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.