آموزش شبکه عصبی GMDH به همراه پیاده سازی عملی در متلب

دسترسی به اطلاعات این آموزش: اطلاعات کلی محتوا و سرفصل ها پیش نمایش و دانلود اطلاعات تکمیلی دیدگاه ها

درباره ناشر

فرادرس
فرادرس

فرادرس بزرگ‌ترین ناشر دیجیتال آموزش‌های تخصصی، دانشگاهی و مهندسی است.

درباره مدرس

دکتر سیدمصطفی کلامی هریس
دکتر سیدمصطفی کلامی هریس

عضو هیأت علمی فرادرس

دکترای تخصصی مهندسی برق-کنترل


دکتر سیدمصطفی کلامی هریس یکی از بنیانگذاران و مدیران کنونی فرادرس و از اعضای هیأت علمی آن است. تا کنون، محتوای آموزشی ارائه شده توسط وی بر روی فرادرس، یکی از مراجع اصلی آموزشی دانشجویان و دانش پژوهان علاقه مند به یادگیری حوزه های مختلف مرتبط با هوش مصنوعی و برنامه نویسی بوده است. (+)



در «فیلم آموزشی شبکه عصبی GMDH در متلب»، پس از تشریح کامل مبانی تئوری و شیوه عملکرد الگوریتم GMDH چند جمله ای، پیاده سازی عملی و گام به گام این نوع از شبکه عصبی، به صورت کامل در محیط متلب انجام شده است. در ادامه نیز، با استفاده از برنامه نوشته شده برای ایجاد ساختارهای GMDH، مسائل مختلفی در حوزه های متعدد حل و بررسی شده اند.

👤 مدرس: دکتر سیدمصطفی کلامی هریس
🕓 مدت زمان: ۴ ساعت و ۱۶ دقیقه
🎓 تعداد دانشجو: ۴۹۶ نفر این آموزش را تهیه کرده اند. — ۵ نفر در دو هفته اخیر
روش دریافت: لینک دانلود و/یا ارسال فیزیکی

هزینه آموزش: ۱۶,۰۰۰ تومان


آنچه شما در این فرادرس خواهید دید:
آموزش ویدئویی مورد تایید فرادرس
فایل برنامه ها و پروژه های اجرا شده در حین آموزش
فایل PDF یادداشت های مدرس در حین آموزش

تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • به صورت رایگان یک یا چند آموزش معادل دیگر دریافت می کنید.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می شود.
    (توضیحات بیشتر +)
دانلود آنی و ارسال سریع
فعال‌سازی آنی لینک دانلود، بلافاصله پس از ثبت سفارش
ارسال پستی به همراه کد رهگیری مرسوله در اولین ساعت اداری روز
ارسال پیک موتوری در تهران، در همان روز ثبت سفارش

(توضیحات بیشتر +)



    توضیحات

    روش گروهی مدل سازی داده ها یا Group Method of Data Handling (به اختصار GMDH) یکی از روش های مدل سازی و رگرسیون خطی است، که در سال ۱۹۶۸ توسط دانشمند اوکراینی، آلکسی ایواکننکو (Alexey Ivakhnenko) معرفی شد. در این رویکرد، به جای ساخت مدل های تخمین گر به صورت یکجا، از الگوریتمی تکرار شوند و افزایشی استفاده می شود که شامل تولید و افزوده شدن ساختارهای پایه بسیار ساده (نورون های چند جمله ای) است و به مرور، با ترکیب این ساختارهای ساده، سیستمی پیچیده شکل می گیرد که دارای عملکرد مطلوب است. بر خلاف سایر روش های رگرسیون، در این رویکرد، علاوه بر ساخت تدریجی مدل، از الگوی انتخاب طبیعی (Natural Selection)، همانند آنچه که در الگوریتم های تکاملی است، استفاده شده است.

    یکی از پایه ای ترین و مهم ترین الگوریتم ها برای ساخت مدل GMDH، که به نام شبکه عصبی چند جمله ای (Polynomial Neural Network و یا PNN) نیز شناخته می شود، الگوریتم ارائه شده توسط خود ایواکننکو است که پایه اصلی آن را، مدل چند جمله ای درجه دو و الگوریتم کمترین مربعات خطا تشکیل می شود.

    در «فیلم آموزشی شبکه عصبی GMDH در متلب»، پس از تشریح کامل مبانی تئوری و شیوه عملکرد الگوریتم GMDH چند جمله ای، پیاده سازی عملی و گام به گام این نوع از شبکه عصبی، به صورت کامل در محیط متلب انجام شده است. در ادامه نیز، با استفاده از برنامه نوشته شده برای ایجاد ساختارهای GMDH، مسائل مختلفی در حوزه های متعدد حل و بررسی شده اند، که فهرست آن ها در ادامه آمده است.

     

    رگرسیون، تخمین تابع و مدل سازی غیر خطی با استفاده از GMDH
    • استفاده از GMDH برای تخمین چربی بدن
    • پیش بینی و تخمین خروجی سنسور (حسگر) در یک فرایند شیمیایی با داده های مربوط به سنسورهای دیگر
    • تخمین قیمت املاک (در واحد مساحت) در یک منطقه به خصوص مسکونی

     

    پیش بینی سری های زمانی با استفاده از GMDH
    • پیش بینی و مدل سازی سری آشوبی Mackey-Glass
    • پیش بینی حجم یخ موجود بر روی کره زمین با توجه به داده های ۴۴۰ هزار سال گذشته
    • پیش بینی تعداد لکه های خورشیدی
    • پیش بینی قیمت بین المللی نفت خام و گاز با استفاده از داده های واقعی

     

    طبقه بندی و بازشناسی الگو با استفاده از GMDH
    • تشخیص نوع تومور (خوش خیم/بدخیم) در سرطان سینه
    • طبقه بندی نوع شیشه (پنجره / غیر پنجره) بر اساس اطلاعات حاصل از اندازه گیری های فیزیکی

    مدرس این مجموعه آموزشی، دکتر سید مصطفی کلامی هریس (دکترای مهندسی کنترل از دانشگاه صنعتی خواجه نصیرالدین طوسی) است و در این آموزش نیز، همانند بسیاری از آموزش های فرادرس، مباحث تئوری و پیاده سازی عملی، در کنار یکدیگر و به صورت کامل ارائه شده اند.

     

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • بررسی ایده روش های GMDH
    • آشنایی با چند جمله ای ایواکننکو (Ivakhnenko)
    • الگوریتم پایه GMDH برای ایجاد مدل چند جمله ای پیچیده
    • بررسی نحوه اعمال عملگر انتخاب در تولید مدل GMDH
    • بررسی شیوه ساخت مدل پایه (نوررون چند جمله ای) با استفاده از رویکرد کمترین مربعات
    • استخراج فرم ماتریسی روش کمترین مربعات یا Least Squares
    • آشنایی با مفهوم شبه معکوس ماتریس (Matrix Pseudo-Inverse) برای ماتریس های غیر مربعی
    • پیاده سازی گام به گام شبکه عصبی GMDH در متلب
      • پیاده سازی نورون پایه چند جمله ای
      • پیاده سازی لایه ای از نورون های چند جمله ای
      • پیاده سازی شبکه عصبی GMDH با رویکرد بازگشتی
      • ارزیابی شبکه عصبی GMDH
    • پروژه عملی: استفاده از GMDH برای تخمین چربی بدن (با دیتاست Bodyfat)
    • بهبود برنامه نوشته شده برای پیاده سازی GMDH در متلب
    • تقسیم داده ها دو دسته آموزش (Train Data) و آزمایش (Test Data)
    • ارزیابی خروجی مدل با استفاده از نمودار رگرسیون
    • ترسیم نمودار رگرسیون با استفاده از تابع Plotregression
    • محاسبه ویژگی های خطا و نمایش در نمودار گرافیکی خطا و هیستوگرام
      • میانگین خطا (Error Mean)
      • انحراف معیار خطا (Error Standard Deviation)
      • میانگین مربعات خطا یا MSE
      • جذر میانگین مربعات خطا یا RMSE
      • ترسیم هیستوگرام خطا با تابع Histfit
    • پروژه عملی: پیش بینی و تخمین خروجی سنسور (حسگر) در یک فرایند شیمیایی با داده های مربوط به سنسورهای دیگر (با دیتاست Chemical)
    • پروژه عملی: تخمین قیمت املاک (در واحد مساحت) در یک منطقه به خصوص مسکونی با استفاده از داده های مربوط به منطقه (با دیتاست House)
    • پیش بینی سری های زمانی با استفاده از GMDH
    • بیان مسأله پیش بینی سری زمانی به صورت مسأله رگرسیون غیر خطی
    • شیوه محاسبه تاخیرهای مربوط به سری زمانی
    • پیاده سازی برنامه مربوط به محاسبه تاخیرها در متلب
    • آماده سازی داده ها برای پیش بینی سری زمانی با استفاده از GMDH
    • پروژه عملی: پیش بینی و مدل سازی سری آشوبی (Chaotic) مکی-گلاس یا Mackey-Glass با استفاده از GMDH
    • ترسیم نمودارهای صفحه فاز مربوط به سیستم مکی-گلس
    • پروژه عملی: پیش بینی حجم یخ موجود بر روی کره زمین توسط GMDH با توجه به داده های ۴۴۰ هزار سال گذشته
    • پروژه عملی: پیش بینی تعداد لکه های خورشیدی (Sunspots) با استفاده از GMDH در متلب
    • آموزش نحوه انجام پیش بینی سری زمانی برای سری های زمانی چند متغیره
    • پروژه عملی: پیش بینی قیمت بین المللی نفت خام و گاز با استفاده از GMDH با استفاده از داده های واقعی
    • کاربرد شبکه عصبی GMDH در طبقه بندی و بازشناسی الگو
    • بررسی ارتباط میان مسأله رگرسیون و طبقه بندی
    • پروژه عملی: تشخیص نوع تومور (خوش خیم/بدخیم) در سرطان سینه، با استفاده از شبکه عصبی GMDH در متلب
    • تغییر شیوه نمایش و محاسبه خروجی GMDH برای سازگاری با مسأله طبقه بندی
    • ارزیابی کیفیت طبقه بندی با استفاده از ماتریس تداخل یا Confusion Matrix
    • ترسیم ماتریس تداخل با استفاده از تابع Plotconfusion در متلب
    • تغییر در شیوه تولید چند جمله ای های پایه برای بهبود نتایج طبقه بندی با استفاده از GMDH
    • پروژه عملی: طبقه بندی نوع شیشه (پنجره / غیر پنجره) بر اساس اطلاعات حاصل از اندازه گیری با استفاده از GMDH

    پیش نمایش

    پیش نمایش ۱ : مباحث تئوری و پیاده سازی مقدماتی شبکه عصبی GMDH در متلب

    مشاهده آنلاین پیش نمایش - ۳۲ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. برای تنظیم کیفیت نمایش آنلاین روی علامت کلیک نمایید یا اینکه آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۳۷ مگابایت (کلیک کنید +)


    پیش نمایش ۲ : پیاده سازی نهایی شبکه عصبی GMDH در متلب

    مشاهده آنلاین پیش نمایش - ۳۴ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. برای تنظیم کیفیت نمایش آنلاین روی علامت کلیک نمایید یا اینکه آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۶۷ مگابایت (کلیک کنید +)


    پیش نمایش ۳ : پیش بینی سری زمانی با شبکه عصبی GMDH در متلب

    مشاهده آنلاین پیش نمایش - ۱۲ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت است.

    اگر حساب کاربری دارید وارد شوید(+) و در غیر این صورت، ثبت نام کنید(+).

    پیش نمایش ۴ : طبقه بندی یا Classification با شبکه عصبی GMDH در متلب

    مشاهده آنلاین پیش نمایش - ۷ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت است.

    اگر حساب کاربری دارید وارد شوید(+) و در غیر این صورت، ثبت نام کنید(+).


    اطلاعات تکمیلی

    نام آموزش آموزش شبکه عصبی GMDH به همراه پیاده سازی عملی در متلب
    ناشر فرادرس
    شناسه اثر ۸-۱۲۴۵۲-۰۴۹۶۲۵ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
    کد آموزش FVRML111
    مدت زمان ۴ ساعت و ۱۶ دقیقه
    زبان فارسی
    نوع آموزش آموزش ویدئویی     (کیفیت HD - مورد تایید فنی فرادرس)
    حجم دانلود ۶۲۵ مگابایت     (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)
    تعداد DVD یک عدد (در صورت دریافت غیر آنلاین)


    ​راهنمای تهیه آموزشها

    آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

    راهنمایی بیشتر ( +)

    در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟ 
    • با شماره تلفن واحد مخاطبین ۸۸۳۱۲۲۷۶ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
    • از طریق بخش چت آنلاین، با پشیبان های فرادرس گفتگو کنید.- همه روزهای کاری هفته از ساعت ۸ صبح تا ۱۲ شب
    • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه

    با شروع یادگیری، یک کلیک فاصله دارید. همین حالا شروع کنید.

    آموزش شبکه عصبی GMDH به همراه پیاده سازی عملی در متلب

    هزینه آموزش: ۱۶,۰۰۰ تومان




    سایر آموزش های دکتر سیدمصطفی کلامی هریس



    مطالب مرتبط


    دیدگاه ها

    ( امتیاز ۴٫۸ از ۵ )
    4.8 از 5


    تا کنون ۴۹۶ نفراز این آموزش استفاده کرده اند و ۱۳ نظر ثبت شده است.
    1. 3 از 5

      :

      سلام
      در مورد شبکه عصبی GMDH بر خلاف شبکه ای مثل MLP مشکلی برای استفاده از داده ها وجود دارد.
      در بیشتر کار های آزمایشگاهی برای بررسی تاثیر چند پارامتر بر روی یک خروجی خاص، ورودی ها به نوبت تغییر می کنند در حالی سایر ورودی ها ثابتند. در GMDH به دلیل اینکه هر بار دو جنس از ورودی ها گرفته می شود بنابر این در بسیار از موارد تابع باید برای ورودی های یکسان، خروجی های متفاوت بدهد که البته امکان پذیر نیست!
      برای رفع این مشکل در این الگوریتم چه راه حلی ارائه شده است؟

      • 0 از 5

        :

        در پاسخ به سعید:
        با سلام؛

        از اینکه سوال خود را مطرح نموده اید متشکریم.

        در خصوص انتخاب ورودی ها و مولفه های مناسب، با توجه به قانون رقابتی و شبه تکاملی، دقیقا حق با شماست. اما یک نکته مهم است که شما در این پیام مد نظر قرار نداده اید. این کار، یعنی انتخاب و خالص سازی مدل، فقط در زمان آموزش (Train) انجام می شود و پس از طی شدن این مرحله، مدل اصطلاحا بسته می شود (سیمانی می شود) و تغییری در ساختار آن، از جمله در ضرایب و نحوه انتخاب ورودی ها انجام نمی شود.

        مثلا اگر در فاز آموزش تصمیم گرفته شده است که ورودی های شماره یک و پنج، وارد نورون اول شوند، در زمان تست و اجرا نیز، این کار دقیقا به همین صورت انجام خواهد شد. به عبارت دیگر این طور نیست که در هر بار استفاده از شبکه عصبی GMDH، مجددا مراحل انتخاب ورودی و ساخت شبکه طی شوند؛ چرا که یک بار در زمان آموزش این کار انجام شده است.

        از این رو، شبکه عصبی GMDH نیز، مانند هر ساختار مدل سازی دیگر (از جمله سایر انواع شبکه های عصبی مصنوعی)، مشکلی در این خصوص ندارد و همواره نتایج به دست آمده معین و مشخص هستند و این طور نیست که در هر بار اجرا، نتیجه ای پیش بینی نشده و ناهمسان با موارد پیشین، توسط مدل ارائه شوند.

        منتظر دیدار دوباره شما در فرادرس هستیم.
        موفق و پیروز باشید.

    2. 5 از 5

      :

      سلام و خسته نباشید. خیلی خوب و مفید بود. داده های ورودی و خروجی، و مدل سازی بین این ها خیلی خوب بود و اگر کسی بخواهد از ۰ تا ۱۰۰ این موضوع را بیاموزد با این آموزش ۹۰ درصد راه را رفته است.

    3. 4 از 5

      :

      این فرادرس آموزشی در انجام پروژه خیلی به من کمک کرد. ممنونم.

    4. 0 از 5

      :

      من از مطالب آموزنده این فیلم آموزشی استفاده کردم و راضی بودم. به نظر من بخش کد نویسی کمی سریع است.

    5. 5 از 5

      :

      کیفیت فیلم آموزشی عالی است و مطرح نمودن مسائل روز بسیار خوشحال کننده است.

    6. 4 از 5

      :

      آموزش روتین و جذابی است و من برای انجام پایان نامه این آموزش را تهیه کردم.

    7. 5 از 5

      :

      نو بودن قضیه و شیوه درس دادن اقای دکتر کلامی خیلی خوب هستش. اگر شیوه مدل سازی رو بیشتر توضیح میدادند بهتر بود. لطفا توی بحث اقتصادی و مالی اموزش ارائه کنید.

    8. 5 از 5

      :

      برای کسی که بخواهد از ابتدا یاد بگیرد خیلی مناسب است من از تیپ کدنویسی اقای دکتر خیلی خوشم می آید.

    9. 5 از 5

      :

      شبکه عصبی جدید بود و من برای انجام مقاله در مدل سازی انتقال حرارت این آموزش را تهیه کردم. موفق باشید.

    10. 5 از 5

      :

      تشکر بخاطر ارائه آموزش های جدید. از کلیه آموزش های آقای دکتر کلامی و آتش پز بسیار راضی بودم.

    11. 4 از 5

      :

      با سلام. ابتدا از بابت تهیه فیلم های آموزشی مرتبط با روش های جدید ازتون کمال تشکر رو دارم. این آموزش هم مانند سایر آموزش های آقای دکتر کلامی بسیار کامل و عالی بود. فقط خواهشی که ازتون دارم اینه که به مساله طبقه بندی کمی بیشتر بپردازید. زیرا اکثر وقت فیلم های تهیه شده به رگرسیون پرداخته میشه و زمان کمی به طبقه بندی اختصاص داده میشه. به عنوان مثال اگر در این آموزش طبقه بندی چند کلاسه هم مطرح می شد فیلم تهیه شده خیلی کامل می شد.

    12. 0 از 5

      :

      با سلام.
      شاید بتوان گفت اولین منبع فارسی در زمینه آموزش شبکه عصبی GMDH است. این رویکرد جدید فرادرس در ارائه اولین محصولات قابل تحسین است. این آموزش در تز دکتری من بسیار مفید واقع خواهد شد و این از نظر من نشان دهنده سطح بالای این آموزش را نشان می دهد. خواهشی که دارم این است که محصولات خود را به صورت کامل مثل این محصول ارائه دهید. مثلا اگر مسئله خوشه بندی در این محصول ارائه نمی شد و به دیگر محصولات ارجاع داده می شد کاری ناقص بود البته جای کار بیشتر نیز داشت.
      با تشکر.

    13. 0 از 5

      :

      با سلام. نو بودن قضیه و شیوه درس دادن اقای دکتر کلامی خیلی خوب هستش. اگر شیوه مدل سازی رو بیشتر توضیح میدادند بهتر بود بعلاوه، انتقال مطالب عالی بود. استاد بسیار مسلط هستند. و من هیچ ضعفی در آموزش ندیدم. اگر شرایطی باشد که دوره های حضوری برگزار کنید و مدرک هم بدهید عالی است. من بخاطر بخش های آموزش نرم افزار متلب و قسمت های پیاده سازی این آموزش را تهیه کردم که بسیار عالی بود و از همه بخش ها استفاده کردم.

    14. 5 از 5

      :

      سلام؛
      واقعاً تدریس دکتر کلامی هریس عالی است کاش زودتر با فرادرس آشنا می شدم. نحوه اطلاع رسانی به دانشجویان ضعیف است. من تا چند ماه پیش اطلاعی از وجود چنین سایتی نداشتم و برای سرچ بسیار اتفاقی با سایتتان آشنا شدم.
      فقط برای درس چهارم: طبقه بندی یا Classification با GMDH : شبکه به صورتی پیاده سازی است که فقط داده هایی را کلاس بندی می کند که دو کلاس داشته باشند (به عبارتی target آنها فقط شامل صفر یا یک باشد)، لطفاً در صورت امکان مانند دیگر آموزش های خوبتان این شبکه هم طوری پیاده سازی شود که به تعداد ورودی و خروجی داده وابستگی نداشته باشد.(چون داده های بنده ۵ کلاس دارند وعملاً با این روش قابل استفاده نیستند.)

    15. 5 از 5

      :

      با عرض سلام و خسته نباشید و تشکر ویژه بابت آموزش های بی نظیرتون. لازم به ذکر است بنده با کمک آموزش شبکه عصبی GMDH به همراه پیاده سازی عملی در متلب شما توانستم یکی از روش هایی را که برای شبیه سازی پایان نامه ام نیاز داشتم یاد یگیرم. به نطر من این آموزش سطح تئوری و عملی بالایی داشت و تمام نیازهای یک فرد را برآورده می سازد. از این بابت از شما بسیار سپاسگذارم. با تشکر دوباره از تمامی زحمات شما . واقعا آموزش های شما جامع و منحصر به فرد است و هزینه هر آموزش در مقابل مطالبی که یاد می گیریم بسیار ناچیز است.

    16. 0 از 5

      :

      با عرض سلام و خسته نباشید و تشکر ویژه بابت سایت پربارتان. بنده مجموعه آموزشی شبکه های عصبی GMDH را در حدود ۱ سال پیش در مجموعه گنجینه فرادرس تهیه کردم و تقریباً جزء بهترین مجموعه های آموزشی فرادرس بشمار می آید. در این مجموعه آموزشی مثال ها و مسائل حل شده کاملاً کاربردی بوده است و دانشجو با مطالعه مفاهیم قادر خواهد بود هر یک از مسائل دیگر را حل نماید. اما ای کاش منابع مورد استفاده و حتی منابع بیشتری در این رابطه معرفی می شد تا در کارهای آتی نیز مورد استفاده قرار گیرد، همچنین نحوه کوپل کردن الگوریتم GMDH و الگوریتم های فراابتکاری می توانست در غنای بیشتر این مجموعه کمک شایانی کند. با تشکر از فرادرس عزیز

    17. 0 از 5

      :

      سلام من این آموزش را تهیه کردم. تا حد زیادی مشکل من را حل کرد. ممنون.

      اما می خواستم بدانم اگر بجز یک سری داده train و test که در هنگام ران کردن مدل استفاده می شود، اگر بخواهیم داده های جدیدی را شبیه سازی کنم یعنی تابع simulation آن باید چکار کرد. ممنون.

    18. 5 از 5

      :

      با عرض سلام خدمت مدرس گرامی و خسته نباشید فراوان بابت تدریس بی نظیر تان.

      شاید بتوان گفت اولین منبع فارسی در زمینه آموزش شبکه عصبی GMDH است. این رویکرد جدید فرادرس در ارائه اولین آموزش ها قابل تحسین است. این آموزش در تز دکتری من بسیار مفید واقع خواهد شد و این از نظر من نشان دهنده سطح بالای این آموزش است.

      با تشکر.

    19. 0 از 5

      :

      با عرض سلام و خسته نباشید.
      من در تحقیق خود نیاز به استخراج فرمول بر اساس متغیر های ورودی دارم.
      آیا بوسیله شبکه عصبی GMDH می توانم به این مهم دست یابم؟

      • 0 از 5

        :

        از مکاتبه شما متشکریم.

        استخراج فرمول از روی نقاط داده، در واقع عمل برازش منحنی است.

        آموزش های مرتبط در این زمینه در لینک زیر قابل مشاهده می باشند که یکی از آنها شبکه عصبی GMDH است.

        مدل‌سازی، برازش و تخمین


    نظر شما در مورد این فرادرس چیست؟

    درج دیدگاه

    امتیاز شما به این آموزش:

    *



​همین امروز شروع به آموختن کنید​

آموزش شبکه عصبی GMDH به همراه پیاده سازی عملی در متلب

هزینه آموزش: ۱۶,۰۰۰ تومان



برچسب‌ها: , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,




فرادرس در رسانه ها و جشنواره ها

روزنامه ایرانیان مرکز توسعه فناوری اطلاعات و رسانه های دیجیتال روز آفرین نت استارت کنفرانس مهندسی برق ایران جشنواره وب ایران

عضویت در خبرنامه فرادرس

برای دریافت اخبار مربوط به آخرین فرادرس های منتشر شده، ایمیل خود را در کادر زیر وارد نمایید.

Please leave this field empty.

تمامی محصولات و خدمات این وبسایت، حسب مورد دارای مجوزهای لازم از مراجع مربوطه می‌باشند و فعالیت‌های این سایت تابع قوانین و مقررات جمهوری اسلامی ایران است.
فرادرس مجوز نشر دیجیتال از وزرات فرهنگ و ارشاد اسلامی logo-samandehi پرداخت آنلاین -  بانک ملت پرداخت آنلاین - بانک پارسیان پرداخت آنلاین - بانک اقتصاد نوین پرداخت آنلاین - بانک سامان