مجموعه آموزش های شبکه های عصبی مصنوعی 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. (+)



مجموعه فرادرس های شبکه های عصبی مصنوعی در متلب، مجموعه ای از هفت فرادرس جامع درباره شبکه های عصبی مصنوعی است. این بسته آموزشی بی نظیر، در مجموع شامل تقریبا ۲۷ ساعت برنامه آموزشی تخصصی است، که تمام بخش های آن به صورت تئوری و عملی ارائه شده اند. 

👤 مدرس: دکتر سیدمصطفی کلامی هریس
🕓 مدت زمان: ۲۷ ساعت و ۴۶ دقیقه
🎓 تعداد دانشجو: ۲۴۹۸ نفر این آموزش را تهیه کرده اند. — ۳۸ نفر در دو هفته اخیر
روش دریافت: لینک دانلود و/یا ارسال فیزیکی

هزینه آموزش: ۳۵,۰۰۰ 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

    شبکه های عصبی مصنوعی یا Artificial Neural Networks (به اختصار ANN) ابزارهایی مهم در میان مباحث هوش محاسباتی (Computational Intelligence) به حساب می آیند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند، که عمدتا در کاربردهایی همچون طبقه بندی، خوشه بندی، تشخیص الگو، مدل سازی و تقریب توابع، کنترل، تخمین و بهینه سازی مورد استفاده قرار می گیرند.

    بسته زرین فیلم های آموزشی شبکه های عصبی مصنوعی در متلب، مجموعه ای از هفت فیلم آموزشی جامع درباره شبکه های عصبی مصنوعی است. این بسته آموزشی بی نظیر، در مجموع شامل بیش از ۲۷ ساعت برنامه آموزشی تخصصی است، که تمام بخش های آن به صورت تئوری و عملی ارائه شده اند.

     

    درس یکم: شبکه های عصبی پرسپترون چند لایه یا MLP در متلب

    در این فرادرس قصد داریم فیلم آموزشی جامع شبکه های عصبی پرسپترون چند لایه یا MLP در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به شبکه های عصبی MLP، پیاده سازی عملی این نوع شبکه ها در محیط متلب نیز به طور کامل، مورد بررسی قرار گرفته است. همچنین مباحث عمیق تئوری و عملی، در زمینه تقسیم بندی داده ها، تحلیل عملکرد شبکه، روش های پیش پردازش اطلاعات و ده ها مبحث تخصصی دیگر نیز در این فیلم مورد بحث و بررسی قرار گرفته اند. برنامه هایی که در این فیلم پیاده سازی شده اند، به حل مسائل تخمین و تقریب توابع (Function Approximation) و پیش بینی سری های زمانی (Time-Series Prediction) اختصاص دارند.

    شبکه های عصبی مصنوعی یا Artifiial Neural Networks (به اختصار ANN) ابزارهایی مهم در میان مباحث هوش محاسباتی (Computational Intelligence) به حساب می آیند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند، که عمدتا در کاربردهایی همچون طبقه بندی، خوشه بندی، تشخیص الگو، مدل سازی و تقریب توابع، کنترل، تخمین و بهینه سازی مورد استفاده قرار می گیرند.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • مروری بر عملکرد سیستم عصبی طبیعی
    • تعریف ریاضی یک نورون مصنوعی با یک مثال بسیار ساده
    • تعمیم تعریف نورون و استفاده از آن برای مدل سازی
    • شبکه های عصبی پرسپترون چندلایه یا MLP و لزوم استفاده از آن ها
    • بررسی مفاهیم مرتبط با آموزش شبکه های عصبی
    • تقسیم بندی داده: روش ها و دلایل
    • پیاده سازی شبکه عصبی در متلب با استفاده از رابط های گرافیکی (GUI) تولباکس شبکه عصبی
    • پیاده سازی شبکه عصبی MLP به صورت کدنویسی
    • حل یک مسأله مدل سازی ساده
    • روش های پیش پردازش اطلاعات
      • داده های بی مقدار یا Missing Values
      • داده های پرت یا Outlier ها
      • نرمال سازی (Normalization)
      • سفید سازی (Whitening)
      • روش های کاهش بعد و کارکرد آن ها
      • نگاشت های غیر خطی
    • مروری بر کاربردهای مختلف شبکه های عصبی مصنوعی
    • خواص و تنظیمات شبکه های عصبی در متلب (سفارشی سازی ها)
    • بهبود عملکرد برنامه های نوشته شده
    • تبدیل مسأله پیش بینی سری زمانی به یک مسأله تقریب تابع (مدل سازی)
    • پیاده سازی شبکه عصبی برای پیش بینی سری زمانی آشوبی مکی-گلاس (Mackey-Glass)
    • مدل سازی ارتباط میان گشتاور، سرعت، نرخ سوخت مصرفی و میزان تولید اکسید نیتروژن در یک موتور خودور
    • شیوه های نمایش گرافیکی نتایج به دست آمده از فرآیند طراحی شبکه عصبی
    • جمع بندی و نتیجه گیری های نهایی

     

    درس دوم: شبکه های عصبی شعاعی پایه یا RBF در متلب

    در این فرادرس قصد داریم فیلم آموزشی جامع شبکه های عصبی RBF در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به شبکه های عصبی مبتنی بر توابع شعاعی پایه یا RBF، پیاده سازی عملی این نوع شبکه ها در محیط متلب نیز به طور کامل، مورد بررسی قرار گرفته است. برنامه هایی که در این فیلم پیاده سازی شده اند، به حل مسائل تخمین و تقریب توابع (Function Approximation) و پیش بینی سری های زمانی (Time-Series Prediction) اختصاص دارند.

    شبکه های عصبی مصنوعی یا Artifiial Neural Networks (به اختصار ANN) ابزارهایی مهم در میان مباحث هوش محاسباتی (Computational Intelligence) به حساب می آیند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند، که عمدتا در کاربردهایی همچون طبقه بندی، خوشه بندی، تشخیص الگو، مدل سازی و تقریب توابع، کنترل، تخمین و بهینه سازی مورد استفاده قرار می گیرند.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • مشکلات موجود با تفکیک کننده ها و نورون های خطی
    • بیان ایده تفکیک غیر خطی با یک مثال ساده
    • تعریف توابع شعاعی پایه و نورون های RBF
    • ساختار عمومی یک شبکه عصبی RBF
    • بیان قضیه میچلی (Micchelli) و شرایط تعریف مناسب یک تابع RBF
    • شیوه های انتخاب مراکز توابع شعاعی
      • انتخاب مراکز ثابت
      • انتخاب با روش ها غیر نظارت شده، مانند الگوریتم k-Means یا Lloyd
      • انتخاب با یادگیری نظارت شده
      • ارتباط میان شبکه عصبی RBF و سیستم فازی تاکاگی-سوگنو یا TSK
    • پیاده سازی RBF در محیط متلب با استفاده از توابع newrb و newrbe
    • تنظیم پارامترهای شبکه عصبی RBF
    • استفاده از شبکه عصبی RBF برای تقریب و درونیابی توابع
    • استفاده از شبکه عصبی RBF برای پیش بینی سری زمانی
    • جمع بندی و نتیجه گیری های نهایی

     

    درس سوم: ماشین های بردار پشتیبان یا SVM در متلب

    در این فرادرس قصد داریم فیلم آموزشی جامع ماشین های بردار پشتیبان یا SVM در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به ماشین های بردار پشتیبان یا SVM، پیاده سازی عملی این نوع شبکه ها در محیط متلب نیز به طور کامل، مورد بررسی قرار گرفته است. برنامه هایی که در این فیلم پیاده سازی شده اند، به حل مسائل طبقه بندی باینری (Binary Classification)، تخمین و تقریب توابع (Function Approximation) و پیش بینی سری های زمانی (Time-Series Prediction) اختصاص دارند.

    شبکه های عصبی مصنوعی یا Artifiial Neural Networks (به اختصار ANN) ابزارهایی مهم در میان مباحث هوش محاسباتی (Computational Intelligence) به حساب می آیند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند، که عمدتا در کاربردهایی همچون طبقه بندی، خوشه بندی، تشخیص الگو، مدل سازی و تقریب توابع، کنترل، تخمین و بهینه سازی مورد استفاده قرار می گیرند.

    ماشین بردار پشتیبان یا Support Vector Machine (به اختصار SVM) نوع خاصی از شبکه های عصبی هستند که بر خلاف سایر انواع شبکه عصبی (مانند MLP و RBF) به جای کمینه کردن خطا، اقدام به کمینه کردن ریسک عملیاتی طبقه بندی یا مدل سازی می کند. این ابزار، بسیار قدرتمند است و در زمینه های مختلفی چون طبقه بندی، خوشه بندی و مدل سازی (رگرسیون) می تواند مورد استفاده قرار بگیرد.

    در این فیلم آموزشی، سه الگوریتم مهم از میان ماشین های بردار پشتیبان مورد بررسی قرار گرفته اند:

    • ماشین بردار پشتیبان پایه برای طبقه بندی باینری یا SVM
    • کلاسترینگ بردار پشتیبان یا Support Vector Clustering (به اختصار SVC)
    • رگرسیون بردار پشتیبان یا Support Vector Regression (به اختصار SVR)

    رویکردهای ارائه شده در این فیلم آموزشی بسیار فراگیر و عمومی هستند و می توان از نکات تئوری و عملی بیان شده، برای حل سایر مسائل کاربردی استفاده نمود.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • توضیح تفاوت های اساسی SVM با سایر انواع شبکه عصبی
    • بیان ریاضی ریسک عملیاتی برای طبقه باینری داده ها
    • استخراج روابط اساسی SVM به صورت یک مسأله بهینه سازی درجه دو یا QP
    • تبدیل حالت حاشیه سخت (Hard Margin) به حالت حاشیه نرم (Soft Margin)
    • پیاده سازی عملی SVM باینری در محیط متلب
    • شیوه استفاده از تابع quadprog برای حل مسائل بهینه سازی درجه ۲ یا Quadratic Programming
    • استفاده از Kernel Trick برای اعمال SVM در فضای غیر خطی
    • بررسی انواع هسته ها یا Kernel ها
    • پیاده سازی SVM غیر خطی در محیط متلب با استفاده از Kernel Trick
    • استفاده از شبکه عصبی RBF برای پیش بینی سری زمانی
    • استفاده از توابع svmtrain و svmclassify از تولباکس بیوانفورماتیک (Bioinformatics Toolbox)
    • بررسی مبانی تئوری کلاسترینگ بردار پشتیبان یا SVC
    • توصیف ریسک در مسائل رگرسیون و مدل سازی
    • فرمول بندی رگرسیون بردار پشتیبان یا SVR و استخراج مدل QP
    • تعمیم به حالت غیر خطی با استفاده از Kernel Trick
    • پیاده سازی SVR در متلب برای تقریب تابع
    • پیاده سازی SVR برای پیش بینی سری زمانی
    • جمع بندی و نتیجه گیری های نهایی

     

    درس چهارم: یادگیری غیر نظارت شده و خوشه بندی با الگوریتم k-Means

    شبکه های عصبی مصنوعی یا Artificial Neural Networks (به اختصار ANN) ابزارهایی مهم در میان مباحث هوش محاسباتی (Computational Intelligence) به حساب می آیند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند، که عمدتا در کاربردهایی همچون طبقه بندی، خوشه بندی، تشخیص الگو، مدل سازی و تقریب توابع، کنترل، تخمین و بهینه سازی مورد استفاده قرار می گیرند.

    در این پست قصد داریم فیلم آموزشی یادگیری غیر نظارت شده و خوشه بندی با الگوریتم k-Means در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به یادگیری غیر نظارت شده و مسأله خوشه بندی (Clustering) و الگوریتم k-Means، پیاده سازی عملی این الگوریتم و حل مسائل خوشه بندی (کلاسترینگ) در محیط متلب نیز به طور کامل، مورد بررسی قرار گرفته است. در برنامه های متعددی که در این فیلم آموزشی پیاده سازی شده است، ویژگی های مختلف تابع kmeans در متلب و نمایش نتایج حاصله را مورد بررسی دقیق قرار گرفته اند.

    رویکردهای ارائه شده در این فیلم آموزشی بسیار فراگیر و عمومی هستند و می توان از نکات تئوری و عملی بیان شده، برای حل سایر مسائل کاربردی استفاده نمود. مطالب و مباحث این فیلم آموزشی به زبان فارسی روان، و توسط دکتر سیدمصطفی کلامی هریس (فارغ التحصیل دکترای مهندسی برق-کنترل، دانشگاه صنعتی خواجه نصیرالدین طوسی) ارائه شده است.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • مروری بر مبانی یادگیری ماشینی و انواع آن
    • یادگیری نظارت شده
    • یادگیری غیر نظارت شده
    • یادگیری تقویتی
    • مبانی خوشه بندی یا Clustering
    • توصیف ریاضی مسأله خوشه بندی به صورت مسأله بهینه سازی
    • الگوریتم k-Means (الگوریتم لوید یا Lloyd’s Algorithm)
    • خوشه بندی با استفاده از متلب
    • حل مسائل خوشه بندی در متلب و نمایش نتایج حاصل

     

    درس پنجم: شبکه های عصبی رقابتی و نگاشت خود سازمان ده یا SOM

    در این پست قصد داریم فیلم آموزشی جامع شبکه های عصبی رقابتی و نگاشت خود سازمان ده یا SOM را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به شبکه های عصبی رقابتی و نگاشت های خود سازمان ده، کاربردهای عملی مربوط به این نوع از شبکه عصبی غیر نظارت شده در حل مسائل مختلفی (نظیر خوشه بندی و کاهش ابعاد) مورد بحث و بررسی قرار گرفته است. برنامه های مربوط به این شبکه های عصبی، در فیلم آموزشی به صورت گام به گام پیاده سازی شده اند.

    شبکه های عصبی مصنوعی یا Artificial Neural Networks (به اختصار ANN) ابزارهایی مهم در میان مباحث هوش محاسباتی (Computational Intelligence) به حساب می آیند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند، که عمدتا در کاربردهایی همچون طبقه بندی، خوشه بندی، تشخیص الگو، مدل سازی و تقریب توابع، کنترل، تخمین و بهینه سازی مورد استفاده قرار می گیرند.

    رویکردهای ارائه شده در این فیلم آموزشی بسیار فراگیر و عمومی هستند و می توان از نکات تئوری و عملی بیان شده، برای حل سایر مسائل کاربردی استفاده نمود. مطالب و مباحث این فیلم آموزشی به زبان فارسی روان، و توسط دکتر سیدمصطفی کلامی هریس (فارغ التحصیل دکترای مهندسی برق-کنترل، دانشگاه صنعتی خواجه نصیرالدین طوسی) ارائه شده است.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • مبانی شبکه های عصبی رقابتی
    • سیاست های مختلف مورد استفاده در شبکه های عصبی رقابتی
    • بررسی ساختار قشر مغز (Cerebral Cortex) و ارتباط آن با مفاهیم یادگیری رقابتی
    • شیوه کارکرد نگاشت خود سازمان ده یا Self-Organazing Map (یا به اختصار SOM)
    • معرفی و بررسی قانون یادگیری هب (Hebb) یا Hebbian Learning Rule
    • معرفی و بررس قانون یادگیری کوهنن یا Kohenen Learning Rule
    • تطبیق پذیری در شبکه های عصبی رقابتی
    • پیاده سازی لایه رقابتی در متلب با استفاده از تابع competelayer
    • حل مسأله خوشه بندی با استفاده از شبکه عصبی رقابتی و تابع competelayer
    • کلاسترینگ در جعبه ابزار شبکه عصبی متلب یا nctool
    • پیاده سازی نگاشت خود سازمان ده یا SOM ساده با استفاده از nctool
    • تفسیر نمودارهای خروجی ارائه شده توسط nctool
    • بررسی توپولوژی های قابل استفاده در ساختار SOM در متلب
    • خوشه بندی با استفاده از شبکه عصبی SOM در متلب
    • پیاده سازی SOM با استفاده از m-file در متلب
    • مقدمات کاهش ابعاد و مدل سازی با استفاده از SOM
    • بررسی شباهت ها و تفاوت موجود میان شبکه های عصبی رقابتی و الگوریتم k-Means

     

    درس ششم: تحلیل مولفه اساسی یا PCA

    در این فرادرس قصد داریم فیلم آموزشی تحلیل مولفه اساسی یا PCA در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به روش تحلیل مولفه اساسی (Principal Component Analysis) یا PCA، نحوه پیاده سازی عملی آن در محیط متلب، و حل مسائل کاهش ابعاد، و انتخاب و استخراج ویژگی مورد بررسی واقع شده است. تمامی مراحل پیاده سازی های انجام شده در این فیلم آموزشی، با ارائه توضیحات کامل تئوری و به صورت گام به گام انجام شده است.

    شبکه های عصبی مصنوعی یا Artificial Neural Networks (به اختصار ANN) ابزارهایی مهم در میان مباحث هوش محاسباتی (Computational Intelligence) به حساب می آیند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند، که عمدتا در کاربردهایی همچون طبقه بندی، خوشه بندی، تشخیص الگو، مدل سازی و تقریب توابع، کنترل، تخمین و بهینه سازی مورد استفاده قرار می گیرند.

    رویکردهای ارائه شده در این فیلم آموزشی بسیار فراگیر و عمومی هستند و می توان از نکات تئوری و عملی بیان شده، برای حل سایر مسائل کاربردی استفاده نمود. مطالب و مباحث این فیلم آموزشی به زبان فارسی روان، و توسط دکتر سیدمصطفی کلامی هریس (فارغ التحصیل دکترای مهندسی برق-کنترل، دانشگاه صنعتی خواجه نصیرالدین طوسی) ارائه شده است.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • بررسی ارتباط میان PCA و تجزیه مقادیر تکین (Singular Value Decomposition) یا SVD
    • مفهوم مولفه اساسی و کاربرد آن در استخراج ویژگی و کاهش ابعاد
    • مفهوم پروب (حسگر یا معیار) واریانس یا Variance Perobe و نقش آن در تفکیک پذیری
    • بیان هندسی و جبر خطی برای بیشینه سازی واریانس و تفکیک پذیری
    • ارتباط میان مقادیر ویژه، بردارهای ویژه، مقادیر تکین و بیشینه سازی واریانس تفکیک
    • پیاده سازی گام به گام و عملی PCA در متلب
    • نمایش جهت های ویژه و مولفه های اساسی داده ها
    • نمایش میزان تفکیک پذیری داده ها با انتخاب هر یک از ورودی ها
    • بیان ریاضی PCA به صورت فیلتر ویژه یا Eigenfilter برای داده های با حجم بالا
    • قانون یادگیری اوجا یا Oja Learning Rule
    • مقدمه ای بر PCA غیر خطی
    • معرفی و بررسی الگوریتم Kernel PCA برای کاهش ابعاد غیر خطی با استفاده از Kernel Trick

     

    درس هفتم: شبکه های عصبی هاپفیلد یا Hopfield Neural Network

    در این فرادرس قصد داریم فیلم آموزشی شبکه های عصبی هاپفیلد یا Hopfield Neural Network در متلب را معرفی کنیم که در آن علاوه بر مرور مبانی تئوری شبکه های عصبی هاپفیلد (Hopfield) و ارتباط آن با نظریه سیستم های دینامیکی غیر خطی، پیاده سازی عملی این نوع از شبکه عصبی برای حل مسأله بازشناسی الگو و تشخیص کاراکتر (Character Recognition) مورد بحث و بررسی قرار گرفته است. در ادامه، کاربرد این نوع از شبکه های عصبی در حل مسائل بهینه سازی ترکیباتی (Combinatorial) مانند مسأله فروشنده دوره گرد یا TSP مورد بررسی واقع شده است. ضمنا، ماشین بولتزمان به عنوان یک نسخه تصادفی از شبکه عصبی هاپفیلد نیز در این فیلم آموزشی معرفی شده است.

    شبکه های عصبی مصنوعی یا Artificial Neural Networks (به اختصار ANN) ابزارهایی مهم در میان مباحث هوش محاسباتی (Computational Intelligence) به حساب می آیند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند، که عمدتا در کاربردهایی همچون طبقه بندی، خوشه بندی، تشخیص الگو، مدل سازی و تقریب توابع، کنترل، تخمین و بهینه سازی مورد استفاده قرار می گیرند.

    رویکردهای ارائه شده در این فیلم آموزشی بسیار فراگیر و عمومی هستند و می توان از نکات تئوری و عملی بیان شده، برای حل سایر مسائل کاربردی استفاده نمود. مطالب و مباحث این فیلم آموزشی به زبان فارسی روان، و توسط دکتر سیدمصطفی کلامی هریس (فارغ التحصیل دکترای مهندسی برق-کنترل، دانشگاه صنعتی خواجه نصیرالدین طوسی) ارائه شده است.

     فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • مبانی تئوری سیستم های دینامیکی
    • مروری بر مفاهیم اساسی نقاط تعادل و نقش آن ها در تحلیل عملکرد سیستم های دینامیکی
    • معرفی و بررسی قانون لیاپانوف (Lypunov) برای تحلیل پایداری سیستم های دینامیکی
    • ارتباط شبکه عصبی هاپفیلد (Hopfield Neural Network) با نظریه سیستم های دینامیکی غیر خطی
    • بررسی ساختار و شیوه عملکرد شبکه عصبی هاپفیلد
    • رویکردهای طراحی شبکه های عصبی هاپفیلد
    • طراحی شبکه هاپفیلد با استفاده از تابع newhop در متلب
    • نمایش نتایج و ناحیه جذب (Domain of Attraction) برای یک شبکه هاپفیلد
    • تعریف مسأله شناسایی الگوی یک کاراکتر (Character Recognition) به صورت یک مسأله یادگیری غیر نظارت شده
    • پیاده سازی گام به گام برنامه جامع بازشناسی کاراکتر (الگو) با استفاده از شبکه عصبی هاپفیلد در متلب
    • نمایش مرحله به مرحله همگرایی در شبکه هاپفیلد
    • معرفی ماشین بولتزمان یا Boltzman Machine و ارتباط آن با شبکه عصبی هاپفیلد
    • ارتباط ماشین بولتزمان با شبیه سازی تبرید (Simulated Annealing) یا SA
    • حل مسائل بهینه سازی ترکیبیاتی یا Combinatorial با استفاده از شبکه هاپفیلد
    • معرفی چگونگی حل مسأله TSP (فروشنده دوره گرد) با استفاده از شبکه هاپفیلد

    پیش نمایش

    پیش نمایش ۱ : فرادرس جامع شبکه‌های عصبی پرسپترون چندلایه یا MLP در متلب

    مشاهده آنلاین پیش نمایش - ۴۰ 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 ۱۰۴ مگابایت (کلیک کنید +)


    پیش نمایش ۲ : فرادرس جامع شبکه‌های عصبی پرسپترون چندلایه یا MLP در متلب

    مشاهده آنلاین پیش نمایش - ۳۰ 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 ۹۵ مگابایت (کلیک کنید +)


    پیش نمایش ۳ : فرادرس جامع شبکه‌های عصبی پرسپترون چندلایه یا MLP در متلب

    مشاهده آنلاین پیش نمایش - ۴۷ 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 کل دانلود ۱۵۰ مگابایت

    دانلود مستقیم بخش ۱ - حجم دانلود ۵۰ مگابایت (کلیک کنید +)

    دانلود مستقیم بخش ۲ - حجم دانلود ۵۰ مگابایت (کلیک کنید +)

    دانلود مستقیم بخش ۳ - حجم دانلود ۵۰ مگابایت (کلیک کنید +)

    راهنمای دانلود: لطفاً همه بخش ها را ابتدا به صورت کامل در یک فولدر دانلود کنید و کنار هم قرار دهید و سپس روی یکی از آنها کلیک راست کرده و extract نمایید. راهنمایی های بیشتر را در این لینک (+) ببینید.


    پیش نمایش ۴ : فرادرس جامع شبکه‌های عصبی شعاعی پایه یا RBF در متلب

    مشاهده آنلاین پیش نمایش - ۳۹ 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 ۱۳۳ مگابایت (کلیک کنید +)


    پیش نمایش ۵ : فرادرس جامع شبکه‌های عصبی شعاعی پایه یا RBF در متلب

    مشاهده آنلاین پیش نمایش


    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 ۶ : فرادرس جامع ماشین‌های بردار پشتیبان یا SVM در متلب

    مشاهده آنلاین پیش نمایش - ۴۹ 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 ۷ : فرادرس جامع ماشین‌های بردار پشتیبان یا SVM در متلب

    مشاهده آنلاین پیش نمایش - ۱۱ 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 ۸ : فرادرس جامع ماشین‌های بردار پشتیبان یا SVM در متلب

    مشاهده آنلاین پیش نمایش - ۳۰ 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 ۹ : فرادرس یادگیری غیر نظارت شده و خوشه بندی با الگوریتم k-Means

    مشاهده آنلاین پیش نمایش - ۱۵ 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 ۱۰ : فرادرس یادگیری غیر نظارت شده و خوشه بندی با الگوریتم k-Means

    مشاهده آنلاین پیش نمایش - ۲۷ 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 ۱۱ : فرادرس شبکه های عصبی رقابتی و نگاشت خود سازمان ده یا SOM

    مشاهده آنلاین پیش نمایش - ۳۷ 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 ۱۲ : فرادرس شبکه های عصبی رقابتی و نگاشت خود سازمان ده یا SOM

    مشاهده آنلاین پیش نمایش - ۳۸ 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 ۱۳ : فرادرس تحلیل مولفه اساسی یا PCA

    مشاهده آنلاین پیش نمایش - ۲۷ 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 ۱۴ : فرادرس تحلیل مولفه اساسی یا PCA

    مشاهده آنلاین پیش نمایش - ۳۸ 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 ۱۵ : فرادرس شبکه های عصبی هاپفیلد یا Hopfield Neural Network

    مشاهده آنلاین پیش نمایش - ۳۲ 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 ۱۶ : فرادرس شبکه های عصبی هاپفیلد یا Hopfield Neural Network

    مشاهده آنلاین پیش نمایش - ۲۳ 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 مجموعه آموزش های شبکه های عصبی مصنوعی در متلب
    ناشر فرادرس
    شناسه اثر ۸-۱۱۰۳۸-۰۴۳۰۴۳ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
    کد آموزش MVRNN9102
    مدت زمان ۲۷ ساعت و ۴۶ دقیقه
    زبان فارسی
    نوع آموزش آموزش ویدئویی     (کیفیت HD - مورد تایید فنی فرادرس)
    حجم دانلود ۴۱۵۹ 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.

    مجموعه آموزش های شبکه های عصبی مصنوعی در متلب

    هزینه آموزش: ۳۵,۰۰۰ تومان




    مطالب مرتبط


    دیدگاه ها

    ( امتیاز ۴٫۸ از ۵ )
    4.8 از 5


    تا کنون ۲۴۹۸ نفراز این آموزش استفاده کرده اند و ۴۴ نظر ثبت شده است.
    1. 5 از 5

      :

      با سلام
      من چند سالی است از آموزش های این سایت استفاده می کنم بسیار عالی است بخصوص کلام شیوای اقای دکتر کلامی بسیار دل نشین وجذاب است بنده خودم استفاده می کنم وبه دوستانم هم سفارش می کنم از این آموزشها استفاده کنند.

      • 0 از 5

        :

        در پاسخ به کرامت اسماعیلی:
        با سلام،
        از انتخاب و اعتماد شما متشکریم.
        امیدواریم با حمایت شما و سایر مخاطبین، روز به روز در راستای جلب رضایت بیشتر، گام برداریم.
        موفق و پیروز باشید.

    2. 3 از 5

      :

      با عرض سلام.
      آیا کدها نیز به همراه فیلم ها ارائه می شود؟

    3. 5 از 5

      :

      در پاسخ امید:
      با سلام،
      در بسته ای که دریافت می نمایید، علاوه بر فیلم آموزشی، کد های آموزش داده شده نیز وجود دارد.
      موفق باشید

    4. 5 از 5

      :

      واقعا دمتون گرم. عالیه.

    5. 5 از 5

      :

      برای انجام پایان نامه این محصول را تهیه کردم و با اطلاعات اولیه در حد صفر که از این مقوله داشتم خیلی تونست بهم کمک کنه، به همه دوستان توصیه میکنم.
      ممنون

    6. 5 از 5

      :

      ممنون. خیلی خوبه.

    7. 3 از 5

      :

      سلام در این آموزش فیلم های آموزشی شبکه های عصبی مصنوعی در متلب شامل آموزش خود شبکه های عصبی از پا یه هم می شود یا فقط نحوه استفاده از متلب در این زمینه را آموزش می دهد چون اینجانب اطلاعی در این زمینه ندارم و تازه کار هستم
      با تشکر

    8. 5 از 5

      :

      در پاسخ به حسین:
      با سلام،
      ابتدا مسائل تئوری شبکه عصبی بطور کامل توضیح داده می شوند و سپس پیاده سازی در محیط متلب آموزش داده می شود.
      موفق باشید

    9. 3 از 5

      :

      سلام. خوب بود راضی ام و نکاتی که تقریبا نیاز داشتم رو یاد گرفتم .

    10. 5 از 5

      :

      با سلام. بخش کد نویسی بسیار عالی هست و اینکه کدها هم در محصول وجود دارند بسیار عالی هست.

    11. 4 از 5

      :

      به نظرم این تنها آموزشی است که به این صورت ارائه شده. شیوه بیان مدرس خیلی خوب بود. از آقای دکتر کلامی متشکرم.

    12. 3 از 5

      :

      آیا این محصول الگوریتم یادگیری تقویتی Reinforcement learning را هم پوشش داده است؟

      • 0 از 5

        :

        در پاسخ به alii:
        با سلام،
        بله این آموزش در بسته زرین شبکه عصبی گنجانده شده است.
        برای اطلاع از جزییات سرفصل ها به این لینک مراجعه نمایید.
        موفق و پیروز باشید.

    13. 0 از 5

      :

      در پاسخ به مخاطب گرامی،
      با سلام،
      اگر فایل های جانبی از طرف مدرس در دسترس قرار بگیرد قطعا در بسته های آموزشی ارائه شده قرار می گیرند.
      چنانچه در آینده این فایل ها از مدرس ارائه شود در اختیار شما و دوستانی که این محصول آموزشی را تهیه نمودند قرار خواهد گرفت.
      موفق پیروز باشید.

    14. 5 از 5

      :

      سلام. آموزش با زبان ساده نکات طبقه بندی شده را در بر دارد. تدریس و تسلط مدرس به موضوع عالی بود.

    15. 0 از 5

      :

      سلام
      خسته نباشین
      بقیه قسمت های شبکه عصبی مثل شبکه های انجمنی یا آدالاین یا هبین یا رقابتی یا سطوح عملکرد رو کی اضافه میکنید؟

    16. 5 از 5

      :

      خیلی راضی ام و به خیلی از دوستام معرفی کردم و اونا هم از سایت شما استفاده زیادی بردند و همین طور من در بخش تئوری مشکل داشتم و هر چقد کتاب میخوندم درک نمیکردم که با دیدن این آموزش خیلی از مشکلاتم حل شد .

    17. 4 از 5

      :

      من هنوز موفق نشدم همه آموزش را ببینم ولی تا جایی که دیدم میتونم بگم خیلی عالی بود و همین که چنین آموزشی رو با این هزینه تونستم در این سطح تهیه کنم بسیار عالی بود

    18. 0 از 5

      :

      در پاسخ به علی:
      با سلام،
      معمولا برنامه ریزی جهت ارائه آموزش، طبق نظر هیئت علمی فرادرس و همچنین طبق پیشنهادات مخاطبین انجام می شود.
      شما نیز می توانید جهت ثبت پیشنهاد خود در دیتابیس فرادرس، به این لینک مراجعه نمایید.
      از مکاتبه شما متشکریم.
      موفق و پیروز باشید.

    19. 0 از 5

      :

      در پاسخ به شادی:
      با سلام،
      بله، می توانید جزییات سرفصل های این آموزش را در لینک زیر مشاهده نمایید:
      فرادرس جامع ماشین‌های بردار پشتیبان یا SVM در متلب

      موفق و پیروز باشید.

    20. 4 از 5

      :

      آموزش خوبی بود و تقریبا جامع توضیح میدادند. از پردازش تکاملی و ژنتیک و چند مورد دیگر هم استفاده کرده ام و رضایت دارم.

    21. 4 از 5

      :

      با سلام. آموزش جامع و کاملی بود و من نهایت بهره را بردم. برایتان آرزوی پیشرفت روز افزون دارم.

    22. 3 از 5

      :

      آموزش خوبی میشه گفت بود مخصوصا بخشی که شبکه عصبی رو در متلب آموزش میدهند، بسیار عالی هست.

    23. 5 از 5

      :

      سلام. دید بسیار عالی به من داد.این آموزش را برای انجام پروژه تهیه کردم. از مدیریت مجموعه بسیار متشکرم.

    24. 4 از 5

      :

      از نظر من استاد خیلی خوب توضیح داده بود، مخصوصا بخشی که شبکه های چند لایه رو توضیح داده بود خیلی عالی بود.

    25. 4 از 5

      :

      کیفیت کلی محصولات خیلی خوب می باشد. به نظرم اگر قسمت تئوری و عملی جدا شوند مفید ترخواهند بود و همینطور زمان محصولاتتون کم هست.

    26. 5 از 5

      :

      محصولات شما که دیگه نیاز به نظر ندارند چون بسیار عالی هستند و ما در شرکت خودمون از محصولات شما هم استفاده کرده ایم. در دانشگاه بصورت تئوری آموزش میدند اما در محصول شما هم بصورت تئوری و هم بصورت عملی تدریس میکنند که بسیار عالیست.

    27. 5 از 5

      :

      آموزش برای من بسیار مفید بود. اگر امکان هست شبکه های عصبی در مسائل بهینه سازی رو ارائه کنید.

    28. 4 از 5

      :

      خیلی خوب بود ولی لطفا آموزش های تکمیلی با ذکر مثال های بیشتر ارائه دهید

    29. 5 از 5

      :

      سلام پایان نامه بنده پیش گویی افزایش حساسیت به میدان های الکترو مغناطیسی با استفاده از شبکه های عصبی هست ای مجموعه به نظر شما به در د من که از پایه میخوام شروع کنم میخوره یا نه؟

      • 0 از 5

        :

        در پاسخ ایمان:

        با سلام

        با توجه به اینکه در این آموزش شبکه های عصبی مصنوعی از پایه، ابتدا بصورت تئوری و سپس پیاده سازی در محیط متلب تدریس شده است، می تواند برای شما مفید باشد.

        پیروز، شاد و تندرست باشید.

    30. 5 از 5

      :

      من دید و پیش زمینه ای نداشتم. با این وجود با توضیحات خیلی خوب و شفاف مدرس موضوع را آموختم.

    31. 4 از 5

      :

      خیلی خوب توضیح داده شده است. متشکرم.

    32. 5 از 5

      :

      سلام
      من مجموعه آموزش های شبکه های عصبی مصنوعی در متلب رو سفارش دادم.
      آموزش ها عالیه.
      خیلی ممنون

    33. 5 از 5

      :

      با سلام. بخاطر توضیحات بسیار عالی و تدریس زیبای ایشان کمال تشکر را دارم. این آموزش در انجام پایان نامه ام کمک زیادی به من کرد.

    34. 4 از 5

      :

      با سلام و خسته نباشید. بنده این آموزش را تهیه کردم و خیلی از آن راضی بودم. فقط چون در زمینه طبقه بندی کار می کنم چند پیشنهاد داشتم. اول این که بهتر بود روش طبقه بندی چند کلاسه SVM هم مطرح میشد زیرا بیشتر مسائل طبقه بندی چند کلاسه هستند و تعمیم دو کلاسه به چند کلاسه کمی مشکل است. دوم این که زمان بیشتری را به طبقه بندی اختصاص دهید. سوم این که در روش RBF نحوه انتخاب مراکز مطرح شد اما کد نویسی نشد و از فانکشن آماده مطلب استفاده شد. و آخر این که شبکه های عصبی CNN و RNN هم به مجموعه شبکه عصبی اضافه کنین. ممنون

    35. 5 از 5

      :

      با سلام. آموزش ها کامل بودند. فقط اگه امکانش هست مثالهای متفاوت حل بشه تا کاربردهای مختلف شبکه عصبی کاملا مشخص شود.

    36. 0 از 5

      :

      سلام، فرادرس مربوطه بسیار مطلوب و قابل قبول میباشد، تدریس این فرادرس توسط آقای دکتر کلامی نیز بسیار عالی میباشد. بهتر بود تاکید بیشتری بر کد نویسی شبکه های (بدون استفاده از تولباکس) مورد نظر میشد علاوه بر تاکیدی که بر استفاده از تولباکس شده است. ولی در مجموع سایر بحث ها بسیار عالی بود.

    37. 5 از 5

      :

      با عرض سلام و خسته نباشید
      این مجموعه با تدریس بسیار خوب آقای دکتر کلامی برای من کاربردی بود و در پروژه هام تونستم از مطالب گفته شده استفاده کنم.
      آقای دکتر کلامی تسلط کامل و بیان عالی دارند در ارائه مطالب.
      سربلند باشند و موفق.

    38. 5 از 5

      :

      با سلام و عرض خسته نباشد.
      با استفاده از این مجموعه بسیار عالی تونستم کار پیاده سازی مقاله علمی ای که روش کار میکردم رو انجام بدم واقعا ممنون.
      همچنین از زحمات شما و دکتر کلامی که با این تسلط علم خودشون رو در اختیار ما قرار میدهند تشکر میکنم.

    39. 5 از 5

      :

      تشکر از فرادرس برای تهیه این آموزش. این مجموعه ویدیو بسیار عالی هستش با توجه به اینکه یک پک جامع هست و از نظر هزینه ای بسیار مناسب هست و همچنین آموزش های مختلف رو داره و از نظر سرفصل مطالب دانشجو دچار سردرگمی نمی شود بسیار عالی هست. ارزوی موفقیت برای فرادرس و اینکه لطفا به درخواست های تهیه ویدیو ی دانشجویان احترام بگذارید و آنها را تهیه کنید زیرا یک آموزش درخواستی برای بسیاری دیگر از دانشجویان مورد استفاده هست و توجیه هزینه ای دارد ولی از نظر زمانی اگر سریعتر تهیه شود ممنون میشم.

    40. 0 از 5

      :

      با سلام و احترام خدمت شما بزرگوارن
      آموزش های تهیه شده توسط گروه فرادرس از نظر علمی و کیفی بسیار مطلوب مناسب می باشند. مجموعه شبکه های عصبی نیز از این قاعده مستثنی نیست. پس از دیدن مباحث مطرح شده در این فرادرس معلومات زیادی کسب کردم. مجموعه شبکه های عصبی را به تمام دانشجویانی که در این حوزه کار می کنند پیشنهاد می کنم. اگر امکاناتی فراهم می شد تا افراد بیشتری با محصولات شما آشنا شوند بسیار تاثیر گذار بود. بهترین کسانی که می توانند مبلغ محصولات شما باشند ، افرادی هستند که خود از این محصولات استفاده نموده اند. بنابراین مجموعه فرادرس می توانند علاوه بر افزایش کیفیت محصولات و جلب رضایت مشتریان، تمهیداتی برای آشنایی دیگر دانشجویان با این محصولات بیندیشند. یک راهکار موثر می تواند ارائه خدمات به مشتریانی باشد که محصولات فرادرس را به دیگران معرفی می نمایند.

    41. 0 از 5

      :

      با سلام این آموزش بسیار جامع و مفید بود.
      بنده مجوعه فازی دکتر کلامی را هم قبل از این آموزش استفاده کرده بودم که بسیار راضی کننده بود.
      با تشکر

    42. 0 از 5

      :

      با سلام و احترام
      ضمن سپاس از سایت سودمند فرادرس و عزیزان زحمت کش در این مجموعه، باید عرض کنم که مجموعه ی شبکه عصبی فرادرس یکی از کاملترین مجموعه های آموزشی شبکه عصبی است که تا بحال دیدم. از کلام شیوای آقای دکتر سیدمصطفی کلامی هریس هم نگذریم که بسیار شیوا و رسا و با تسلط کامل مفاهیم را توضیح فرمودند. هم چنین مطالب از نظم و طبقه بندی بسیار خوبی نیز برخوردار بود. خود من این مجموعه را به دیگر دوستانم معرفی و خوشبختانه آن ها نیز از خرید این مجموعه رضایت کامل داشتند.
      سپاس از شما و آقای هریس کلامی.

    43. 5 از 5

      :

      نحوه تدریس، ارایه و نیز برنامه ریزی ارایه مطالب در این آموزش، یعنی مجموعه آموزش های شبکه های عصبی مصنوعی در متلب خوب و کاملا مناسب است. همچنین مطالب منتخب شده نیز مطالب مناسب و کاربردی و نیز پایه ای است و مبانی را به خوبی معرفی می کند. همچنین شاید مفید باشد این نکته نیز بیان شود که چه نرم افزارهایی (غیر از متلب) قابلیت اجرای روش های بیان شده در این آموزش را دارند و به شکل بسیار ابتدایی و کوتاه در مورد تابع یا بخشی از نرم افزار مورد نظر که بر اساس الگوریتم های تشریح شده در آموزش عمل می کند توضیح داده شوند. این امر کمک می نماید تا شخصی که مبانی را به شکل اساسی و برپایه الگوریتم و نیز برنامه نویسی یادگرفته بتواند با نرم افزارهای مرتبط نیز پروژه خود را انجام دهد. البته منظور آموزش نرم افزار دیگر در قالب این فرادرس نیست بلکه صرفا بحث معرفی کوتاه و نشان داده فضای نرم افزار و شاید ارایه یک اجرای ساده توسط نرم افزار و مطابقت جواب نرم افزار با متلب باشد. البته منظور تولباکس شبکه عصبی متلب نیست بلکه تعدادی دیگر از نرم افزارهای دیگر در این زمینه مانند کیونت، نروسلوشن و… مدنظر می باشد.

    44. 4 از 5

      :

      با عرض سلام و خسته نباشید و تشکر ویژه بابت سایت خوبتون. من برای انجام پروژه های دانشگاه به یادگیری شبکه های عصبی مصنوعی و پیاده سازی آن در متلب نیاز داشتم. خوشحالم که با استفاده از بسته کاربردی فیلم‌های آموزشی شبکه‌های عصبی مصنوعی در متلب توانستم شبکه های عصبی و پیاده سازی آنها در متلب را یاد بگیرم. هرچند کاربردهای شبکه عصبی و اصول استفاده از آن در کاربردهای مختلف در این بسته آموزش داده شده است، جای خالی آموزش های کاربردی تری از شبکه های عصبی در زمینه های مختلف از قبیل کاربرد آن در بازار برق حس می شود که امیدوارم به زودی در این زمینه نیز، آموزشی را تولید کنید. با تشکر

    45. 4 از 5

      :

      با سلام خدمت شما مدیران محترم سایت فرادرس.

      در ابتدا مستقیما سراغ انتقاداتی که از سایت شما دارم میروم, در خصوص آموزشهای دروسی که مرتبط با متلب هستند، شما تمام تمرکز را روی تولباکس های متلب قرار داده اید؛ در صورتی که دانشجویانی که رشته ی هوش مصنوعی هستند باید بتوانند بدون استفاده از تولباکس ها کدنویسی بکنند؛ بنظرم اگر دروس مقدماتی را در حد تولباکس (مخصوص دانشجویان بقیه رشته ها) و سطوح پیشرفته تر را مخصوص دانشجویان ارشد و دکترای هوش مصنوعی میباشد را به صورت کدنویسی بدون استفاده از ام-فایل ها و تولباکس ها قرار بدهید بسیار عالی خواهد شد. درسته که تولباکس مقدماتی و پایه ایی هست ولی تولباکس فقط مختص کسانی هست که رشته هوش نباشند و بخواهند از یک ابزار در کنار پروژه خودشان استفاده کنند؛ پس اگر امکانش هست خواهشا آموزش کدنویسی شبکه عصبی (انواع شبکه عصبی ها) و ژنتیک الگوریتم و مابقی الگوریتم ها را بدون استفاده از تولباکسها را نیز در سایتتان قرار بدهید.
      در خصوص درس شبکه عصبی یک انتقاد دیگر هم داشتم؛ چراآموزش چندمدل از شبکه عصبی ها مانند GMDH و LVQ و گازی را از پکیج آموزش شبکه عصبی جدا کرده اید؛ من وقتی این پکیج را تهیه کردم فکر کردم که تمام مدلهای شبکه عصبی را در خود دارد ولی متاسفانه بعد متوجه شدم که این مباحث را جداگانه ارائه می دهید.
      یک درخواست در مورد دروس در حال اماده سازی داشتم؛ اگر امکانش هست لطفا دروسی مانند OpenGL و دروسی که در انها دانشجوها پیش ثبت نام انجام داده اند را در اولویت قرار بدهید و سریعتر آنها را آمده بفرمایید, البته اگر امکانش هست ممنون میشوم. و در پایان یک پیشنهاد در خصوص سایتتان داشتم؛
      اگر قسمت دروس پیشنهادی را نیز در سایتتان قرار بدهید که کاربران بتوانند اسامی دروس و مباحثی که مدنظرشان است را برایتان ارسال بفرمایند بسیار عالی خواهد شد, چون مدیران را در انتخاب دروس جدید برای به روز رسانی سایت کمک خواهد کرد.
      در پایان از تمام زحمات شما کمال قدردانی و تشکر را دارم . منتظر دروس جدید و به روز شما هستیم.
      در پناه حق

      • 0 از 5

        :

        در پاسخ به نکیسا؛
        با سلام؛

        از درج دیدگاه تان بسیار متشکریم؛ این موارد توسط مدیریت آموزشی فرادرس بررسی می شوند.

        امیدواریم شما را به عنوان همراه همیشگی فرادرس داشته باشیم.
        موفق و پیروز باشید.

        در راستای این پیام، مخاطبین را به مطالعه لینک های زیر دعوت می کنیم:

        درخواست تهیه آموزش
        هدیه های آموزشی

    46. 5 از 5

      :

      با سلام و عرض خسته نباشید خدمت عوامل فرادرس. این مجموعه یکی از مجموعه های مفید و کارا برایم بود. من که درس شبکه های عصبی را نداشتم و از ابتدا با این مجموعه شروع کردم، توانستم به خوبی با شبکه های عصبی آشنا شوم و مفاهیم آن را درک کنم. همچنین بتوانم در پروژه های خود از شبکه های عصبی استفاده کنم. این رویکرد جناب آقای دکتر کلامی که ابتدا بحث تئوری و سپس بخش عملی را ذکر می کنند، بسیار جالب و از نقاط قوت کار ایشان است.

    47. 5 از 5

      :

      با درود فراوان خدمت جناب آقای دکتر سیدمصطفی کلامی هریس
      یک سوال داشتم خدمتتون ؟
      منتها اول تشکر کنم به خاطر آموزشهای فوق العادتون. حرف نداره واقعا مشخصه نتیجه سالها زحمت و تجربتون را دارید داخل فیلم میگید که متاسفانه به ندرت دیده میشه افرادی مثل شما اطلاعاتشون را به این صورت گسترش بدن.
      سوالی که خدمتتون داشتم در مورد سری زمانیه که در بخش سوم در موردش صحبت میکنید.خب همانطور که خودتون میدونید وقتی load mgdata.dat را وارد میکنیم دو ستون دیتا به ما میدهد که ستون اول به خاطر اینکه به صورت مرتب از صفر تا ۱۲۰۰ با فاصله یک گام رفته فرقی نمیکند باشد یا نه در واقع plot ستون دوم فرقی با plot ستون دوم بر حسب ستون اول ندارد چون گامها با فاصله یک گام رفته فرقی نداره و هر دو یکین.
      سوالی که اینجا هست شما سیستم را بر حسب دادهای خروجی مدل سازی کردید؟ یعنی فرض کردید ورودی های سیستم را ندارید؟
      اگر دادهای ورودی به صورت rand بود و نوسان داشت باز هم هینطور عمل میکردید. یعنی ورودی را در نظر نمیگرفتید؟
      چون همانطور که میدانید اگر دادهای ورودی به صورت rand بود و حالا خروجی سیستمم شبیه سری زمانی بود اون موقع باید خروجی را بر حسب ورودی رسم میکردیم که قطعا شکل به دست آمده بسیار متفات است با زمانی که شما فقط خروجی را رسم میکنید. با تشکر از زحمات شما.

    48. 0 از 5

      :

      در پاسخ احسان:

      خوشحالیم که آموزش های فرادرس، توانسته است برای شما مفید باشد و نظر شما را جلب نماید.

      ستون اول در داده های مورد اشاره، متغیر مربوط به زمان (گسسته) است. به دلیل این که در پیش بینی، فرض شده است که سری زمانی، به صورت مستقیم به زمان وابسته نیست، از این رو در مدل سازی دخالت داده نشده است. همان طور که در متن آموزش نیز توضیح داده شده است، برای مدل سازی سری زمانی، می بایست رابطه ای میان مقدار فعلی سری زمانی (به عنوان متغیر وابسته یا خروجی) و مقدار همان سری در گذشته (به عنوان متغیر مستقل و یا ورودی) ایجاد شود. در واقع، از شبکه عصبی و یا هر سیستم مدل کننده دیگر، برای تخمین این رابطه استفاده می شود. در واقع این سیستم بدون ورودی نیست؛ بلکه ورودی ها از مقادیر گذشته (تاخیری) خروجی تشکیل شده اند. مقادیر ستون اول داده ها نیز، اصولا چیزی غیر از زمان نمی توانستند باشند؛ پس امکان تصادفی بودن آن ها نیز وجود ندارد.

      موفق باشید

    49. 0 از 5

      :

      فرادرس به من ماهی گیری یاد داد و من می تونم نیاز های پژوهشیم را خودم برطرف کنم و نیازی به کسی برای انجام دادن ندارم و از این بابت بسیار خوشحالم.

    50. 0 از 5

      :

      سلام. با تشکر فراوان. مطالب آموزنده بود.

    51. 0 از 5

      :

      با سلام:
      ابتد از این سایت بسیار عالی شما تشکر میکنم.
      من می خواستم با استفاده از شبکه عصبی مسئله بهینه سازی (توزیع اقتصادی ) رو حل کنم. کدام محصول شما مناسب خواهد بود.
      با تشکر .

    52. 5 از 5

      :

      از این پکیج به منظور آشنایی و تهیه پروپوزال استفاه کردم، که بسیار مفید بود، اما ذکر چند نکته لازم است.
      در خصوص مباحث ارایه شده جای این بحث مطرح است که بهتر بود در یک پکیج کامل تمامی آموزش های مرتبط با شبکه عصبی گنجانده شود. اما اگر حتی این امکان وجود داشت که تمامی آموزش ها در یک پکیج عرضه شود می توانست بسیار مفید باشد. در مبحث سری های زمانی دروس ارایه شده توسط دکتر آتشپز رو پیشنهاد می کنم که به صورت مبسوط تر و در زمانی کوتاه تر به توضیح این مطلب میپردازند. همچنین بهتر است در خصوص خوشه بندی (clustering) مباحث به صورت جامع تر مطرح شود چرا که تمامی خوشه بندی ها به صورت باینری و ۰ و ۱ بوده اما در عمل این خوشه بندی ها شامل چندین دسته می شود که بهتر است حالت تعمیم یافته آن نیز در بحث گنجانده شود و همچنین یک case در خصوص ساخت داده ها برای آموزش شبکه عصبی باشد به عنوان مثال در بحث خوشه بندی، یک مورد شامل بیش از ۲ خوشه بررسی شود و در خلال کار داده ها برای ورود به شبکه عصبی تهیه شود.

    53. 0 از 5

      :

      با سلام
      قبلا از هر چیز برای آموزش های بسیار خوبی که ارایه می کنید متشکرم. واقعیت در ارتباط با این مجموعه آموزشی قبل از خرید تصور می کردم که برنامه نویسی و استفاده از شبکه های MLPو RBF برای حل مسیله Classification توضیح داده شده اما اینطور نبود در واقع فقط SVM برای طبقه بندی آورده شده که فقط برای مسیله باینری استفاده می شود .

    54. 0 از 5

      :

      با عرض سلام و خسته نباشید و تشکر ویژه بابت سایت پربارتون.

      بنده مجموعه آموزشی شبکه های عصبی رو در حدود ۲ سال پیش در مجموعه گنجینه فرادرس تهیه کردم و تقریباً جزء بهترین مجموعه های آموزشی فرادرس بشمار می آید.

      اما بهتر بود در بخش بررسی مبانی تئوری کلاسترینگ بردار پشتیبان یا SVC نیز به حل مثال هایی پرداخته می شد که متاسفانه این اتفاق رخ نداده است در ضمن بخش های مختلف فرادرس تنها با استفاده از سری زمانی مکی گلس به آموزش پرداخته است و نیاز به حل مسائل کاربردی تر مثلا سری زمانی شاخص بورس و … به شدت احساس می گردد.

      با تشکر

    55. 5 از 5

      :

      این آموزش هم، همچون دیگر آموزش های شما بسیار خوب و با کیفیت است.

      کلاً از مزایای آموزش های فرادرس، بخصوص فرادرس های مرتبط با هوش مصنوعی، ساختار مشخص و مدون آن هاست بطوریکه ابتدا تئوری و مفاهیم پایه مرتبط با موضوع مطرح شده، سپس با پیاده سازی گام به گام الگوریتم مورد نظر در زبان متلب، مطالب به صورت منطقی و آرام آرام به مخاطب آموزش داده می شود. در نهایت هم که با حل چندین مسئله، کاربرد الگوریتم در حل مسائل مختلف توضیح داده شده است.

      این آموزش به من که خیلی کمک کرد، فقط اگر مباحث پیشرفته تر، هم بیان می شد، خیلی خوب بود.

      باتشکر

    56. 0 از 5

      :

      از آموزش های بسیار خوب و روان شما متشکریم. باشد که در آینده ما نیز بتوانیم همچین آموزش هایی تولید کرده و به جوانان کشورمان خدمتی کرده باشیم. من از آموزش شبکه عصبی استاد کلامی برای پروژه درس هوش مصنوعی پیشرفته استفاده کردم و برایم مفید بود شیوه آموزش به این صورت بود که ابتدا استاد مبحث درس را توضیح میداد و سپس مثال هایی را در متلب عنوان میکرد که برای بنده شیوه آموزشی مناسبی بود. از وبسایت خوب فرادرس متشکرم.

    57. 0 از 5

      :

      با سلام.

      من تا کنون تمام نیازهای آموزشی ام را به جای استفاده از کلاس های گران قیمت و وقت گیر، از شیوه ی Self Study برطرف کرده ام. استفاده از کتب مرجع و فیلم های آموزشی فرادرس برای من بسیار مفید واقع شده اند. در بین فرادرس هایی هم که تا کنون تهیه کرده ام این مجموعه (شبکه های عصبی مصنوعی در متلب) به علت بیان تقریبا تمام مطالبی که مورد نیاز هست، مفیدترین آن ها بوده است که جا دارد از آقای دکتر کلامی به خاطر فراهم سازی ایم مجموعه آموزشی نهایت قدردانی رو انجام بدهم. کدهای آماده ی موجود در پکیج هم کمک زیادی به انجام پروژه ام داشت.

      در این مجموعه ی آموزشی واقعا جای شیوه ی یادگیری عمیق یا Deep Learning بسیار خالی است. امیدوارم در کوتاه ترین زمان این مورد نیز تهیه شده و در قالب یک فرادرس دیگر یا در ادامه ی همین فرادرس برای علاقه مندان به این حوزه ارائه شود.

      در نهایت به تیم فرادرس به خاطر تولید این مجموعه ی آموزشی بی نظیر تبریک عرض می کنم و امیدوارم همچنان در مسیر پیش رو موفق باشید.

    58. 0 از 5

      :

      با سلام و تبریک سال جدید و تشکر از سایت خوب و جامع فرادرس.

      من کارشناس ارشد رشته جغرافیا هستم. من تا حالا از سایت فرادرس آموزشی تهیه نکردم. چون فکر نمی کردم که در رابطه با رشته جغرافیا آموزشی داشته باشه. یه روزی از دوستام که روی پایان نامه زمین لغزش با شبکه عصبی کار می کرد دیدم که تو خوابگاه آموزشی رو نگاه می کنه. بعد که پرسیدم گفت که از سایت شما تهیه کرده و خیلی هم راضی بود. تا اینکه منم تصمیم گرفتم از آموزش های شما رو بررسی کنم که بین اون ها به آموزش شی گرا و نرم افزار eCognition برخورد کردم و برام خیلی جالب بود که این آموزش هم تو لیست شما هست.

      امیدوارم که در همه عرصه ها موفق باشید.

    59. 5 از 5

      :

      با سلام و احترام خدمت شما بزرگواران.

      آموزش های تهیه شده توسط گروه فرادرس از نظر علمی و کیفی بسیار مطلوب مناسب می باشند. مجموعه شبکه های عصبی نیز از این قاعده مستثنی نیست. پس از دیدن مباحث مطرح شده در این فرادرس معلومات زیادی کسب کردم. مجموعه شبکه های عصبی را به تمام دانشجویانی که در این حوزه کار می کنند پیشنهاد می کنم.

      اگر امکاناتی فراهم می شد تا افراد بیشتری با محصولات شما آشنا شوند بسیار تاثیر گذار بود. بهترین کسانی که می توانند مبلغ آموزش های شما باشند ، افرادی هستند که خود از این آموزش ها استفاده نموده اند. یک راهکار موثر می تواند ارائه خدمات به مخاطبینی باشد که آموزش های فرادرس را به دیگران معرفی می نمایند.

    60. 5 از 5

      :

      درود بر استاد حاذقی چون شما.

      من دانشجوی ترم ۸ نرم افزارم و میخواستم در زمینه تشخیص بیماری الزایمر با شبکه عصبی تحقیق کنم. میشه لطف کنین و بگین کدام فیلم اموزشی به من در این حیطه کمک میکند و اینکه چه مهارت هایی را خارج از این فیلم باید یاد بگیرم؟

    61. 0 از 5

      :

      سلام. بنده این مجموعه رو تهیه کردم. هرچند هنوز زمانش نرسیده که بنده ازین مجموعه استفاده کنم. میخواستم از شما خواهش کنم اول هر ویدیو یک صفحه از سرفصلهایی که در اون ویدیو تدریس میشه قرار بدید. اگه فرصت بشه ساعت و دقیقه و ثانیه اون سرفصل رو قرار بدید که خیلی بهتر میشه. همچنین میتونید این جزئیات رو در یک فایل پی دی اف به صورت جدا گانه قرار بدید. واقعا جای خالی این فهرست حس میشه. ممنون از لطفتون.

    62. 5 از 5

      :

      آموزش بسیار عالی بود.

      من هیچ اطلاعی در مورد شبکه عصبی نداشتم. تسلط مدرس عالی بود و کاملا مفهومی درس دادند.

    63. 0 از 5

      :

      با سلام خدمت استاد ارجمندم آقای کلامی عزیز.

      خسته نباشید هم بگم خدمت کادر فرادرس.

      واقعا فوق العاده بود. تا الان سومین باریه که کامل این آموزشها رو دوره میکنم و مرتب واسه خودم نکته برداری میکنم. این آموزش باعث شد که بتونم ریسک کنم و موضوع پایان ناممو مرتبط با این آموزش انتخاب کنم. خیلی خوشحال که ظهور اموزش های مجازی مقارن شد با دوره اوج علم اموزی بنده، مطمئنا که اگه میخواستم شبکه عصبی رو بواسطه کتاب و نوشتار مطالعه کنم اولا کار طاقت فرسا و وقت گیری بود و دوما این نگاه جامع به مسایل رو نداشتم. بازم تشکر از استاد ارجمندم که آقای کلامی.


    نظر شما در مورد این فرادرس چیست؟

    درج دیدگاه

    امتیاز شما به این آموزش:

    *



​همین امروز شروع به آموختن کنید​

مجموعه آموزش های شبکه های عصبی مصنوعی در متلب

هزینه آموزش: ۳۵,۰۰۰ 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