این فیلم آموزشی قسمت دوم بسته آموزشی جامع یادگیری عمیق می باشد. این قسمت اختصاص به پیاده سازی و برنامه نویسی مدلهای یادگیری عمیق در متلب MATLAB دارد. 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 […]
پیاده سازی و برنامه نویسی MATLAB یادگیری عمیق بیشتر بخوانید »
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،
یکی از کارهای پایه در یادگیری ماشین تقسیم داده به دو قسمت آموزش و تست می باشد. 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
یک برنامه نویس پایتون با تجربه زیاد در برنامه نویسی آماده انجام پروژه های پایتون می باشد : برخی از زمینه های کاری : Keras, TensorFlow, Scipy, Numpy, شبکه های عصبی در پایتون پردازش تصویر با پایتون OpenCV, Pybrain, Matplotlib, Scikit-Learn , Pandas یادگیری عمیق در پایتون یادگیری ماشین در پایتون ارتباط : matlab120[[attt]] gmail
یکی از زمینه های تحقیقاتی و کابردی بسیار مهم و جالب ، حوزه پردازش تصویر و ماشین بینایی می باشد. الگوریتم های بسیار زیادی تاکنون در این زمینه معرفی شده و کابردهای بسیار مهمی برای آن پیدا شده است. یکی از مثالهای بسیار به روز این حوزه مثال ماشین های خود ران می باشند. این
لینک دانلود Keras یک API شبکه عصبی سطح بالا می باشد که با زبان پایتون نوشته شده است و قابلیت اجرا بر روی TensorFlow و CNTK و Theano را دارا می باشد. این کتابخانه به نحوی طراحی شده است که کاربر بتواند به سرعت کار با آن را یاد بگیرد. کلید اصلی این تولباکس این
آموزش فارسی یادگیری عمیق در پایتون ( Keras ) بیشتر بخوانید »
از هوش مصنوعی در نواحی متعددی استفاده می شود و هر روز بیشتر از این تکنولوژی در جهت سهولت و سرعت بخشیدن به زندگی بهره برداری می شود. از این رو دانشمندان در حال کار مستمر روی تکنیک های این فن آوری هستند و به سرعت شاهد پیشرفت های فراوان در این شاخه از
اکثر تحقیقات در زمینه یادگیری ماشین متمرکز بر مسائل دوکلاسه هستند. شماری از تکنیک‌های موفق و معروف یادگیری ماشین، نظیر طبقه‌بندی‌کننده‌های تقویتی[1]، بردارهای پشتیبان[2] [5] و روش RIPPER [6] در اصل برای مسائل دوکلاسه طراحی شده‌اند [7]. البته لازم به ذکر است که روش RIPPER با هدف حل مسائل چندکلاسه تعریف شد اما این روش در واقع حاصل
اصلی‌ترین زمینه تحقیقاتی در حوزه یادگیری ماشین، شناسایی الگو[1] است؛ یعنی استخراج اطلاعات و الگو‌های تکرار شونده از داده ورودی[2]، که این اطلاعات برای انجام تصمیم‌گیری در مورد داده‌های نادیده[3] کاربرد دارد. بر اساس نوع پیش بینی داده‌های نادیده، انواع روش‌های شناسایی الگو را می توان به دو گروه کلی روش‌های مبتنی بر دسته‌بندی[4] و
TensorFlow یک کتابخانه نرم افزار متن باز برای انجام محاسبات عددی با استفاده از گرافهای جریان داده می باشد. گره ها در این گراف بیان کننده عملیات ریاضی می باشند و لبه های گراف بیان کننده داده های آرایه ای چند بعدی (tensor) می باشند که گره ها را به هم متصل کرده اند. ساختار