با سلام این پست شامل فصل هشتم از مجموعه آموزشی یادگیری ماشین می باشد. فصل هشتم از مجموعه آموزشی یادگیری ماشین شامل سه قسمت ۳۵-۳۳ می باشد. در این سه قسمت مفاهیم و توضیحات مربوط به روش های ترکیبی Ensemble Methods با زبانی ساده و روان به تفصیل بیان می گردد. سپس پیاده سازی آن ها در متلب آموزش داده می شود. این مجموعه ویدئوهای آموزشی شامل موارد زیر است: ۱- مقدمه ۲- روش Voting ۳- روش ECOC ۴- روش Bagging ۵- روش Boosting ۶- روش Adaboost ۷- روش Stacked generalization ۸- روش Cascading ۹- پیاده سازی در متلب ...
بیشتر بخوانید
با سلام قسمت بیست و چهارمین از سری فیلم های آموزشی یادگیری ماشین در سایت متلب یار منتشر می باشد. در این قسمت مفاهیم و توضیحات مربوط به درخت تصمیم گیری (Decision Tree ) با زبانی ساده و روان به تفصیل بیان می گردد. مطالب مربوط به درخت تصمیم گیری در ۵ قسمت (قسمت های ۲۴-۲۷) بطور کامل آموزش داده میشود که این ویدئو آموزشی مربوط به اولین قسمت از آموزش درخت تصمیم گیری میباشد که شامل موارد زیر است: ۱- بیان مفهوم درخت تصمیم ۲- بیان مفهوم Univariate tree ۳- درخت طبقه بندی ۴- بیان مفهوم آنتروپی Entropy ۵- ...
بیشتر بخوانید
با سلام این پست شامل قسمت بیست و چهارمین از سری فیلم های آموزشی یادگیری ماشین می باشد. در این قسمت مفاهیم و توضیحات مربوط به درخت تصمیم گیری (Decision Tree ) با زبانی ساده و روان به تفصیل بیان می گردد. مطالب مربوط به درخت تصمیم گیری در ۵ قسمت (قسمت های ۲۴-۲۷) بطور کامل آموزش داده میشود که این ویدئو آموزشی مربوط به اولین قسمت از آموزش درخت تصمیم گیری میباشد که شامل موارد زیر است: ۱- بیان مفهوم درخت تصمیم ۲- بیان مفهوم Univariate tree ۳- درخت طبقه بندی ۴- بیان مفهوم آنتروپی Entropy ۵- بیان ویژگی ...
بیشتر بخوانید
با سلام قسمت بیست و چهارمین از سری فیلم های آموزشی یادگیری ماشین در سایت متلب یار منتشر می باشد. در این قسمت مفاهیم و توضیحات مربوط به درخت تصمیم گیری (Decision Tree ) با زبانی ساده و روان به تفصیل بیان می گردد. مطالب مربوط به درخت تصمیم گیری در ۵ قسمت (قسمت های ۲۴-۲۷) بطور کامل آموزش داده میشود که این ویدئو آموزشی مربوط به اولین قسمت از آموزش درخت تصمیم گیری میباشد که شامل موارد زیر است: ۱- بیان مفهوم درخت تصمیم ۲- بیان مفهوم Univariate tree ۳- درخت طبقه بندی ۴- بیان مفهوم آنتروپی Entropy ۵- ...
بیشتر بخوانید
با سلام این پست حاوی یک پروژه خوشه بندی داده ها با استفاده از شبکه عصبی LVQ در زبان متلب می باشد. شما می توانید این مجموعه آموزشی را از وبسایت متلب یار و از لینک داده شده در ادامه مطلب مشاهده و دانلود نمایید. در این پروژه داده های آموزش در ۴ خوشه قرار دارند که قرار است با استفاده از شبکه عصبی LVQ عمل خوشه بندی انجام گیرد. این پروژه، پیاده سازی مثال ۱۳-۴ کتاب شبکه عصبی لوران فارست می باشد. هدف از این پروژه نشان دادن تاثیر epoch ها در روند خوشه بندی است. با بررسی خروجی ها ...
بیشتر بخوانید
با سلام این پست حاوی یک پروژه خوشه بندی داده ها با استفاده از شبکه عصبی LVQ در زبان متلب می باشد. در این پروژه داده های آموزش در ۴ خوشه قرار دارند که قرار است با استفاده از شبکه عصبی LVQ عمل خوشه بندی انجام گیرد. این پروژه، پیاده سازی مثال ۱۳-۴ کتاب شبکه عصبی لوران فارست می باشد. هدف از این پروژه نشان دادن تاثیر epoch ها در روند خوشه بندی است. با بررسی خروجی ها در این پروژه نشان داده شده است که هر چه تعداد epoch ها بالاتر می رود خوشه بندی بهتری برای داده بدست می ...
بیشتر بخوانید
با سلام در این مجموعه شما مجموعه کاملی از پروژه های انجام شده در زبان متلب با شبکه های عصبی را دریافت می کنید, این پروژه ها دارای داکیومنت فارسی نیز می باشد, پروژه های موجود در این مجموعه: دسته بندی و تشخیص الگوهای ورودی دو بعدی (حروف انگلیسی) با استفاده از شبکه عصبی هب (Hebb network) دسته بندی و تشخیص حروف انگلیسی با فونت های مختلف و یک دسته خروجی با استفاده از شبکه عصبی پرسپترون (Perceptron network) دسته بندی و تشخیص حروف انگلیسی بمنظور پیوند دادن حروف بزرگ با حروف کوچک با استفاده از شبکه عصبی دیگر انجمنی (Heteroassociative network) ...
بیشتر بخوانید
با سلام این پست شامل قسمت بیست و سوم از سری فیلم های آموزشی یادگیری ماشین می باشد. در این قسمت مباحث تئوری مطرح شده در قسمت های ۲۰، ۲۱ و ۲۲ را در قالب چندین مثال عملی در متلب آموزش می دهیم. کدها را بطور خط به خط بررسی می نماییم و سپس مقادیر خروجی را روی نمودار نمایش و سپس تحلیل می نماییم تذکر۱: قسمت های قبلی این مجموعه آموزشی را می توانید از اینجا مشاهده نمایید. تذکر۲: کتاب یادگیری ماشین آلپایدین (Alpaydın) میتوانید از اینجا و کتاب میشل (Tom Mitchell) را نیز از اینجا دانلود نمایید. ...
بیشتر بخوانید
با سلام در این قسمت شبکه عصبی خود رمزگذار عمیق (Deep Autoencoder) را معرفی می کنیم. شبکه های Autoencoder از شبکه های بدون ناظر به حساب می آید. تفاوت این نوع شبکه ها با شبکه های دیگر بدون ناظر در این است که شبکه های خود رمزگذار از توزیع های احتمالی برای آموزش بدون ناظر استفاده نمیکند بلکه به روش مشابه شبکه های با ناظر عمل می کند. یعنی یک هدف دارد و با استفاده از روش گرادیان نزولی و پس انتشار خطا آموزش می بیند، اما هدف آن خود ورودی می باشد و به همین دلیل روش آن را بدون ...
بیشتر بخوانید
با سلام هجدهمین قسمت از مجموعه فیلم های آموزشی شبکه عصبی در متلب در وبسایت متلب یار منتشر گردید. در این قسمت شبکه عصبی خود رمزگذار عمیق (Deep Autoencoder) را معرفی می کنیم. در این جلسه مهم ترین مطالبی که ذکر خواهند شد به شرح زیر می باشند: ایده ی اولیه Autoencoder اهمیت و کاربرد Autoencoder ساختار شبکه Autoencoder عملیات رو به جلو (forward) عملیات برگشتی (backward) پنالتی (جریمه) Sparse آموزش Autoencoder به صورت بدون ناظر پیاده سازی شبکه Autoencoder در متلب به صورت بدون ناظر شبکه های عصبی Autoencoder شبکه های پر کاربردی می باشند زیرا که نوعی از ...
بیشتر بخوانید