چرا این آموزش ؟

در سالهای اخیر سیل علاقه مندان بسیار زیادی وارد بورس شده اند و برخی از آنها سودهای میلیاردی نصیب خود کرده اند. برخی از آنها به تحلیل های اقتصادی و تکنیکال بورس آشنایی دارند و می توانند روند تغییر قیمت در بورس را پیش بینی کنند. اما همه این دانش و توانایی را ندارند.

خبری در سایت CNN امده است که غول فناوری دنیا IBM ، یک سخت‌افزار ویژه برای استفاده از هوش مصنوعی در علم اقتصاد طراحی کرده است که نشان می دهد هوش مصنوعی چقدر می تواند به فعالین بورس کمک کند. 

یکی از ابزارهای بسیار پرکاربرد و مفید در جهان، هوش مصنوعی می باشد. هم اکنون ماشین های بدون راننده با کمک الگوریتم های هوش مصنوعی در خیابان های تعدادی از کشورهای دنیا در حال رفت و آمد هستند که نشان دهنده قدرت و کاربردی بودن هوش مصنوعی دارد. گروه ایران متلب بنا به تجربه طولانی خود با مدلهای مختلف هوش مصنوعی، تصمیم گرفت این آموزش منحصربفرد را تهیه و عرضه کند. برای تهیه این آموزش چندین پایان‌نامه ارشد و دکتری در رشته های اقتصاد و مهندسی و کامپیوتر مطالعه شده است.

سرفصل های آموزش :

(با توجه به انحصاری بودن این آموزش، سرفصل ها حذف شد، در آموزش اصلی که برای شما ارسال می شود، سرفصل ها کامل وجود دارند)

ما در قسمت برنامه نویسی هم از متلب و هم از پایتون استفاده کرده ایم.

لینک سفارش

نوشته بسته آموزشی جامع پیش بینی بورس با هوش مصنوعی 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.

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.

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.

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.

سرفصل :

متغییرهای گروهی

تقسیم داده ها بر اساس گروه

یافتن تعداد کلاس ها

تابع splitapply

رسم گروه بندی شده داده ها

حذف یک کلاس از داده ها

محاسبه درصد و تعداد هر گروه در داده

رسم نمودار پراکندگی بر اساس گروه

مزیت droplevels

رسم نمودار ماتریس گروه

محاسبه معیارهای آماری هر گروه

چه داده هایی در متلب به عنوان missing در نظر گرفته می شوند؟

عملیات یا داده های شامل NaN

چطور داده های ما شامل NaN می شوند؟

محاسبات آماری با داده هایی که شامل مقادیر missing هستند

آشنایی با دیتاست های آماده متلب

خواندن داده از فایل اکسل excel

خواندن داده های یک sheet

خواندن داده های یک range

یافتن اتوماتیک داده های missing

حذف داده های missing از داده های ورودی

جایگزینی داده های missing

ایجاد داده های missing

یافتن outliers در داده ها

شناسایی و جایگزینی outliers

حذف outliers از داده ها

انواع روش های جایگزینی داده های missing

تعیین جهت عملگر بر روی داده های 2 بعدی

مفهوم outliers

معیار MAD یا median absolute deviation

یافتن تغییرات شدید در داده ها

یافتن مینیمم های محلی

یافتن ماکزیمم های محلی

هموار کردن داده smoothing

معیار میانگین حرکتی

معیار میانه حرکتی

پنجره در هموار کردن و معیارهای حرکتی

نرمالیزه کردن داده

روش zscore

روش norm

روش scale

روش range

روش center

تابع rescale

معیار cross validation در متلب

مفهوم k-fold

یک مثال برنامه نویسی پیچیده

تابع crossval

ماتریس confusion

چارت ماتریسی confusion

نمودار ROC

هدف از ROC چیست؟

معیار Number of true positive

معیار Number of false negative

معیار Number of false positive

معیار Number of true negative

معیار Rate of positive predictions

معیار Rate of negative predictions

معیار Accuracy

معیار True positive rate یا sensitivity یا recall

معیار False negative rate

معیار False positive rate یا fallout یا 1 – specificity

معیار True negative rate یا specificity

معیار Positive predictive value یا precision

معیار Negative predictive value

مقایسه نمودار های ROC

لینک سفارش

پیش نمایش اول

دانلود پیش نمایش اول (کیفیت بالا)

پیش نمایش دوم

دانلود پیش نمایش دوم (کیفیت بالا)

پیش نمایش سوم

دانلود پیش نمایش سوم (کیفیت بالا)

مدت زمان : 224 دقیقه

نوشته پیش پردازش داده و معیارهای ارزیابی در MATLAB 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.

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

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

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

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

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

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

سرفصل های این فیلم آموزشی :

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

پیش نیاز (توصیه شده):

مجموعه آموزش جامع شبکه عصبی

مخاطبان :

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

.

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

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

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

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

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

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

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

سرفصل ها :

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

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

لینک سفارش

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

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

یکی از زمینه های بسیار جذاب و پرکاربرد در قرن اخیر هوش مصنوعی می باشد. هم اکنون کاربردهای بسیار زیادی برای هوش مصنوعی در جهان اطراف ما قابل مشاهده است مثل ماشین های بدون راننده ، دستیاران صوتی، مترجم های آنلاین، رباتهای هوشمند، نرم افزارهای تشخیص بیماری ، الگوریتم های هوشمند داده کاوی، تشخیص چهره، ربات سخن گو، پیش بینی بورس و نمودارهای مالی .

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

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

لینک سفارش

قسمت اول

مبانی و مقدمات یادگیری عمیق

قسمت دوم

پیاده سازی و برنامه نویسی در متلب

مدرس :

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

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

با داده های آموزش ، مدل را آموزش می دهیم و با داده های تست ، مدل آموزش یافته را تست می کنیم.

% Split train and test data

[train, test] = dividerand(length(Y), 0.7, 0.3);
X_train = X(train, :);
Y_train = Y(train);
X_test = X(test, :);
Y_test = Y(test);

بر روی هر تصویر کلیک کنید تا توضیحات کامل هر قسمت را مشاهده فرمایید

نوشته تقسیم داده به آموزش و تست در یادگیری ماشین اولین بار در ايران متلب. پدیدار شد.

شکل ‏3 13: نمونه های از Haar-like هایی که در آموزش آشکارسازی بکار برده می شوند]11[

AdaBoost یک روش برای ترکیب تعدادی از طبقه بندی کننده های ضعیف است، این ترکیب طوری انجام میگیرد که یک طبقه بندی کننده قوی را ایجاد کند. گروه ویولا وجونز ، چند طبقه بندی کننده قوی ساخته اند که با توجه به خصوصیت آبشاری، سرعت بالایی هم دارند. طبقه بندی قوی در مرحله اول آبشار انجام می گیرد، بطوری که تعدادی از نمونه های مثبت غیر واقعی را دور می اندازد ونمونه های مثبت واقعی را از مجموعه آموزش نگه می دارد. روند آشکارسازی بدین صورت است که یک پنجره آشکارسازی در سرتاسر تصویر لغزش پیدا میکند، در داخل این پنجره واکنش وپاسخ آن نسبت به آبشار محاسبه می شود. اندازه پنجره تا وقتیکه به اندازه های از پیش از تعیین شده برسد،افزایش پیدا میکند]11[.
رشد این پنجره را با فاکتورمقیاسی نسبت به تصویر مشخص میکنند. بنابراین تغییر مقیاس، بر کیفیت آشکارسازی وسرعت آشکارسازی تاثیر میگذارد، یعنی با کاهش اندازه آن احتمال آشکارسازی علامت بیشتر میشود ولی اینکار منجر به افزایش زمان برای اتمام کار الگوریتم خواهد شد]16[.

بر روی هر تصویر کلیک کنید تا توضیحات کامل هر قسمت را مشاهده فرمایید

نوشته آشکارسازی بر اساس یادگیری ماشین اولین بار در ايران متلب. پدیدار شد.