یادگیری ماشین و بازشناسی الگو
۱۱,۹۲۸ دانشجو ثبت نام کننده
۱۴ میلیون دقیقه یادگیری و مطالعه توسط دانشجویان
۱۲,۶۶۱ دقیقه مدت زمان آموز‌ش‌های این صفحه
۱۹ عنوان آموزشی تعداد آموز‌ش‌های این صفحه
۱
مجموعه آموزش های شبکه های عصبی مصنوعی در متلب

مجموعه آموزش های شبکه های عصبی مصنوعی در متلب

مدرس: دکتر سیدمصطفی کلامی هریس

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. 

یادگیری را شروع کنید ...

۲
مجموعه آموزش های کاربردی شبکه های عصبی مصنوعی

مجموعه آموزش های کاربردی شبکه های عصبی مصنوعی

مدرس: دکتر اسماعیل آتشپز گرگری

مجموعه فرادرس های شبکه عصبی ، شامل پنج فرادرس در زمینه شبکه های عصبی مصنوعی و کاربردهای آنها، حتماً یکی از بهترین انتخاب های علمی شما برای ورود به این حوزه علمی خواهد بود.

یادگیری را شروع کنید ...

۳
mvrdm9206c

آموزش طبقه بندی یا Classification

مدرس: دکتر سیدمصطفی کلامی هریس

بسیاری از مسائل داده کاوی را می توان به صورت یک مسأله طبقه بندی یا Classification بیان نمود، که در آن در نهایت یک عامل پیش بین تربیت می شود که می تواند با در دست داشتن دانش موجود برای طبقه بندی یک مجموعه از موارد، آن دانش را به طبقه بندی سایر موارد تعمیم دهد. در واقع مسأله طبقه بندی، یک مسأله یادگیری نظارت شده است. در فرادرس جامع طبقه بندی یا Classification، پس از مرور کلی بر مفاهیم طبقه بندی و شیوه تربیت یک عامل طبقه بندی کننده یا Classifier، چند روش پر کاربرد معرفی و در محیط متلب پیاده سازی شده اند.

یادگیری را شروع کنید ...

۴
آموزش تخمین خطای طبقه بندی یا Classifier Error Estimation

آموزش تخمین خطای طبقه بندی یا Classifier Error Estimation

مدرس: دکتر اسماعیل آتشپز گرگری

تخمین خطای کلاسیفایر (Classifier Error Estimation) اگر مهم ترین بخش طراحی یک کلاسیفایر (Classifier - طبقه بندی کننده) نباشد، قطعا یکی از مهم ترین قسمت های این فرایند می باشد. به عنوان مثال فرایند انتخاب ویژگی (Feature Selection) بدون داشتن یک تخمین گر خطا (Error Estimator) مناسب یک روند عبث خواهد بود. به خاطر همین اهمیت بسیار بالا، در این فرادرس ما به موضوع تخمین خطای کلاسیفایر می پردازیم و در طی آن روش هایی همانند تخمین گر Resubstitution، تخمین گر Cross-Validation، تخمین گر Leave-One-Out، تخمین گر Bootstrap را مورد بررسی قرار داده و نقاط ضعف و قوت هر یک را بیان می کنیم.

یادگیری را شروع کنید ...

۵
آموزش طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب

آموزش طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب

مدرس: دکتر سیدمصطفی کلامی هریس

در فیلم آموزشی «طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب»، مبانی تئوی همه الگوریتم های مورد اشاره، به همراه ده ها مبحث تخصصی دیگر، به صورت کامل و به زبان ساده مورد بحث و بررسی قرار می گیرند. در ادامه، پس از تشریح مبانی تئوری، با استفاده از امکانات جعبه ابزار (تولباکس) شبکه عصبی متلب و توابع تعبیه شده در آن، با استفاده از متدهای برنامه نویسی متلب، شبکه عصبی LVQ در متلب پیاده سازی شده است و برای حل چند مسأله طبقه بندی مورد استفاده قرار گرفته است.

یادگیری را شروع کنید ...

۶
mvrdm9206de

آموزش خوشه بندی یا Clustering

مدرس: دکتر سیدمصطفی کلامی هریس

در فرادرس خوشه بندی یا Clustering، پس از مرور کلی بر مفاهیم پایه خوشه بندی و تفاوت های آن با مسأله طبقه بندی یا Classification، چندین روش مهم و پرکاربرد در حوزه آنالیز خوشه معرفی و به صورت عملی در محیط متلب پیاده سازی شده اند.

یادگیری را شروع کنید ...

۷
آموزش شبکه های عصبی گازی به همراه پیاده سازی عملی در متلب

آموزش شبکه های عصبی گازی به همراه پیاده سازی عملی در متلب

مدرس: دکتر سیدمصطفی کلامی هریس

شبکه عصبی گازی یا شبکه گاز عصبی (Neural Gas Network) یکی از انواع شبکه های عصبی رقابتی با الگوی یادگیری غیر نظارت شده است، که کاربرد اصلی آن در حل مسائل خوشه بندی (Clustering) و یادگیری توپولوژی (Topology) است. این نوع از شبکه عصبی، از نظر طبقه بندی در رده الگوریتم های Vector Quantization (به اختصار VQ) قرار می گیرد و ارتباط بسیار نزدیکی با الگوریتم خوشه بندی k-Means، شبکه عصبی SOM (نگاشت های خود سازمان ده) و شبکه عصبی LVQ دارد. شبکه گاز عصبی علاوه بر انجام خوشه بندی و قرار دادن مرکز خوشه ها در محل مناسب، ارتباط های همسایگی میان نورون ها (مراکز خوشه ها) را به صورت پویا ایجاد می کند، که در نهایت این الگوریتم را، قادر به یادگیری توپولوژی می کند.

یادگیری را شروع کنید ...

۸
آموزش خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری

آموزش خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری

مدرس: دکتر سیدمصطفی کلامی هریس

در فیلم آموزشی خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری، ابتدا مسأله خوشه بندی به صورت عادی و سپس مسأله خوشه بندی خودکار، به صورت مسائل بهینه سازی بیان شده اند و توسط چندین الگوریتم تکاملی و فراابتکاری، به صورت گام به گام و در محیط نرم افزار متلب، حل و بررسی شده اند. برای تبدیل مسأله خوشه بندی به مسأله بهینه سازی، ما نیازمند شاخص هایی هستیم که به این منظور، در این مجموعه آموزشی، از چندین شاخص معروف در حوزه داده کاوی تکاملی، استفاده شده است.

یادگیری را شروع کنید ...

۹
Placeholder

آموزش خوشه بندی یا Clustering با الگوریتم رقابت استعماری

مدرس: دکتر سیدمصطفی کلامی هریس

در این فرادرس، دانشجویان عزیز، با مباحث مختلف خوشه بندی یا Clustering با الگوریتم رقابت استعماری آشنا می شوند. سرفصل هایی که در این آموزش به آن پرداخته می شود، بانی طبقه بندی اطلاعات، تبدیل مسأله خوشه بندی به یک مسأله بهینه سازی، حل مسأله خوشه بندی با استفاده از الگوریتم رقابت استعماری و ... می باشد. نقطه قوت این آموزش این است که به طور کامل به توضیح مباحث مربوطه پرداخته شده است و آموزش توسط یکی از بهترین مدرسین متخصص در این زمینه، انجام شده است.

یادگیری را شروع کنید ...

۱۰
آموزش انتخاب ویژگی یا Feature Selection

آموزش انتخاب ویژگی یا Feature Selection

مدرس: دکتر اسماعیل آتشپز گرگری

در این فرادرس، در شروع بحث، مفاهیم پایه مرتبط با کاهش ابعاد (استخراج و انتخاب ویژگی) را با هم مرور خواهیم کرد. تمرکز ما در این بحث بر روی روشهای انتخاب ویژگی خواهد بود و روش های استخراج ویژگی از آن جهت که در فرادرس دیگری به صورت مفصل مورد بررسی قرار گرفته اند، محور بحث نخواهند بود.

یادگیری را شروع کنید ...

۱۱
آموزش انتخاب ویژگی با استفاده از الگوریتم های فرا ابتکاری و تکاملی

آموزش انتخاب ویژگی با استفاده از الگوریتم های فرا ابتکاری و تکاملی

مدرس: دکتر سیدمصطفی کلامی هریس

در این فرادرس، سعی شده است با نگرشی جامع، رویکردهای تکاملی و فرا ابتکاری برای حل مسأله انتخاب ویژگی مورد بحث و بررسی واقع شده اند و پیاده سازی عملی این روش ها، به صورت گام به گام در محیط متلب آموزش داده شده اند.

یادگیری را شروع کنید ...

۱۲
mvrdm9206g

آموزش کاهش ابعاد یا Dimensionality Reduction

مدرس: دکتر سیدمصطفی کلامی هریس

در فرادرس جامع کاهش ابعاد، روش های مختلفی برای کاهش ابعاد و انتخاب ویژگی معرفی شده اند، و پس از پیاده سازی در محیط متلب، در کاربردهای عملی مورد استفاده قرار گرفته اند.

یادگیری را شروع کنید ...

۱۳
آموزش شبکه عصبی GMDH به همراه پیاده سازی عملی در متلب

آموزش شبکه عصبی GMDH به همراه پیاده سازی عملی در متلب

مدرس: دکتر سیدمصطفی کلامی هریس

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.

یادگیری را شروع کنید ...

۱۴
Placeholder

آموزش طراحی و پیاده سازی سیستم استنتاج عصبی-فازی تطبیقی یا ANFIS در متلب

مدرس: دکتر سیدمصطفی کلامی هریس

در این فرادرس، ابتدا به مرور مفاهیم یادگیری و مدل سازی پرداخته می شود و سپس رویکرد کلی برای طراحی سیستم فازی تطبیقی ارائه می شود. در ادامه با معرفی ساختار شبکه ای ANFIS نحوه عملکرد این سیستم، مورد بحث و بررسی قرار می گیرد.

یادگیری را شروع کنید ...

۱۵
Placeholder

آموزش خوشه بندی فازی و طراحی سیستم فازی مبتنی بر خوشه بندی در متلب

مدرس: دکتر سیدمصطفی کلامی هریس

یکی از روش های طراحی سیستم های فازی، استفاده از رویکردهای خوشه بندی یا Clustering است. در این فرادرس، با اشاره به مفاهیم اساسی موجود در بحث خوشه بندی، علاوه بر مرور روش کلاسیک k-Means نسخه فازی آن یعنیFuzzy c-Means مورد بحث و بررسی واقع شده است.

یادگیری را شروع کنید ...

۱۶
آموزش طراحی سیستم های فازی عصبی یا ANFIS با استفاده از الگوریتم های فرا ابتکاری و تکاملی

آموزش طراحی سیستم های فازی عصبی یا ANFIS با استفاده از الگوریتم های فرا ابتکاری و تکاملی

مدرس: دکتر سیدمصطفی کلامی هریس

طراحی و آموزشی سیستم های استنتاج فازی (FIS) و سیستم های تطبیقی استتاج عصبی فازی (انفیس یا ANFIS) معمولا با استفاده از رویکردهای کلاسیک، نظیر گرادیان نزولی (Gradient Descend) و پس انتشار (Back-Propagation) انجام می شود. اما در این آموزش، کاربرد الگوریتم های تکاملی و فرا ابتکاری در طراحی بهینه سیستم های فازی نوع تاکاگی-سوگنو-کانگ (TSK) مورد بحث واقع شده است.

یادگیری را شروع کنید ...

۱۷
مجموعه آموزش های داده کاوی یا Data Mining در متلب

مجموعه آموزش های داده کاوی یا Data Mining در متلب

مدرس: دکتر سیدمصطفی کلامی هریس

مجموعه فرادرس های داده کاوی یا Data Mining در متلب عنوان مجموعه ای از فیلم های آموزشی است، که در مجموع شامل بیست و چهار ساعت برنامه آموزشی تخصصی در زمینه داده کاوی و مباحث آن، پیاده سازی آن ها در محیط متلب و کاربردهای آن ها می باشد. 

یادگیری را شروع کنید ...

۱۸
گنجینه آموزش های یادگیری ماشین و داده کاوی

گنجینه آموزش های یادگیری ماشین و داده کاوی

مدرسین: دکتر سیدمصطفی کلامی هریس و دکتر اسماعیل آتشپز گرگری

گنجینه فرادرس های یادگیری ماشین و داده کاوی شامل مجموعه ای از فیلم های آموزشی در مورد مبانی و مباحث یادگیری ماشین و داده کاوی است، که به صورت تئوری و عملی (پیاده سازی گام به گام در متلب) ارائه شده است. گنجینه فرادرس های یادگیری ماشین و داده کاوی، شامل تقریبا ۸۸ ساعت برنامه آموزشی تخصصی است که منبعی بی نظیر برای آموزش مباحث یادگیری ماشین و داده کاوی محسوب می شود.

یادگیری را شروع کنید ...

۱۹
آموزش یادگیری ماشین

آموزش یادگیری ماشین

مدرس: دکتر امیر حسین کیهانی پور

بخش نخست این دوره آموزشی، به مرور روش های پایه در حوزه یادگیری ماشین، اختصاص یافته است. در این بخش، طیف وسیعی از روش های یادگیری کلاسیک مورد مطالعه قرار می گیرد. سپس در بخش دوم آموزش، به بیان روش های مختلف یادگیری تقویتی (Reinforcement Learning) به عنوان یک رویکرد نوین و کارآمد در مقوله یادگیری ماشین می پردازیم و انواع مختلف روش های یادگیری تقویتی را بررسی می کنیم. همچنین به منظور آشنایی با کاربردهای روش های یادگیری تقویتی در حل مسائل واقعی، نمونه هایی از به کارگیری این روش ها نیز معرفی شده است.

یادگیری را شروع کنید ...

به همراه دهها آموزش دیگر مرتبط با «یادگیری ماشین و بازشناسی الگو»

برای مشاهده آموزش های مرتبط دیگر، در میان ۳ هزار ساعت آموزش منتشر شده در فرادرس، جستجو کنید ...

موضوعات آموزشی مرتبط




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