هزینه آموزش
۲۳,۰۰۰ تومان

آموزش شبکه عصبی GMDH به همراه پیاده سازی عملی در متلب

آموزش شبکه عصبی GMDH به همراه پیاده سازی عملی در متلب

تعداد دانشجو
۱,۷۶۰ نفر
مدت زمان
۴ ساعت و ۱۶ دقیقه
هزینه آموزش
۲۳,۰۰۰ تومان
محتوای این آموزش
۲۸ 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

تعداد دانشجو
۱,۷۶۰ نفر
مدت زمان
۴ ساعت و ۱۶ دقیقه
هزینه آموزش
۲۳,۰۰۰ تومان
محتوای این آموزش
۲۸ 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
مشاهده بیشتر مشاهده کمتر

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: ۶۵ 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.

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 (لینک دانلود)
حجم دانلود ۶۰۶ مگابایت (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)

آموزش‌های پیشنهادی برای شما

نظرات

تا کنون ۱,۷۶۰ نفر از این آموزش استفاده کرده اند و ۲۸ نظر ثبت شده است.
مهدی وقاری
مهدی وقاری

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

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

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.

سورنا
سورنا

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

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.

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.

farhad
farhad

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.

amir
amir

با عرض سلام و خسته نباشید و تشکر ویژه بابت سایت پربارتان. بنده مجموعه آموزشی شبکه های عصبی GMDH را در حدود 1 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

علیرضا
علیرضا

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.

محمد
محمد

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 5 کلاس دارند وعملاً با این روش قابل استفاده نیستند.)

امیر
امیر

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.

محمد
محمد

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.

ایل بیگی
ایل بیگی

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.

مهدی گلشن
مهدی گلشن

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

سعید خوشحال
سعید خوشحال

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

مجتبی حسنلو
مجتبی حسنلو

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

سیاوش قلیچی
سیاوش قلیچی

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.

دانیال شهرابی فراهانی
دانیال شهرابی فراهانی

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

مهدی
مهدی

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

عباس طغرایی
عباس طغرایی

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

نوید رضایی
نوید رضایی

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

عباس پارسائی
عباس پارسائی

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 0 تا 100 این موضوع را بیاموزد با این آموزش 90 درصد راه را رفته است.

سعید
سعید

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؟

روابط عمومی
روابط عمومی

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 خص


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 ×