بایگانی‌های یادگیری ماشین در پایتون - ايران متلب https://matlab1.ir/category/یادگیری-ماشین-در-پایتون/ مرجع فیلم های آموزشی فارسی دانشگاهی و مهندسی Mon, 14 Sep 2020 14:34:58 +0000 fa-IR hourly 1 https://matlab1.ir/wp-content/uploads/2017/08/ref_a2-150x150.png بایگانی‌های یادگیری ماشین در پایتون - ايران متلب https://matlab1.ir/category/یادگیری-ماشین-در-پایتون/ 32 32 بسته آموزشی جامع پیش بینی بورس با هوش مصنوعی https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%d9%be%db%8c%d8%b4-%d8%a8%db%8c%d9%86%db%8c-%d8%a8%d9%88%d8%b1%d8%b3-%d8%a8%d8%a7-%d9%87%d9%88%d8%b4-%d9%85%d8%b5/ https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%d9%be%db%8c%d8%b4-%d8%a8%db%8c%d9%86%db%8c-%d8%a8%d9%88%d8%b1%d8%b3-%d8%a8%d8%a7-%d9%87%d9%88%d8%b4-%d9%85%d8%b5/#comments Wed, 29 Jul 2020 06:20:47 +0000 https://matlab1.ir/?p=14418 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 […]

نوشته بسته آموزشی جامع پیش بینی بورس با هوش مصنوعی اولین بار در ايران متلب. پدیدار شد.

]]>

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.

]]> https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%d9%be%db%8c%d8%b4-%d8%a8%db%8c%d9%86%db%8c-%d8%a8%d9%88%d8%b1%d8%b3-%d8%a8%d8%a7-%d9%87%d9%88%d8%b4-%d9%85%d8%b5/feed/ 1 آموزش ابزار یادگیری دسته بندی کننده در متلب https://matlab1.ir/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%a7%d8%a8%d8%b2%d8%a7%d8%b1-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%af%d8%b3%d8%aa%d9%87-%d8%a8%d9%86%d8%af%db%8c-%da%a9%d9%86%d9%86%d8%af%d9%87-%d8%af%d8%b1/ https://matlab1.ir/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%a7%d8%a8%d8%b2%d8%a7%d8%b1-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%af%d8%b3%d8%aa%d9%87-%d8%a8%d9%86%d8%af%db%8c-%da%a9%d9%86%d9%86%d8%af%d9%87-%d8%af%d8%b1/#respond Mon, 29 Jun 2020 18:10:41 +0000 https://matlab1.ir/?p=14385 اگر تمایل ندارید که وارد فاز برنامه نویسی بشوید و قصد پیاده سازی مدلهای یادگیری ماشین را دارید، ابزار دسته بندی متلب برای شما می باشد. با این ابزار می توانید به سادگی داده های خود را وارد متلب کنید و هر مدل یادگیری ماشینی که تمایل داشتید را بر روی آن اعمال کنید و […]

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

]]> اگر تمایل ندارید که وارد فاز برنامه نویسی بشوید و قصد پیاده سازی مدلهای یادگیری ماشین را دارید، ابزار دسته بندی متلب برای شما می باشد. با این ابزار می توانید به سادگی داده های خود را وارد متلب کنید و هر مدل یادگیری ماشینی که تمایل داشتید را بر روی آن اعمال کنید و معیارهای ارزیابی را با یک کلیک محاسبه کنید.

 

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 :

 

مدل پارمترهای قابل بهینه سازی
درخت تصمیم Maximum number of splits , Split criterion
تجزیه و تحلیل تمایز Discriminant type
بیز ساده Distribution names  , Kernel type
ماشین بردار پشتیبان Kernel function , Box constraint level , Kernel scale , Multiclass method , Standardize data
نزدیکترین همسایه Number of neighbors , Distance metric, Distance weight , Standardize
تجمعی ·         Ensemble method , Maximum number of splits , Number of learners , Learning rate , Number of predictors to sample

 

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.

]]> https://matlab1.ir/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%a7%d8%a8%d8%b2%d8%a7%d8%b1-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%af%d8%b3%d8%aa%d9%87-%d8%a8%d9%86%d8%af%db%8c-%da%a9%d9%86%d9%86%d8%af%d9%87-%d8%af%d8%b1/feed/ 0 برنامه نویسی متلب دسته بندی بیز ساده https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%af%d8%b3%d8%aa%d9%87-%d8%a8%d9%86%d8%af%db%8c-%d8%a8%db%8c%d8%b2-%d8%b3%d8%a7%d8%af%d9%87/ https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%af%d8%b3%d8%aa%d9%87-%d8%a8%d9%86%d8%af%db%8c-%d8%a8%db%8c%d8%b2-%d8%b3%d8%a7%d8%af%d9%87/#respond Mon, 29 Jun 2020 18:01:09 +0000 https://matlab1.ir/?p=14381 دسته بندی کننده بیز ساده مجموعه ای از الگوریتم های دسته بندی است که بر اساس تئوری بیز کار می کند. دسته بندی کننده بیز یک مثال خوب از دسته بندی کننده های قوی و ساده هستند. علی رغم سادگی، دسته بندی کننده بیز، کاربردهای بسیار زیادی در یادگیری ماشین برای آن پیدا شده است. […]

نوشته برنامه نویسی متلب دسته بندی بیز ساده اولین بار در ايران متلب. پدیدار شد.

]]> دسته بندی کننده بیز ساده مجموعه ای از الگوریتم های دسته بندی است که بر اساس تئوری بیز کار می کند. دسته بندی کننده بیز یک مثال خوب از دسته بندی کننده های قوی و ساده هستند. علی رغم سادگی، دسته بندی کننده بیز، کاربردهای بسیار زیادی در یادگیری ماشین برای آن پیدا شده است. اکنون این دسته بندی کننده به عنوان یک مدل یادگیری ماشین سریع، دقیق و قابل اعتماد شناخته می شود. یکی از کاربردهای خاص این دسته بندی کننده در پردازش زبان طبیعی NLP می باشد. منظور از naive در نام این دسته بندی کننده به این مفهوم بر می گردد که دسته بندی کننده بیز ساده فرض می کند که هیچ ارتباطی بین ویژگی های ورودی وجود ندارد و آنها کاملا مستقل هستند.

این آموزش قسمت ششم بسته جامع آموزشی یادگیری ماشین می باشد. شما در این آموزش ابتدا با مفاهیم تئوری دسته بندی کننده بیز آشنا می شوید و سپس برنامه نویسی متلب آنرا یاد خواهید گرفت.

 

مدت زمان : 2 ساعت و ریع

 

لینک دانلود

پیش نمایش

دانلود پیش نمایش (کیفیت بالا)

 

نوشته برنامه نویسی متلب دسته بندی بیز ساده اولین بار در ايران متلب. پدیدار شد.

]]> https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%af%d8%b3%d8%aa%d9%87-%d8%a8%d9%86%d8%af%db%8c-%d8%a8%db%8c%d8%b2-%d8%b3%d8%a7%d8%af%d9%87/feed/ 0 برنامه نویسی متلب نزدیکترین همسایه https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d9%86%d8%b2%d8%af%db%8c%da%a9%d8%aa%d8%b1%db%8c%d9%86-%d9%87%d9%85%d8%b3%d8%a7%db%8c%d9%87/ https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d9%86%d8%b2%d8%af%db%8c%da%a9%d8%aa%d8%b1%db%8c%d9%86-%d9%87%d9%85%d8%b3%d8%a7%db%8c%d9%87/#respond Mon, 29 Jun 2020 17:54:50 +0000 https://matlab1.ir/?p=14377 این آموزش قسمت پنجم بسته آموزشی جامع یادگیری ماشین می باشد. به کاربران عزیز توصیه می شود قسمت های اول و دوم این بسته را مشاهده کنند تا با مفاهیم و پیش پردازش داده و معیارهای ارزیابی در یادگیری ماشین آشنا شوند. الگوریتم نزدیکترین همسایه یکی از روشهای یادگیری ماشین غیرپارامتری می باشد که برای […]

نوشته برنامه نویسی متلب نزدیکترین همسایه اولین بار در ايران متلب. پدیدار شد.

]]> این آموزش قسمت پنجم بسته آموزشی جامع یادگیری ماشین می باشد. به کاربران عزیز توصیه می شود قسمت های اول و دوم این بسته را مشاهده کنند تا با مفاهیم و پیش پردازش داده و معیارهای ارزیابی در یادگیری ماشین آشنا شوند.

الگوریتم نزدیکترین همسایه یکی از روشهای یادگیری ماشین غیرپارامتری می باشد که برای دسته بندی و رگرسیون استفاده می شود. منظور از غیرپارامتری ، یعنی این روش هیچ گونه پیش فرضی از نحوه توزیع داده ها ندارد و فقط کافی است داده به ورودی آن اعمال شود. این روش ساختار خود را بر اساس داده ورودی تنظیم می کند. پس در مواقعی که دانش کمی یا هیچ دانشی از نحوه توزیع داده ها موجود نیست، خوب است که روش KNN مورد تست قرار گیرد.

اصل کار الگوریتم نزدیکترین همسایه بر اساس فاصله است. معیاری به نام فاصله در این روش مشخص کننده همسایه می باشد. تعیین معیار همسایه تاثیر بسیار زیادی بر راندمان دسته بندی کننده دارد. یک مقاله در سال 2019 یک مرور بر تمامی معیارهای همسایه انجام داده است که در کنار کدهای همراه این فیلم آموزشی قابل مشاهده است.

KNN بسیار سریع است یعنی برخلاف برخی از مدلهای یادگیری ماشین که زمان طولانی برای آموزش لازم دارند. KNN فرایند آموزش سریعی دارد اما گاهی نیاز به حجم حافظه زیادی دارد تا محاسبات خود آموزش آن انجام شود اما در مرحله تست بسیار سریع جواب می دهد چون فقط کافی است که مقدا فاصله را حساب کند و بر اساس مقدار فاصله، خروجی را تولید کند.

 

سرفصل :

در ابتدا مفهوم نزدیکترین همسایه با مثال توضیح داده و سپس مقداری در مورد کاربردهای آن گفته میشود. ارتباط نزدیکترین همسایه با KNN classification و local weighted regression و missing data imputation and interpolation و density estimation و K-means clustering گفته میشود.

معیار فاصله یکی از پارامترهای مهم در KNN هست که با تعدادی از آنها با هم آشنا خواهیم شد.

Cityblock و chebychev و correlation و cosine و Euclidean وhamming و jaccard و mahalanobis و minkowski و spearman

معیار فاصله سفارشی

تابع rangesearch و چند مثال

تابع knnsearch و چند مثال

فرق kdtree و exhaustive

جستجوی نزدیکترین همسایه با جستجوی  exhaustive

جستجوی نزدیکترین همسایه با جستجوی  kdtree

چند مثال برنامه نویسی

تغییر تعداد همسایه ها

تاثیر فاصله در راندمان KNN

مفهوم ties و گزینه BreakTies

گزینه BucketSize

گزینه DistanceWeight

توان در فاصله Minkowski

چگونه مقدار بهینه تعداد همسایه ها را پیدا کنیم؟

تاثیر k در راندمان نهایی

گزینه PredictorNames

گزینه ResponseName

گزینه ScoreTransform

استانداریزه کردن داده ها

ساخت template برای KNN

ترکیب fitcecoc و KNN

بهینه سازی دسته بندی کننده KNN

یافتن مقادیر بهینه تعداد همسایه ها و معیار فاصله و وزن فاصله و توان در KNN

 

مدت زمان : 200 دقیقه

 

 

لینک سفارش

 

 

 

پیش نمایش

دانلود پیش نمایش (کیفیت بالا)

 

نوشته برنامه نویسی متلب نزدیکترین همسایه اولین بار در ايران متلب. پدیدار شد.

]]> https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d9%86%d8%b2%d8%af%db%8c%da%a9%d8%aa%d8%b1%db%8c%d9%86-%d9%87%d9%85%d8%b3%d8%a7%db%8c%d9%87/feed/ 0 برنامه نویسی متلب درخت تصمیم https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%af%d8%b1%d8%ae%d8%aa-%d8%aa%d8%b5%d9%85%db%8c%d9%85/ https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%af%d8%b1%d8%ae%d8%aa-%d8%aa%d8%b5%d9%85%db%8c%d9%85/#comments Fri, 01 May 2020 08:18:47 +0000 https://matlab1.ir/?p=14148 درخت های تصمیم یک روش یادگیری با ناظر غیر پارامتری می باشد که برای کاربردهای دسته بندی و رگرسیون قابل استفاده هستند. هدف از آن ایجاد یک مدل بر اساس گره های تصمیم گیری می باشد. اساس کار یک درخت تصمیم، گره های تصمیم گیری (Decision Node) می باشند. ایده اصلی یک درخت تصمیم از […]

نوشته برنامه نویسی متلب درخت تصمیم اولین بار در ايران متلب. پدیدار شد.

]]> درخت های تصمیم یک روش یادگیری با ناظر غیر پارامتری می باشد که برای کاربردهای دسته بندی و رگرسیون قابل استفاده هستند. هدف از آن ایجاد یک مدل بر اساس گره های تصمیم گیری می باشد. اساس کار یک درخت تصمیم، گره های تصمیم گیری (Decision Node) می باشند. ایده اصلی یک درخت تصمیم از طبیعت الهام گرفته شده است. 

در شکل بالا یک درخت تصمیم ساده نشان داده شده است. این درخت تصمیم برای دسته بندی یک فرد بر اساس سه ویژگی ورزش و خوردن پیتزا و سن تشکیل شده است. خروجی این درخت تصمیم یکی از دو کلاس Fit و Unfit می باشد. از انواع درخت های تصمیم می توان C4.5 و C5 و Meta Decision Tree و Random Forest وJ48 را نام برد.

المانهای اصلی تشکیل دهنده یک درخت تصمیم :

Root Node (گره ریشه): اصلی ترین گره در درخت تصمیم می باشد و عملیات درخت تصمیم از این گره آغاز می شود. 

Decision Node (گره تصمیم گیری): گره هایی که به چند بخش تقسیم می شوند و متناسب با اندازه متغییر ورودی یکی از دو مسیر را مشخص می کنند. 

Leaf / Terminal Node (گره پایانی / برگ): گره های انتهایی یک درخت تصمیم هستند که اغلب مشخص کننده یکی از کلاسهای خروجی می باشند.

مزیت های درخت تصمیم :

  • سادگی درک و تفسیر و نمایش
  • امکان پیاده سازی سخت افزاری راحت
  • قابلیت کار هم با داده های عددی و هم دسته بندی شده
  • امکان مدلسازی مسئله های چند خروجی
  • برعکس شبکه های عصبی که مثل یک جعبه سیاه هستند اما درخت تصمیم عملکرد آن به راحتی توسط شخص استفاده کننده، قابل درک است.

[button type=”big” color=”purple”] ارسال لینک های دانلود به ایمیل شما[/button]

این فیلم آموزشی اختصاص به پیاده سازی متلب درخت تصمیم دارد. این آموزش مناسب هر شخصی می باشد که می خواهد برنامه نویسی متلب درخت تصمیم را یاد بگیرد . شما به هیچ پیش نیاز ریاضی یا مهندسی برای این آموزش نیاز ندارید. به شما اطمینان می دهیم که از این آموزش نهایت لذت را ببرید.

 

محتوی این فیلم آموزشی :

در ابتدا مقداری تئوری درخت تصمیم گفته می شود، سپس برنامه نویسی مقدماتی با چندین مثال ساده شروع میشود و به مرور مثالهای کاملتری آموزش داده می شود. شما با نحوه نمایش یک درخت تصمیم در متلب هم آشنا می شوید. مثالهایی از cross-validation هم گفته می شود. عملیات هرس کردن pruning به صورت عملی در متلب پیاده سازی و مفهوم سطح هرس بیان می شود. سپس گزینه های قابل دسترس برای تنطمیمات درخت تصمیم در متلب گفته می شود و در نهایت نحوه بهینه سازی یک  درخت تصمیم به صورت عملی در متلب آموزش داده می شود. همراه با این آموزش 13 کد متلب درخت تصمیم هم قرار دارد که در آموزش خط به خط آنها توضیح کامل داده شده است. 

تعدادی از کدهای این آموزش را می توانید در GitHub ایران متلب مشاهده کنید:

https://github.com/PymatFlow/MATLABDecisionTree

 

پیش نمایش

دانلود پیش نمایش (کیفیت بالا)

 

مدت زمان : 214 دقیقه

 

 

 

لینک سفارش

نوشته برنامه نویسی متلب درخت تصمیم اولین بار در ايران متلب. پدیدار شد.

]]> https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d8%af%d8%b1%d8%ae%d8%aa-%d8%aa%d8%b5%d9%85%db%8c%d9%85/feed/ 1 برنامه نویسی متلب ماشین بردار پشتیبان https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1-%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86/ https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1-%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86/#respond Fri, 01 May 2020 08:13:47 +0000 https://matlab1.ir/?p=14143 این آموزش قسمت سوم بسته آموزش جامع یادگیری ماشین می باشد. در این آموزش شما با نحوه برنامه نویسی ماشین بردار پشتیبان در متلب آشنا خواهید شد. این آموزش بر مبنای آخرین نسخه متلب می باشد و به جرات می توان گفت یکی از بهترین آموزش های برنامه نویسی ماشین برار پشتیان در متلب می […]

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

]]> این آموزش قسمت سوم بسته آموزش جامع یادگیری ماشین می باشد. در این آموزش شما با نحوه برنامه نویسی ماشین بردار پشتیبان در متلب آشنا خواهید شد. این آموزش بر مبنای آخرین نسخه متلب می باشد و به جرات می توان گفت یکی از بهترین آموزش های برنامه نویسی ماشین برار پشتیان در متلب می باشد.

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.

]]> https://matlab1.ir/%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d9%85%d8%aa%d9%84%d8%a8-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1-%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86/feed/ 0 پیش پردازش داده و معیارهای ارزیابی در MATLAB https://matlab1.ir/%d9%be%db%8c%d8%b4-%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%af%d8%a7%d8%af%d9%87-%d9%88-%d9%85%d8%b9%db%8c%d8%a7%d8%b1%d9%87%d8%a7%db%8c-%d8%a7%d8%b1%d8%b2%db%8c%d8%a7%d8%a8%db%8c-%d8%af%d8%b1-matlab/ https://matlab1.ir/%d9%be%db%8c%d8%b4-%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%af%d8%a7%d8%af%d9%87-%d9%88-%d9%85%d8%b9%db%8c%d8%a7%d8%b1%d9%87%d8%a7%db%8c-%d8%a7%d8%b1%d8%b2%db%8c%d8%a7%d8%a8%db%8c-%d8%af%d8%b1-matlab/#respond Fri, 01 May 2020 08:08:32 +0000 https://matlab1.ir/?p=14137 این آموزش قسمت دوم بسته آموزش جامع یادگیری ماشین می باشد. ما در این آموزش شما با ابزارهای و تابع های متلب در پیش پردازش داده و معیارهای ارزیابی مدل های یادگیری ماشین آشنا می کنیم. در هر کار یادگیری ماشین ما با داده (data) در ارتباط هستیم. این داده ها می توانند از منابع […]

نوشته پیش پردازش داده و معیارهای ارزیابی در MATLAB اولین بار در ايران متلب. پدیدار شد.

]]> این آموزش قسمت دوم بسته آموزش جامع یادگیری ماشین می باشد. ما در این آموزش شما با ابزارهای و تابع های متلب در پیش پردازش داده و معیارهای ارزیابی مدل های یادگیری ماشین آشنا می کنیم.

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.

]]> https://matlab1.ir/%d9%be%db%8c%d8%b4-%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%af%d8%a7%d8%af%d9%87-%d9%88-%d9%85%d8%b9%db%8c%d8%a7%d8%b1%d9%87%d8%a7%db%8c-%d8%a7%d8%b1%d8%b2%db%8c%d8%a7%d8%a8%db%8c-%d8%af%d8%b1-matlab/feed/ 0 مبانی و مقدمات یادگیری ماشین https://matlab1.ir/%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d9%88-%d9%85%d9%82%d8%af%d9%85%d8%a7%d8%aa-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86/ https://matlab1.ir/%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d9%88-%d9%85%d9%82%d8%af%d9%85%d8%a7%d8%aa-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86/#respond Thu, 30 Apr 2020 20:31:21 +0000 https://matlab1.ir/?p=14133 این آموزش قسمت اول بسته جامع یادگیری ماشین می باشد که اختصاص به مبانی و مقدمات یادگیری ماشین دارد. هر شخصی که بخواهد از یادگیری ماشین در یک پروژه استفاده کند، لازم است که با تئوری یادگیری ماشین آشنایی کامل داشته باشد تا بتواند یک مدل خوب و با راندمان بالا طراحی کند. بنابراین یادگیری […]

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

]]> این آموزش قسمت اول بسته جامع یادگیری ماشین می باشد که اختصاص به مبانی و مقدمات یادگیری ماشین دارد. هر شخصی که بخواهد از یادگیری ماشین در یک پروژه استفاده کند، لازم است که با تئوری یادگیری ماشین آشنایی کامل داشته باشد تا بتواند یک مدل خوب و با راندمان بالا طراحی کند. بنابراین یادگیری مبانی و مقدمات یادگیری ماشین ، اولین کاری است که یک علاقه مند به یادگیری ماشین باید انجام دهد.

 

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.

]]> https://matlab1.ir/%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d9%88-%d9%85%d9%82%d8%af%d9%85%d8%a7%d8%aa-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86/feed/ 0 بسته آموزش جامع یادگیری ماشین machine learning https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-machine-learning/ https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-machine-learning/#comments Thu, 30 Apr 2020 20:25:48 +0000 https://matlab1.ir/?p=14128 یادگیری ماشین دانش استفاده از کامیپوتر بدون برنامه نویسی آن به صورت مشخص می باشد. شما در سیستم های embedded لازم است تا با یک زبان برنامه نویسی مثل C++ یا VHDL برنامه ای بنویسید و داخل حافظه میکروکنترلر یا FPGA بارگذاری کنید تا سیستم شما بتواند کار مورد نظرشما را انجام دهد. مثلا فرض […]

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

]]> یادگیری ماشین دانش استفاده از کامیپوتر بدون برنامه نویسی آن به صورت مشخص می باشد.

شما در سیستم های embedded لازم است تا با یک زبان برنامه نویسی مثل C++ یا VHDL 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.

]]> https://matlab1.ir/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-machine-learning/feed/ 2 مبانی و مقدمات یادگیری عمیق https://matlab1.ir/%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d9%88-%d9%85%d9%82%d8%af%d9%85%d8%a7%d8%aa-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82/ https://matlab1.ir/%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d9%88-%d9%85%d9%82%d8%af%d9%85%d8%a7%d8%aa-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82/#respond Thu, 09 Apr 2020 14:21:31 +0000 https://matlab1.ir/?p=14120 این فیلم آموزشی قسمت اول از بسته آموزشی یادگیری عمیق می‌باشد. ما در این فیلم آموزشی شما را با مبانی و مقدمات یادگیری عمیق آشنا می کنیم تا دانش لازم برای کار در زمینه یادگیری عمیق را کسب کنید و بتوانید مدلهای خود را در زبان های برنامه نویسی مختلف پیاده سازی کنید. هوش مصنوعی […]

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

]]> این فیلم آموزشی قسمت اول از بسته آموزشی یادگیری عمیق می‌باشد. ما در این فیلم آموزشی شما را با مبانی و مقدمات یادگیری عمیق آشنا می کنیم تا دانش لازم برای کار در زمینه یادگیری عمیق را کسب کنید و بتوانید مدلهای خود را در زبان های برنامه نویسی مختلف پیاده سازی کنید.

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.

]]> https://matlab1.ir/%d9%85%d8%a8%d8%a7%d9%86%db%8c-%d9%88-%d9%85%d9%82%d8%af%d9%85%d8%a7%d8%aa-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82/feed/ 0