این فیلم آموزشی قسمت نهم از مجموعه فيلم های آموزش فارسي جامع شبكه هاي عصبي می باشد. ایران متلب به دانش پذیران گرامی توصیه می کند که تمامی قسمت ها را جهت آموزش بهتر مشاهده بفرمایند. سرفصل این فیلم آموزشی : پیش بینی ریزش باران تجزیه و تحلیل فایل اکسل دیتاست تئوری و اصول پیش بینی در سریهای […]
فیلم آموزشی پیش بینی سریهای زمانی با شبکه‌های عصبی بیشتر بخوانید »
این فیلم آموزشی قسمت هشتم از مجموعه فيلم های آموزش فارسي جامع شبكه هاي عصبي می باشد. ایران متلب به دانش پذیران گرامی توصیه می کند که تمامی قسمت ها را جهت آموزش بهتر مشاهده بفرمایند. سرفصل این فیلم آموزشی : شناسایی سرطان با شبکه های عصبی بارگذاری دیتاست در متلب پسوند دیتاست در متلب بردار ووردی و
این فیلم آموزشی قسمت هفتم مجموعه فيلم های آموزش فارسي جامع شبكه هاي عصبي می باشد. ایران متلب به دانش پذیران گرامی توصیه می کند که تمامی قسمت ها را جهت آموزش بهتر مشاهده بفرمایند. . سرفصل : خواندن دیتاست توضیح نحوه تنظیم داده های ورودی چگونگی استخراج بردار ویژگی شبکه عصبی fitnet نمایش شبکه عصبی
فیلم آموزشی برنامه نویسی شبکه های عصبی برای کاربرد مدلسازی بیشتر بخوانید »
این فیلم آموزشی قسمت پنجم و ششم مجموعه فيلم های آموزش فارسي جامع شبكه هاي عصبي می باشد. ایران متلب به دانش پذیران گرامی توصیه می کند که تمامی قسمتها را جهت آموزش بهتر مشاهده بفرمایند. . سرفصل بخش 1 : برنامه نویسی شبکه های عصبی در نرم افزار متلب پیش پردازش و پس پردازش
فیلم آموزشی برنامه نویسی شبکه های عصبی در نرم افزار متلب بیشتر بخوانید »
این فیلم آموزشی قسمت اول مجموعه فيلم های آموزش فارسي جامع شبكه هاي عصبي می باشد. سرفصل این فیلم آموزشی : مقدمه هوش مصنوعي (AI) تعريف شبکه عصبي مصنوعي انواع شبکه‌هاي عصبي مصنوعي کاربردهاي شبکه عصبي مصنوعي کاربردهاي عمومي ANNs تشخيص الگو ذخيره كردن و بازبيني داده‌ها تقريب تابع (رگرسيون غير خطي، تخمين و پيشگويي) فرايند داده کاوي
پیاده سازی یک ماژول مربوط به زبان فارسی در گیت و مستند سازی آن بازشناسی جملات در متون فارسی (که بر اساس نماد ها و قواعد انجام می شود) بارشناسی اسامی خاص در متون فارسی (که نام افراد، اماکن، اعداد، و … را تشخیص می دهد و نوع آن را نیز تعیین می کند) برچسب
پیاده سازی یک ماژول مربوط به زبان فارسی در گیت و مستند سازی آن بیشتر بخوانید »
ماشین بردار پشتیبان یک دسته بندی کننده باینری می باشد ، به عبارت دیگر تنها می تواند تنها دو کلاس را از هم دسته بندی کند اما LIBSVM حالت چندكلاسه را نيز پشتيباني مي كند، بنابراين از نظر ميزان دشواري انجام پروژه، تفاوتي بين مسائل دو كلاسه و چند كلاسه وجود دارد. تنها تفاوت اين
آشنايي مقدماتي با شبكه هاي عصبي مصنوعي دانشكده مهندسي برق، دانشگاه صنعتي شريف شبكه هاي عصبي نوعي مدلسازي سادهانگارانه از سيستمهاي عصبي واقعي هستند كه كاربرد فراواني در حل مسائل مختلف در علوم دارند. حوزه كاربرد اين شبكهها آنچنان گسترده است كه از كاربردهاي طبقهبندي گرفته تا كاربردهايي نظير درون يابي، تخمين، آشكارسازي و …
شبکه هاي Cascade-Correlation حسام سقا – علي نيک نژاد مقدمه در شبکه هاي عصبي کلاسيک معماري شبکه بايد قبل از شروع کار مشخص شود به اين معني که بايد تعداد لايه هاي مخفي و نرونهاي هر لايه مشخص شوند ، تشخيص دقيق معماري بهينه در اکثر موارد با پيچيدگي همراه است و
شبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری میباشد. یادگیری شبکه عصبی در برابر خطاهای داده های آموزشی مصون بوده و اینگونه شبکه ها با موفقیت به مسائلی نظیر شناسائی گفتار، شناسائی و تعبیر تصاویر، و یادگیری روبات اعمال شده