×
۵۵,۰۰۰ تومان
۳۳,۰۰۰ تومان

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

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

هزینه آموزش
۵۵,۰۰۰ تومان
تخفیف ۴۰ درصدی
۳۳,۰۰۰ تومان

تعداد دانشجو
۱,۲۸۲ نفر
مدت زمان
۲ ساعت و ۴۱ دقیقه
محتوای این آموزش
تضمین کیفیت
۲۰ بازخورد (مشاهده نظرات)
آموزش طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب MATLAB

در فیلم آموزشی «طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب»، مبانی تئوری 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 مساله طبقه بندی مورد استفاده قرار گرفته است.

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

تعداد دانشجو
۱,۲۸۲ نفر
مدت زمان
۲ ساعت و ۴۱ دقیقه
هزینه عادی آموزش
۵۵,۰۰۰ تومان
در طرح تخفیف
۳۳,۰۰۰ تومان

(کسب اطلاعات بیشتر +)
محتوای این آموزش
۲۰ بازخورد (مشاهده نظرات)

دکتر سید مصطفی کلامی هریس

دکتری تخصصی مهندسی برق - کنترل

دکتر سید مصطفی کلامی هریس یکی از بنیانگذاران و مدیران کنونی فرادرس و از اعضای هیات علمی آن است. ایشان دارای مدرک دکترای تخصصی در رشته مهندسی برق - کنترل، از دانشگاه صنعتی خواجه نصیرالدین طوسی (قطب علمی کنترل صنعتی) هستند و زمینه های پژوهشی و کاری تخصصی ایشان، در حوزه های مختلف مهندسی کنترل و سیستم های هوشمند بوده است.

توضیحات تکمیلی

در فیلم آموزش شبکه عصبی LVQ در متلب ، مبانی تئوری 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 مساله طبقه بندی مورد استفاده قرار گرفته است.

شبکه عصبی Learning Vector Quantization (به اختصار LVQ) یکی از انواع شبکه های عصبی با الگوی یادگیری نظارت شده است که کاربرد اصلی آن در حل مسائل طبقه بندی (Classification) و بازشناسی الگو (Pattern Recognition) است. این روش، از خویشاوندان نزدیک نگاشت های خود سازمان ده یا Self-Organizing Maps (به اختصار SOM) است و شباهت های زیادی نیز با رویکرد طبقه بندی نزدیک ترین همسایگی یا kNN دارد.

شبکه عصبی LVQ، که می توان در فارسی آن را به صورت «رقمی ساز بردار یادگیر» ترجمه نمود، در واقع نسخه نظارت شده SOM است که البته فاقد ساختار همسایگی است. برای طراحی این نوع از شبکه های عصبی، چندین الگوریتم تا کنون پیشنهاد شده اند، که عنوان و توضیح مختصر چند نوع معروف تر، در ادامه آمده است:

  • الگوریتم LVQ1: این روش، پایه ای ترین رویکرد برای طراحی و آموزش شبکه های عصبی LVQ است. در این رویکرد، که شباهت بسیار زیادی هم به الگوریتم های SOM و VQ دارد، در آن واحد، فقط یکی از نورون ها (مراکز کلاس ها) به روز می شود. ضمنا، در این الگوریتم، شبکه عصبی LVQ علاوه بر موارد موفق، از مثال های ناموفق نیز درس می گیرد، که در نهایت منجر به عملکرد بهینه شبکه عصبی LVQ می گردد.
  • الگوریتم OLVQ1: این روش، نسخه بهینه شده LVQ1 است که در آن نرخ یادگیری، به صورت تطبیقی و بهینه تعیین می گردد. در این رویکرد، نرخ یادگیری طوری تنظیم می شود که همه نمونه های مورد استفاده در آموزش، با وزن ثابتی در یادگیری شبکه عصبی دخیل باشند و از این رو، از نظر آماری، بهترین عملکرد ممکن به دست می آید.
  • الگوریتم های LVQ2 و LVQ2.1: در این الگوریتم ها، که تفاوت چندانی هم با هم ندارند، هم زمان دو مرکز و نورون به روز می شوند که این موضوع، در نهایت منجر به عملکرد سریع تر این الگوریتم خواهد شد. شرط انجام این به روز رسانی، درست بودن طبقه بندی به ازای یک نورون و نادرست بودن آن به ازای یک نورون دیگر است. در این حالت، اگر داده ارائه شده به شبکه عصبی، در پنجره مشخصی در میان دو کلاس قرار گیرد، با استفاده از قوانین یادگیری، مراکز هر دو کلاس به روز خواهند شد.
  • الگوریتم LVQ3: این الگوریتم شامل همه عملیات LVQ2.1 است و علاوه بر آن، برای حالتی نیز که هر دو نورون طبقه بندی درستی را ارائه دهند، قانون یادگیری ضعیفی پیش بینی شده است تا مقداری به سرعت آموزش شبکه عصبی، افزوده شود.

در فیلم آموزشی «طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب»، مبانی تئوری 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 مساله طبقه بندی مورد استفاده قرار گرفته است. مدرس این مجموعه آموزش، دکتر سید مصطفی کلامی هریس (دکترای مهندسی کنترل از دانشگاه صنعتی خواجه نصیرالدین طوسی) است.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • تعریف مساله Vector Quantization (به اختصار VQ)
  • کاربرد VQ در خوشه بندی و طبقه بندی
  • بررسی مفهوم رقابت در VQ
  • نمودار یا دیاگرام ورونو یا Voronoi Diagram
  • ترسیم نمودار ورونو در متلب
  • الگوریتم بهینه VQ برای یادگیری غیر نظارت شده
  • الگوریتم LVQ1 برای یادگیری نظارت شده و طبقه بندی
  • شباهت میان LVQ و نگاشت خود سازمان ده یا SOM
  • الگوریتم بهینه سازی شده OLVQ1 با تغییر در نرخ یادگیری
  • نحوه تعیین نرخ یادگیری بهینه در الگوریتم OLVQ1
  • الگوریتم LVQ2 و LVQ2.1 برای یادگیری نظارت شده دیفرانسیلی (تفاضلی)
  • الگوریتم LVQ3 برای یادگیری نظارت شده
  • بررسی شباهت میان LVQ و ساختار عمومی شبکه های عصبی
  • ایجاد شبکه عصبی LVQ در متلب با استفاده از تابع lvqnet
  • انتخاب الگوریتم یادگیری Learnlv1 و/یا Learnlv2 برای آموزش شبکه عصبی LVQ
  • بررسی ساختار و نحوه کارکرد شبکه عصبی LVQ در متلب
  • آماده سازی داده های مورد نیاز برای آموزش شبکه عصبی LVQ
  • کاربرد توابع Vec2Ind و Ind2Vec در تبدیل و تغییر داده های خروجی
  • استفاده از تابع Configure برای تطبیق ساختار شبکه عصبی با داده ها
  • استفاده از تابع train برای آموزش شبکه عصبی LVQ
  • بررسی نتایج طبقه بندی (Classification) با ماتریس تداخل یا Confusion Matrix
  • نمایش ماتریس تداخل با تابع Plotconfusion
  • نمایش نتایج طبقه بندی به صورت بصری (ویژوال)
  • آشنایی با دیتاست گل زنبق یا Fisher Iris Flower Dataset
  • پروژه عملی: اعمال شبکه عصبی LVQ بر روی دیتاست ایریس یا Iris (گل زنبق)
  • تقسیم بندی داده های ورودی به داده های آموزش (Train)، اعتبارسنجی (Validation) و آزمایش (Test)
  • تنظیم تعداد مراحل اجرای الگوریتم آموزش LVQ
  • تنظیم تعداد دفعات مجاز برای ناموفق بودن (Fail شدن) آزمون اعتبار سنجی
  • آشنایی با مفهوم نمودار ROC و تفسیر آن
  • ترسیم نمودار ROC در متلب با استفاده از تابع Plotroc
  • پروژه عملی: کاربرد شبکه عصبی LVQ برای تعیین نوع تومور (خوش خیم/ بد خیم) در سرطان سینه
  • ترکیب الگوریتم های آموزشی LVQ1 و LVQ2.1 در متلب

آنچه در این آموزش خواهید دید:

آموزش ویدئویی مورد تائید فرادرس
فایل برنامه ها و پروژه های اجرا شده
فایل PDF یادداشت‌ های ارائه مدرس




پیش نمایش‌ها

۱. مباحث تئوری طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۲۸ مگابایت -- (کلیک کنید +))

۲. پیاده سازی عملی طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۴۸ مگابایت -- (کلیک کنید +))

این آموزش شامل ۲ جلسه ویدئویی با مجموع ۲ ساعت و ۴۱ دقیقه است.
با تهیه این آموزش، می‌توانید به همه بخش‌ها و جلسات آن، دسترسی داشته باشید.

راهنمای سفارش 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 ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
  • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه


اطلاعات تکمیلی

نام آموزش آموزش طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب MATLAB
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۴۹۶۲۴ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش FVRML110
مدت زمان ۲ ساعت و ۴۱ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)
حجم دانلود ۲۶۴ مگابایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس)


تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می‌شود.


آموزش‌های پیشنهادی برای شما


نظرات

تا کنون ۱,۲۸۲ نفر از این آموزش استفاده کرده اند و ۲۰ نظر ثبت شده است.
علی
علی
۱۴۰۰/۱۰/۱۱

سلام و احترام به شما
نحوه کار با نرم افزار و کد زنی خیلی عالی بود ولی به نظرم باید مباحث ریاضی بیشتر توضیح میدادن.
تسلط مدرس خیلی عالی بود محتوا کیفیت لازم داشت و مطالب به خوبی انتقال داده شد و برای من مفید و کاربردی بود.

بهزاد
بهزاد
۱۴۰۰/۰۸/۰۵

خب آموزش های شما و سایت شما برای من در اولویت هست برای خرید و اگر بخوام آموزشی تهیه کنم اول سراغ سایت شما میام.

علی
علی
۱۴۰۰/۰۲/۱۱

ایشان جز بهترین مدرس های شما هستند تسلط خیلی بالایی دارن

فاطمه فلاحتی
فاطمه فلاحتی
۱۳۹۹/۱۲/۲۵

سلام. من اموزش پیش نمایش این موضوع رو دیدم و محتوا رو تهیه کردم. اموزش پیش نمایش که خیلی عالی بود. تشکر ویژه از اقای دکتر که خیلی عالی توضیح دادند . من از کلاس های دانشگاه که نفهمیدم ال وی کیو چیه ولی اینجا خیلی خیلی عالی از همه ابعاد بهش پرداختند تا فهم این موضوع راحت تر بشه.بقیه فایل رو هم میبینم و میام نظر میدم
ممنون از فرادرس. تو بی نظیری

رضا
رضا
۱۳۹۸/۱۰/۱۵

نسبتا بد نبود

محمدحسین
محمدحسین
۱۳۹۸/۱۱/۰۱

مباحث ارائه شده واقعا عالی بود تنها موردی که وجود داشت یه مقدار کتابی صحبت می کردن اگر مدرسین روانتر مطالب بیان کنند عالی میشه

آرش
آرش
۱۳۹۸/۱۲/۰۳

ایشان یکی از بهترین مدرسین هستند که دارای بیان خوبی برای انتقال مفاهیم دارند.

هادی
هادی
۱۳۹۶/۰۷/۰۸

فقط در یک کلام: دکتر کلامی خیلی مردی. امام حسین (ع) پشت و پناهت

علیرضا
علیرضا
۱۳۹۴/۱۱/۱۷

با عرض سلام و خسته نباشید و تشکر ویژه بابت آموزش های بی نظیرتون. بنده با کمک آموزش طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ 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. واقعا آموزش های شما جامع و منحصر به فرد است و هزینه هر آموزش در مقابل مطالبی که یاد می گیریم بسیار ناچیز است.

محمد
محمد
۱۳۹۴/۰۹/۲۶

با سلام؛
در این آموزش خوشبختانه شبکه به صورتی پیاده سازی است که به تعداد ورودی و خروجی داده وابستگی ندارد و فقط کافی است که در قسمت %% Load Data داده هایمان را در برنامه وارد کنیم و برنامه بدون مشکلی اجرا می شود.
در کل تدریس دکتر کلامی هریس بسیار مفید بوده است.
خدا قوت. همینطور به ارائه آموزش های مفید ادامه دهید.

برچسب‌ها:
ANN | Application of ANN in Medicine | Application of Artificial Intelligence in Medicine | Application of Artificial Neural Networks in Medicine | Application of Machine Learning in Medicine | Application of Neural Networks in Medicine | Application of Pattern Recognition in Medicine | Artificial Neural Network | Artificial Neural Networks in MATLAB | Artificial Neural Networks Toolbox | Benign Tumor | Breast Cancer | Classification | Classifier | Clustering | Competitive Learning | Competitive Neural Network | configure | Confusion Matrix | Data Division | Fisher Iris Dataset | Fisher Iris Flower Dataset | Hybrid LVQ1 and LVQ2.1 | Iris Dataset | Iris Flower Dataset | Learning Vector Quantization | learnlv1 | learnlv2 | LVQ | LVQ1 | LVQ2 | LVQ2.1 | LVQ3 | lvqnet | Machine Learning | Malignant Tumor | Medical Applications of ANN | Medical Applications of Artificial Intelligence | Medical Applications of Artificial Neural Networks | Medical Applications of Machine Learning | Medical Applications of Neural Networks | Medical Applications of Pattern Recognition | Medical Diagnosis | Neural Networks in MATLAB | Neural Networks Toolbox | OLVQ1 | Optimizaed LVQ1 | Pattern Recognition | Pattern Recognition in MATLAB | plotconfusion | ROC Plot | supervised learning | Test Data | train | Train Data | Tumor Type | Unsupervised Learning | Validation Data | Vector Quantization | Vector Quantization Algorithm | Voronoi | Voronoi Diagram | VQ | الگوریتم LVQ1 | الگوریتم LVQ1 بهینه شده | الگوریتم LVQ2 | الگوریتم LVQ2.1 | الگوریتم LVQ3 | الگوریتم OLVQ1 | الگوریتم VQ | بازشناسی الگو | بازشناسی الگو در متلب | تابع configure | تابع learnlv1 | تابع learnlv2 | تابع lvqnet | تابع plotconfusion | تابع plotroc | تابع train | ترکیب الگوریتم های های LVQ1 و LVQ2.1 | تشخیص پزشکی | تشخیص نوع تومور | تشخیص نوع سرطان | تعیین نوع تومور | تقسیم بندی داده ها | تولباکس شبکه عصبی | تولباکس شبکه عصبی مصنوعی | تومور بد خیم | تومور بدخیم | تومور خوش خیم | جعبه ابزار شبکه عصبی | جعبه ابزار شبکه عصبی مصنوعی | خوشه بندی | داده های Test | داده های Train | داده های Validation | داده های آزمایش | داده های آموزش | داده های اعتبار سنجی | داده های اعتبارسنجی | داده های تست | دیاگرام Voronoi | دیاگرام ورونو | دیاگرام ورونوی | دیتاست Iris | دیتاست ایریس | دیتاست گل زنبق | رقمی ساز بردار یادگیر | سرطان پستان | سرطان سینه | شبکه عصبی LVQ | شبکه عصبی در متلب | شبکه عصبی رقابتی | طبقه بندی | کاربرد بازشناسی الگو در پزشکی | کاربرد شبکه عصبی در پزشکی | کاربرد هوش مصنوعی در پزشکی | کاربرد یادگیری ماشین در پزشکی | کلاسیفایر | کلاسیفیکیشن | ماتریس Confusion | ماتریس تداخل | نرخ یادگیری | نرخ یادگیری بهینه | نمودار ROC | نمودار ورونو | نمودار ورونوی | یادگیری رقابتی | یادگیری غیر نظارت شده | یادگیری نظارت شده
مشاهده بیشتر مشاهده کمتر
×
فهرست جلسات ۲ جلسه ویدئویی
×