×
۶۰,۰۰۰ تومان تا ۱۶۰ هزار تومان تخفیف

آموزش شبکه عصبی GMDH به همراه پیاده سازی عملی در متلب

آموزش شبکه عصبی GMDH به همراه پیاده سازی عملی در متلب

تعداد دانشجو
۱,۸۵۴ نفر
مدت زمان
۴ ساعت و ۱۶ دقیقه
هزینه عادی آموزش
۶۰,۰۰۰ تومان
در طرح تخفیف
تا ۱۶۰ هزار تومان تخفیف (کسب اطلاعات بیشتر +)
محتوای این آموزش
تضمین کیفیت
۲۹ بازخورد (مشاهده نظرات)
آموزش شبکه عصبی GMDH به همراه پیاده سازی عملی در متلب

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.

آموزش شبکه عصبی GMDH به همراه پیاده سازی عملی در متلب

مدت زمان
۴ ساعت و ۱۶ دقیقه
هزینه عادی آموزش
۶۰,۰۰۰ تومان
در طرح تخفیف
تا ۱۶۰ هزار تومان تخفیف

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

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 شونده 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 این، 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 مساله پیش بینی سری زمانی به صورت مساله 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 الگوریتم
  • 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 مساله 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 مساله 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

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 و پیاده سازی مقدماتی شبکه عصبی GMDH 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: ۳۶ مگابایت -- (کلیک کنید +))

۲. پیاده سازی نهایی شبکه عصبی GMDH 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: ۶۶ مگابایت -- (کلیک کنید +))

۳. پیش بینی سری زمانی با شبکه عصبی GMDH در متلب
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۴. طبقه بندی یا Classification با شبکه عصبی GMDH در متلب
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
این آموزش شامل ۴ جلسه ویدئویی با مجموع ۴ ساعت و ۱۶ 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 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 (نمایش آنلاین + دانلود)
حجم دانلود ۵۲۴ 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 ۱,۸۵۴ نفر از این آموزش استفاده کرده اند و ۲۹ نظر ثبت شده است.
محمد حسین
محمد حسین

کیفیت آموزش و سطح عملی مدرس، حس خوبی رو منتقل میکنه. اما یک اشکال بزرگ وجود داره. من با هدف اینکه بتونم با یک دیتا ست به یک رابطه برسم و اون رابطه رو در جاهای دیگه استفاده کنم، این آموزش رو تهیه کردم. در آموزش صرفا پیشبینی سیستم، با داده های موجود مقایسه میشه. در حالی که انتظار میرفت با داده های جدید بشه عملکرد سیستم رو پیشبینی کرد. یا به عبارت دیگه با ورودی های جدید بشه از سیستم خروجی گرفت. ضریب c که معرفی شد احساس کردم که در آخر با استفاده از این ضریب به یک معادله خواهیم رسید. اما به نظرم آموزش کامل نبود و ابتر ماند. صرف اینکه به این نتیجه برسیم که سیستم درست کار میکنه یا نه بدون اینکه نشه ازش به رابطه و یا یک خروجی کلی رسید به چه درد میخوره؟

مهدی وقاری
مهدی وقاری

سلام
این نحوه کد نویسی و دیباگ کردنتون باعث میشه دقیق تر ساختار کد درک بشه. عالی بود خیلی ممنون

زهره
زهره

من از آموزش ایشون برای پایان نامم استفاده کردم از نظر برنامه نویسی آموزش های ایشون کامل و روان و ساده هستند و آموزش رو مشاهده میکنی قطعا نتیجه میگیری چون مفهومی هستند.

زیبا
زیبا

خیلی برام کارایی نداشت. خیلی خوب توضیح داده نشده بود. برای من ملموس نبود چون از قبل هم آشنایی نداشتم.

محمدرضا
محمدرضا

با سلام و عرض ادب
ضمن تشکر از تدریس استاد گرامی، لطفا در خصوص اینکه بعد از مدل سازی و بدست اوردن حداقل خطای مطلوب، چطور می تونیم داده های جدید سری زمانی را به شبکه فید کنیم و پیش بینی لگ بعدی رو به ما نشون بده. در تمامی مثال ها که استاد اشاره کردن ، فقط داد ه های آموزش و تست نشون داده می شن و اشاره ای به لگ بعدی نشده است. ممنونم میشم راهنمایی بفرمایند.
با تشکر

محسن
محسن

محتوا خوب بود مطالب شفاف ارائه شده بود.
تقریبا هر روز سایت چک میکنم لطفا آموزش های پیش ثبت نام زودتر منتشر کنید.

فاطمه سادات
فاطمه سادات

وقت بخیر. استاد به صورت عملی و کاملا در متلب آموزش دادند و همین که کد ها رو هم در اختیار قرار داده بودند، خیلی خوب بود.

سورنا
سورنا

بيان و گفتار واضح بود تنها انتقادی که داشتم اين هست که سعی کنيد از ديتاست های واقعی استفاده کنيد.

محمد
محمد

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؟

روابط عمومی
روابط عمومی

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

مهمان
مهمان

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.

برچسب‌ها:
Alexey Ivakhnenko | ANN | Application of GMDH in Classification | Application of GMDH in Regression | Application of GMDH in Time-Series Prediction | Artificial Neural Networks | Benign Tumor | Body Fat Estimation | Bodyfat Estimation | Breast Cancer | Cancer Classification | Chaos | Chaotic Time-series | Chemical Sensor Estimation | Classification | Classifier | Confusion Matrix | Data Division | Economical Time-Series Prediction | Environmental Time-Series Prediction | Error Histogram | Function Approximation | Gas Price Prediction | Glass type classification | Global Ice Volume | GMDH in MATLAB | GMDH Neural Networks | GMDH Neural Networks in MATLAB | Group Method of Data Handling | House Price Estimation | Ivakhnenko | Least Squares | Mackey-Glass | Malignant Tumor | Matrix Pseudo-inverse | Neural Networks | Nonlinear Regression | Oil Price Prediction | plotconfusion | plotregression | Polynomial Neural Networks | Polynomial Neuron | Pseudo-inverse | Regression | Regression Plot | Sensor Estimation | Solar Sunspots | Test Data | time series | Time series prediction | Time-series modeling | Time-series modelling | Train Data | Tumor Type Classification | Tumor Type Detection | ایواخننکو | ایواکننکو | بازشناسی الگو | پیش بینی حجم یخ در کره زمین | پیش بینی حجم یخ در کل جهان | پیش بینی سری زمانی | پیش بینی سری زمانی آشوبی | پیش بینی سری های اقتصادی | پیش بینی سری های زمانی | پیش بینی سری های زیست محیطی | پیش بینی قیمت گاز | پیش بینی قیمت نفت خام | پیش بینی لکه های خورشیدی | تابع plotconfusion | تابع plotregression | تخمین تابع | تخمین چربی بدن | تخمین حالت فرایند شیمیایی | تخمین حجم یخ در کره زمین | تخمین حجم یخ در کل جهان | تخمین خروجی حسگر شیمیایی | تخمین خروجی سنسور شیمیایی | تخمین درصد چربی بدن | تخمین قیمت املاک | تشخیص نوع تومور | تشخیص نوع تومور سرطانی | تشخیص نوع سرطان | تشخیص نوع سرطان پستان | تشخیص نوع سرطان سینه | تقسیم بندی داده ها | تومور بد خیم | تومور بدخیم | تومور خوش خیم | داده آزمایش | داده آموزش | رگرسیون | رگرسیون غیر خطی | روش GMDH | سرطان پستان | سرطان سینه | سری زمانی مکی-گلاس | سری زمانی مکی-گلس | سری های زمانی چند متغیره | شبکه عصبی | شبکه عصبی GMDH | شبکه عصبی GMDH در متلب | شبکه عصبی چند جمله ای | شبه معکوس | شبه معکوس ماتریس | طبقه بندی | طبقه بندی نوع شیشه | کاربرد GMDH در پیش بینی سری زمانی | کاربرد GMDH در رگرسیون | کاربرد GMDH در طبقه بندی | کلاسیفایر | کلاسیفیکیشن | کمترین مربعات | کمترین مربعات خطا | ماتریس تداخل | مدل سازی سری های زمانی | مدل سازی غیر خطی | مدلسازی غیر خطی | معکوس ماتریس های غیر مربعی | نمودار Regression | نمودار رگرسیون | نورون چند جمله ای | هیستوگرام خطا
مشاهده بیشتر مشاهده کمتر

×
فهرست جلسات ۴ جلسه ویدئویی