آموزش شبکه های عصبی گازی به همراه پیاده سازی عملی در متلب
چکیده
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.
توضیحات تکمیلی
شبکه عصبی گازی و کاربردهای آن
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. الگوریتم پایه شبکه عصبی گازی در سال ۱۹۹۱ و توسط توماس مارتینز (Thomas Martinetz) و کلاوز شولتن (Klaus Schulten) ارائه شد. متن این مقاله از طریق این لینک (+) در دسترس 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.
از مهم ترین زمینه های کاربردی شبکه های عصبی گازی، می توان به بخش بندی تصویر (Image Segmentation)، فشرده سازی (Compression)، تشخیص گفتار (Speech Recognition) و بازشناسی الگو (Pattern Recognition) اشاره کرد.
شبکه عصبی گازی رشد یابنده یا GNG
در سال 1995، یک الگوریتم توسعه یافته به نام شبکه گازی عصبی رشد یابنده یا Growing Neural Gas Network (به اختصار GNG Network) توسط برند فریتزکه (Bernd Fritzke) معرفی شد. متن این مقاله از طریق این لینک (+) در دسترس است.
در شبکه عصبی GNG، بر خلاف شبکه گاز عصبی عادی، ساختار شبکه عصبی با تعداد دو نورون کار را شروع می کند و بر حسب نیاز، اندازه شبکه به صورت تطبیقی، کم یا زیاد می شود. الگوی یادگیری و به روز رسانی همسایگی در GNG تفاوت هایی را با الگوریتم پایه شبکه عصبی گازی دارد که این شبکه را قادر به حل سریع تر مسائل یادگیری غیر نظارت شده می کند.
آنچه در این فرادرس خواهید دید
در مجموعه آموزشی «شبکه های عصبی گازی به همراه پیاده سازی عملی در متلب»، که توسط دکتر سید مصطفی کلامی هریس بر روی فرادرس ارائه شده است، مبانی تئوری شبکه های عصبی گازی و شبکه عصبی GNG به صورت کامل تشریح شده اند و پیاده سازی گام به گام و عملی آن ها در محیط متلب، در ادامه مورد بحث واقع شده است.
فهرست سرفصل ها و مباحث مطرح شده در این آموزش، در ادامه آمده است:
- آشنایی با شبکه عصبی گازی یا Neural Gas Network و تاریخچه آن
- ارائه مثال هایی از شیوه عملکرد شبکه عصبی گازی
- آشنایی با شبکه عصبی گازی رشد یابنده
- مروری بر الگوریتم های Vector Quantization و یادگیری رقابتی
- بررسی شیوه یادگیری الگوریتم گاز عصبی
- بررسی شیوه ایجاد همسایگی و توپولوژی در الگوریتم گاز عصبی
- تشریح مراحل الگوریتم آموزش گاز عصبی
- پیاده سازی گام به گام الگوریتم گاز عصبی در محیط متلب
- تغییر تدریجی پارامترهای الگوریتم
- استفاده از الگوریتم پیاده سازی شده برای حل سه مثال
- تشریح کامل شبکه عصبی گازی رشد یابنده یا GNG
- پیاده سازی گام به گام الگوریتم GNG در محیط متلب
- اعمال الگوریتم GNG بر روی سه مثال
آنچه در این آموزش خواهید دید:
پیش نمایش‌ها
۱.
مبانی تئوری شبکه های عصبی گازی
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: ۱۸ مگابایت -- (کلیک کنید +))
۲.
پیاده سازی عملی شبکه عصبی گازی 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: ۵۴ مگابایت -- (کلیک کنید +))
۳.
شبکه های عصبی گازی رشد یابنده
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.راهنمای سفارش آموزش‌ها
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 های عصبی گازی به همراه پیاده سازی عملی در متلب |
|---|---|
| ناشر | فرادرس |
| شناسه اثر | ۸–۱۲۴۵۲–۰۵۰۰۷۴ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد) |
| کد آموزش | FVRML112 |
| مدت زمان | ۳ ساعت و ۱۶ دقیقه |
| زبان | فارسی |
| نوع آموزش | آموزش ویدیویی (لینک دانلود) |
| حجم دانلود | ۳۵۲ مگابایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس) |
نظرات
alireza
با سلام
جناب دکتر کلامی ممنون از اموزش بسیار شیوا وخوبتون.
علیرضا
با عرض سلام و خسته نباشید و تشکر ویژه بابت آموزش های بی نظیرتون.
بنده با کمک آموزش شبکه های عصبی گازی 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.
درخواستی که دارم، در صورت امکان در زمینه طبقه بندی و شناسایی رفتار انسان با استفاده از شبکه های عصبی به صورت پیشرفته نیز درس هایی طراحی و ارائه گردد. 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.
محسن شاکری
بسیار عالی بود و از آن در انجام پایان نامه ام بهره مند شدم.
شیرین سجادی
خسته نباشید. پیشنهاد دارم در آموزش هایتان بیشتر مسائل کلی و کلیات را مطرح کنید و جزئیات را کم کنید.
محمد باقری
با سلام. مباحث عملی بسیار عالی بودند.
امیررضا خواجه وند
تشکر از سایت خوبتان. این آموزش بسیار عالی بود مانند همه آموزش های آقای دکتر کلامی حرف نداشت.
میلاد مرادی حیدرلو
سلام. تمام مطالبی که باید در چندین کتاب بگردیم و تهیه کنیم رو توی اموزش های شما پیدا میکنیم خیلی خلاصه و جامع گفته میشه. پشتیبانی انلاینتون هم خیلی خوبه.
مرتضی معین
خیلی عالی بود. آموزش های آقای دکتر کلامی عالی هستند. ایشان بسیار خوب توضیح می دهند. و این آموزش بسیار برایم مفید بود.
حمیدرضا امامی
بسیار خوب است. من این آموزش را برای پایان نامه ام تهیه کردم. به نظرم بخش تئوری بیشتر مطرح شده است.
mostafa
سلام
واقعا باید به بنیان گذاران این سایت آفرین گفت از جمله آقای دکتر کلامی و آقای دکتر آتش پز
به خاطر بیان شیوا و گذاشتن آموزش های کاربردی و هدفمند