و ديناميکي، طراحي اعضاي مصنوعي، بهينه سازي زمان پيوند اعضا، کاهش هزينه بيمارستان، بهبود کيفيت بيمارستان، آزمايش اتاق اورژانس، اکتشاف روغن و گاز، کنترل مسير در دستگاههاي خودکار، ربات، جراثقال، سيستمهاي بصري، تشخيص صدا، اختصار سخن، کلاسه بندي صوتي، آناليز بازار، سيستمهاي مشاوره اي محاسبه هزينه موجودي، اختصار اطلاعات و تصاوير، خدمات اطلاعاتي اتوماتيک، مترجم لحظه اي زبان، سيستمهاي پردازش وجه مشتري، سيستمهاي تشخيص ترمز کاميون، زمانبندي وسيله نقليه، سيستمهاي مسيريابي، کلاسه بندي نمودارهاي مشتري/بازار، تشخيص دارو، بازبيني امضا، تخمين ريسک وام، شناسايي طيفي، ارزيابي سرمايه، کلاسه بندي انواع سلولها، ميکروبها و نمونه ها، پيش بيني فروشهاي آينده، پيش بيني نيازهاي محصول، پيش بيني وضعيت بازار، پيش بيني شاخصهاي اقتصادي، پيش بيني ملزومات انرژي، پيش بيني واکنشهاي دارويي، پيش بيني بازتاب محصولات شيميايي، پيش بيني هوا، پيش بيني محصول، پيش بيني ريسک محيطي، پيش بيني جداول داوري، مدل کردن کنترل فرآيند، آناليز فعاليت گارانتي، بازرسي اسناد، تشخيص هدف، تشخيص چهره، انواع جديد سنسورها، دستگاه کاشف زير دريايي بوسيله امواج صوتي، رادار، پردازش سيگنالهاي تصويري شامل مقايسه اطلاعات، پيگيري هدف، هدايت جنگ افزارها، تعيين قيمت وضعيت فعلي، جلوگيري از پارازيت، شناسايي تصوير /سيگنال، چيدمان يک مدار کامل، بينايي ماشين، مدل کردن غير خطي، ترکيب صدا، کنترل فرآيند ساخت، آناليز مالي، پيش بيني فرآيندهاي توليد، ارزيابي بکارگيري يک سياست، بهينه سازي محصول، تشخيص ماشين و فرآيند، مدل کردن کنترل سيستمها، مدل کردن ساختارهاي شيميايي، مدل کردن سيستمهاي ديناميکي، مدل کردن سيگنال تراکم، مدل کردن قالبسازي پلاستيکي، مديريت قراردادهاي سهام، مديريت وجوه بيمه، ديريت سهام، تصويب چک بانکي، اکتشاف تقلب در کارت اعتباري، ثبت نسيه، بازبيني امضا از چکها، پيش بيني ارزش نسيه، مديريت ريسک رهن، تشخيص حروف و اعدا، تشخيص بيماري و…..

ايده اصلي SVM

l      با فرض اينکه دسته ها بصورت خطي جداپذير باشند، ابرصفحه هائي با حداکثر حاشيه(maximum margin)  را بدست مي آورد که دسته ها را جدا کنند.

l      در مسايلي که داده ها بصورت خطي جداپذير نباشند، داده ها به فضاي با ابعاد بيشتر نگاشت پيدا مي کنند تا بتوان آنها را در اين فضاي جديد بصورت خطي جدا نمود.

l      در يک فرايند يادگيري که شامل دو کلاس مي­باشد، هدف SVM پيدا کردن بهترين تابع براي طبقه­بندي مي­باشد به نحوي که بتوان اعضاي دو کلاس را در مجموعه داده­ها از هم تشخيص داد. معيار بهترين طبقه­بندي به­صورت هندسي مشخص مي­شود، براي مجموعه داده­هايي که به­صورت خطي قابل تجزيه هستند. به­طور حسي آن مرزي که به­صورت بخشي از فضا تعريف مي­شود يا همان تفکيک بين دو کلاس بوسيله hyperplane تعريف مي­شود. همين تعريف هندسي به ما اجازه مي­دهد تا کشف کنيم که چگونه مرزها را بيشينه کنيم ولو اينکه تعداد بيشماريhyperplane داشته باشيم و فقط تعداد کمي، شايستگي راه حل براي SVM دارند.

مسئله جداسازي خطي: Linear Discrimination

اگر دو دسته وجود داشته باشند که بصورت خطي از هم جداپذير باشند، بهترين جدا کننده اين دو دسته چيست؟

الگوريتم هاي مختلفي از جمله  پرسپترون ميتوانند اين جداسازي را انجام دهند.

آيا همه اين الگوريتمها بخوبي از عهده اين کار بر مي آيند؟

آشنايي با مفاهيم ابتدايي

خط يا ابر صفحه جدا کننده: 

 هدف: پيدا کردن بهترين خط ( ابر صفحه) که دو دسته را از هم جدا کند. در حالت دو بعدي معادله اين خط بصورت زير است:

در حالت n  بعدي خواهيم داشت:

حداکثر حاشيه (maximum margin)

بر طبق قضيه اي در تئوري يادگيري اگر مثالهاي آموزشي بدرستي دسته بندي شده باشند، از بين جداسازهاي خطي، آن جداسازي که حاشيه داده هاي آموزشي را حداکثر مي کند، خطاي تعميم را حداقل خواهد کرد.

چرا حداکثر حاشيه؟

¢     به نظر مي رسد که مطمئن ترين راه باشد.

¢     تئوري هائي برمبناي VC dimension وجود دارد که مفيد بودن آنرا اثبات مي کند.

¢     بطور تجربي اين روش خيلي خوب جواب داده است.

¢     دليل اينکه SVM روي بزرگ­ترين مرز براي hyperplane پافشاري مي­کند اين­ست که قضيه قابليت عموميت بخشيدن به الگوريتم را بهتر تامين مي­کند. اين نه تنها به کارايي طبقه­بندي و دقت  آن روي داده­هاي آزمايشي کمک مي­کند، فضا را نيز براي طبقه­بندي بهتر داده­هاي آتي مهيا مي­کند.

بردار پشتيبان

نزديکترين داده هاي آموزشي به ابر صفحه هاي جدا کننده بردار پشتيبان ناميده مي شوند.

ماشين بردار پشتيبان خطي

ماشين بردار پشتيبان يک روش يادگيري نسبتا جديد است که اغلب براي کلاسبندي باينري مورد استفاده واقع مي شود. فرض کنيد L مشاهده داريم که هر مشاهده مشتمل بر زوج هاي است که در آن . بردار ورودي و يک مقدار دو وضعيتي (1- يا 1+) است. ايده ي ماشين بردار پشتيبان مي کوشد، ابرصفحاتي در فضا رسم کند که عمل تمايز نمونه هاي کلاس هاي مختلف داده ها را بطور بهينه انجام دهد. مي توان يک ابرصفحه را از طريق رابطه زير نشان داد:

براي يک بردار خطي b با وزن w ، حاشيه جداسازي عبارتست از فاصله ي بين ابرصفحه تعريف شده توسط رابطه ي فوق و نزديکترين ويژگي به آن. هدف ماشين بردار پشتيبان يافتن ابرصفحه اي ست که بيشترين حاشيه ي جداسازي را داشته باشد. مهمترين وظيفه SVM ، يافتن پارامترهاي w0 و b0 بر اساس بردارهاي آموزشي داده شده، براي اين ابرصفحه بهينه است. براي يک بردار ويژگي X، فاصله تا ابرصفحه بهينه به صورت زير است:

از رابطه بالا نتيجه مي شود که ماکزيموم کردن حاشيه جداسازي بين الگوها و ابرصفحه، معادلست با مينيموم کردن فرم اقليدسي بردار وزن w. بنابراين مساله بهينه سازي مقيد را مي توان به صورت زير تعريف کرد:

براي حل اين مساله، تابع لاگرانژ زير را تشکيل داده و حل مي کنيم:

لاگرانژين L بايد نسبت به متغيرهاي اوليه  bو w مينيموم و نسبت به متغيرهاي دوگان ماکزيموم شود. با مساوي صفر قراردادن مشتق L نسبت به b،w:

به معادلات زير خواهيم رسيد:

مجموعه جواب، بسطي از نمونه هاي آموزشي است که مقدار  متناظر با آن ها، يک مقدار غير صفر است. اين نمونه هاي آموزشي خاص به بردارهاي پشتيبان مشهورند. بردارهاي پشتيبان روي مرز حاشيه قرار دارند. مابقي نمونه هاي آموزشي در اين قسمت نقشي ندارند.

تمايز نمونه هاي دو کلاس با ابرصفحه ي بهينه

با قرار دادن 7 و 8 در  به مساله دوگان ولف زير خواهيم رسيد:

حل اين مساله دوگان ضرايب لاگرانژ را به ما مي دهد. تابع ابرصفحه متمايز کننده را مي توان به صورت زير نوشت:

ماشين بردار پشتيبان براي بردارهاي ورودي جدايي ناپذير:

اغلب در عمل، يافتن يک ابرصفحه متمايز کننده به راحتي امکان پذير نيست. زيرا مثلا يک نويز قوي مي تواند باعث ايجاد رويهم افتادگي کلاس ها شود. در اين حالت از متغير هايي به نام متغيرهاي کمبود(Slack Variables) استفاده مي کنيم. به گونه اي که شرايط زير برقرار باشند:

حال يک تعميم خوب براي ابرصفحه ي متمايز کننده، با کنترل ظرفيت کلاسبند (از طريق ) و همچنين تعداد خطاهاي مرحله آموزش بدست مي آيد. مساله بهينه سازي به صورت زير تعريف خواهد شد:

مساله دوگان به فرم زير خواهد بود:

ماشين بردار پشتيبان غيرخطي:

ابرصفحه جداکننده بهينه اولين بار توسط Vapnik در سال ۱۹۶۳ ارائه شد که يک دسته کننده خطي بود. در سال ۱۹۹۲ ،Bernhard Boser ،  Isabelle GuyonوVapnik راهي را براي ايجاد دسته بند غيرخطي، با استفاده قرار دادن هسته براي پيدا کردن ابرصفحه با بيشتر حاشيه، پيشنهاد دادند. الگوريتم نتيجه شده ظاهرا مشابه است، به جز آنکه تمام ضرب هاي نقطه اي با يک تابع هسته غيرخطي جايگزين شده اند. اين اجازه مي دهد، الگوريتم، براي ابرصفحه با بيشترين حاشيه در يک فضاي ويژگيِ تغييرشکل داده، مناسب باشد. ممکن است، تغييرشکل غيرخطي باشد و فضاي تغيير يافته، داراي ابعاد بالاتري باشد. به هر حال دسته کننده، يک ابرصفحه در فضاي ويژگي با ابعاد بالا است، که ممکن است در فضاي ورودي نيز غيرخطي باشد.

در حالت غيرخطي، مي توان با اعمال پيش پردازش داده ها، مساله را به فضايي برد که در آن جا با يک ابرصفحه ساده قابل حل باشد. براي اين منظور يک نگاشت  تعريف مي کنيم که بردار ورودي d بعدي x را به بردار d’ بعدي z تبديل مي کند.

 بايد به گونه اي انتخاب شود که بردارهاي فضاي ويژگي جديد جدايي پذير باشند. در حالت کلي مي توان گفت که اگر  بردارهاي ورودي را به فضايي ببرد که تعداد ابعاد آن به اندازه کافي بزرگ باشد (

نوشته آشنایی با ماشین بردار پشتیبان Support Vector Machine یا SVM در متلب MATLAB اولین بار در ايران متلب. پدیدار شد.