×
۴۰,۰۰۰ تومان تا ۱۵۰ هزار تومان تخفیف

آموزش انتخاب ویژگی با استفاده از الگوریتم های فراابتکاری و تکاملی

آموزش انتخاب ویژگی با استفاده از الگوریتم های فراابتکاری و تکاملی

تعداد دانشجو
۲,۱۵۵ نفر
مدت زمان
۴ ساعت و ۸ دقیقه
هزینه عادی آموزش
۴۰,۰۰۰ تومان
در طرح تخفیف
تا ۱۵۰ هزار تومان تخفیف (کسب اطلاعات بیشتر +)
محتوای این آموزش
تضمین کیفیت
۲۹ بازخورد (مشاهده نظرات)
آموزش انتخاب ویژگی با استفاده از الگوریتم های فراابتکاری و تکاملی

در این فرادرس، سعی شده است با نگرشی جامع، رویکردهای تکاملی و فراابتکاری برای حل مساله 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.

آموزش انتخاب ویژگی با استفاده از الگوریتم های فراابتکاری و تکاملی

مدت زمان
۴ ساعت و ۸ دقیقه
هزینه عادی آموزش
۴۰,۰۰۰ تومان
در طرح تخفیف
تا ۱۵۰ 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

مساله انتخاب ویژگی با استفاده از الگوریتم های فراابتکاری و تکاملی یا Feature Selection (و یا Feature Subset Selection) یکی از زیر مجموعه های مساله استخراج ویژگی یا Feature Extraction است و در حوزه های مختلف یادگیری ماشینی و داده کاوی مطرح می شود. در حالت کلی این مساله دارای راه حل قطعی نیست و تا کنون روشی دقیق برای حل آن پیشنهاد نشده است. رویکردهای مختلفی به صورت کلاسیک برای این مساله ها پیشنهاد شده اند که معمولا کیفیت پاسخ آن ها، به صورت عمومی چندان مناسب و مطلوب نیست.

اما در مقابل، روش های بهینه سازی هوشمند می توانند در حل این مسائل، راه حل های به مراتب بهتری را ارائه نمایند. از این رو، یکی از روش های موثر و سازنده در مسیر حل مسائل انتخاب ویژگی و مسائل مرتبط با آن، استفاده از روش های بهینه سازی فراابتکاری و الگوریتم های تکاملی است.

در این مجموعه آموزشی، سعی شده است با نگرشی جامع، رویکردهای تکاملی و فراابتکاری برای حل مساله 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. در این مجموعه آموزشی، از الگوریتم های زیر برای حل مساله انتخاب ویژگی استفاده شد است:

  • الگوریتم ژنتیک باینری یا GA
  • بهینه سازی کلونی مورچگان یا ACO
  • شبیه سازی تبرید یا SA
  • بهینه سازی ازدحام ذرات یا PSO
  • تکامل تفاضلی یا DE
  • الگوریتم ژنتیک با مرتب سازی نامغلوب (نسخه دوم) یا NSGA - II

مطالب و نکات آموزشی مورد اشاره در این آموزش، توسط دکتر سیدمصطفی کلامی هریس (فارغ التحصیل دکترای مهندسی برق-کنترل، دانشگاه صنعتی خواجه نصیر) ارائه شده اند، و همه موارد مطرح شده، در کنار مرور کامل بر مباحث تئوری و مفهومی، به صورت کاملا عملی و گام به گام، پیاده شده اند، و از این رو، این آموزش می تواند به عنوان یک مرجع کاملا علمی و عملی، مورد استفاده دانشجویان و دانش پژوهان باشد.

فهرست سرفصل ها و مباحث مطرح شده در این مجموعه آموزشی، در ادامه آمده اند:
  • بیان ریاضی مساله انتخاب ویژگی به صورت یک مساله بهینه سازی
  • بحث بر روی توابع هدف مطرح در مساله بهینه سازی
  • بیان مساله انتخاب به سه صورت مختلف
    • انتخاب ویژگی با تعداد ویژگی انتخابی نامعلوم
    • انتخاب ویژگی با تعداد ویژگی مطلوب از پیش تعیین شده و معلوم
    • انتخاب ویژگی به صورت چند هدفه
  • پیاده سازی گام به گام حل مساله انتخاب ویژگی با تعداد نامعلوم
    • انتخاب ویژگی با استفاده از الگوریتم ژنتیک باینری برای رگرسیون با استفاده از شبکه عصبی
  • پیاده سازی گام به گام حل مساله انتخاب ویژگی با تعداد از پیش تعیین شده و معلوم
    • کدینگ گسسته به صورت مساله بهینه سازی جایگشتی یا Permutation
      • انتخاب ویژگی با استفاده از الگوریتم مورچگان برای رگرسیون با استفاده از شبکه عصبی
      • انتخاب ویژگی با استفاده از الگوریتم شبیه سازی تبرید برای رگرسیون با استفاده از شبکه عصبی
    • کدینگ پیوسته با استفاده تکنیک کلید تصادفی یا Random Key
      • انتخاب ویژگی با استفاده از الگوریتم بهینه سازی ازدحام ذرات یا PSO برای رگرسیون با استفاده از شبکه عصبی
      • انتخاب ویژگی با استفاده از الگوریتم تکامل تفاضلی برای رگرسیون با استفاده از شبکه عصبی
  • پیاده سازی گام به گام حل مساله انتخاب ویژگی به صورت چند هدفه
    • حل مساله انتخاب ویژگی چند هدفه با استفاده از تکنیک تجزیه به چندین مساله تک هدفه
      • انتخاب ویژگی چند هدفه با استفاده از الگوریتم PSO با اجرای چند باره
    • حل مساله انتخاب ویژگی چند هدفه با استفاده از رویکردهای چند هدفه تکاملی
      • انتخاب ویژگی چند هدفه با استفاده از الگوریتم ژنتیک چند هدفه NSGA-II
    • پیاده سازی رویکردهای مورد اشاره برای انتخاب ویژگی در طبقه بندی با استفاده از شبکه عصبی
      • با استفاده از یکی دیتاست های شناخته شده NIPS به نام MADELON با ۵۰۰ ویژگی (ورودی)

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

نرم افزارهای مرتبط با آموزش

MATLAB R2014a




پیش نمایش‌ها

۱. انتخاب ویژگی با تعداد نامشخص

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: ۸۴ مگابایت -- (کلیک کنید +))

۲. انتخاب ویژگی با تعداد مشخص

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: ۵۳ مگابایت -- (کلیک کنید +))

۳. انتخاب ویژگی چند هدفه
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
این آموزش شامل ۳ جلسه ویدئویی با مجموع ۴ ساعت و ۸ 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 انتخاب ویژگی با استفاده از الگوریتم های فراابتکاری و تکاملی
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۴۴۸۵۶ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش FVRP103
مدت زمان ۴ ساعت و ۸ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)
حجم دانلود ۵۶۸ 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.





نظرات

تا کنون ۲,۱۵۵ نفر از این آموزش استفاده کرده اند و ۲۹ نظر ثبت شده است.
زهراسادات
زهراسادات

اشراف خیلی بالایی روی مباحث دارند.
تشکر می کنم از مدرس گرامی.

محمد
محمد

تسلط و بيان مدرس عالی هست.

سمیرا
سمیرا

اموزش های اقای کلامی واقعا بی نظیرن. امیدوارم همیشه سلامت و موفق باشن .

احمد شکوه سلجوقی
احمد شکوه سلجوقی

سلام. کاش اموزش هایی که به هم مرتبط هستند و پیشنیاز همدیگر هستند یا در یک پکیج بودند و یا در هر پکیج گفته میشد که به چه اموزش هایی نیاز است مثلا انتخاب ویژگی و کاهش ابعاد و الگوریتم های کلاسبندی به هم مربوط اند میبایست یک مختصری اشاره به ان مباحث شود و دانشجو بتواند به راحتی سراغ ان موضوع برود.. اموزش ها بهتر است در اینده به سمت سناریو محور و پروژه محوربرود مثلا یک مقاله یا یک پروژه را مد نظر قرار دهد و از روی آن آموزش دهد.

محمد زهری
محمد زهری

سلام و عرض ادب.

تشکر میکنم از این آموزش عالیتون. دکتر کلامی باز هم با بیانی زیبا و کامل و بدون نقص به آموزش این بخش پرداختند. بنده پایان نامه خودم رو با کمک آموزش های جامعتون تونستم پیش ببرم و بهش انتخاب ویژگی اضافه کنم و ایده های خیلی خوبی برای اتمام پایان نامم بهم داد. ضمنا کیفیت خیلی عالی بود و فکر می کنم حس کلاس آموزشی به دانشجویان القا میشه.

امیدوارم مباحث جدیدتری ارائه بشه و همچنین راه ارتباطی با اساتید نیز فراهم بشه. از فرادرس کمال تشکر رو دارم و هم چنین از آقای دکتر کلامی، واقعا لذت بردم. ممنون.

فاطمه
فاطمه

با سلام و خسته نباشید خدمت تمامی عوامل مجموعه بی نظیر فرادرس.
برای من این آموزش نیز مثل آموزش های قبل از نظر علمی و کیفی بسیار مطلوب و مناسب بود. به خصوص اینکه جناب آقای دکتر کلامی تدریس موضوع را بر عهده داشته اند. بدون اغراق به سختی می توان منبعی یافت که تا این حد مباحث را به وضوح و آماده در اختیار قرار دهد. خیلی خوبه که مباحث علاوه بر تشریح تئوری، به صورت عملی هم پیاده سازی می شوند. اگر ممکنه صفحه گفتمان گروهی برای هر مبحث تشکیل دهید تا دانشجویان بتوانند مشکلات احتمالی و تجربیات خود را در اختیار دیگران قرار دهند. همچنین دانشجویانی که آموزشی را تهیه نکرده اند با آموزش ها آشنایی بیشتری پیدا کنند.

مهدیار جهانی
مهدیار جهانی

با سلام و خسته نباشید خدمت شما و اساتید محترم.
باید اعتراف کنم که این آموزش ایده من برای انجام پایان نامم رو بهم داد. تونستم با استفاده از این الگوریتم نظر استادم رو بدست بیارم و پایان نامم رو پیش ببرم. تنها نکته ای که به نظر جای خالی اون احساس میشه اینکه این الگوریتم بعد از انتخاب ویژگی باید به یک الگوریتم مدل سازی مثل شبکه عصبی متصل بشه که پارامتر های اون با الگوریتم فرا ابتکاری تعیین میشه. یعنی بعد از اینکه تعداد ویژکی مشخص شد، خود برنامه مدل سازی و بهینه سازی رو هم شروع کنه.
بسیار از سایت خوبتون و آموزش های مفیدتون متشکرم.

سید
سید

با سلام، این آموزش خوب بود و به من خیلی کمک کرد.
ممنون از آموزش های خوبتون.

محمد
محمد

با سلام؛
این آموزش بسیار ارزنده بوده اند.
ترکیب های کاربردی در این آموزش ارائه شده بود و نقطه ضعفی مشاهده نشد.
خداقوت

محمد
محمد

با عرض سلام و خسته نباشید و تشکر ویژه بابت سایت خوبتون. من با استفاده از فیلم آموزشی انتخاب ویژگی با استفاده از الگوریتم های فراابتکاری و تکاملی و ترکیب آن با الگوریتم NSGA-II که ان را هم قبلا از سایت شما تهیه کرده بودم، توانستم بخش مهمی از شبیه سازی پایان نامه ام را انجام دهم که مورد توجه استادم هم قرار گرفت. باز هم از شما تشکر می کنم و امیدوارم در صورت امکان علاوه بر آموزش الگوریتم های بهینه سازی، نسخه های بهبود یافته آن ها را که معمولا چندین نسخه از آن ها هر ساله در مقالات مختلف معرفی می شوند آموزش داده شوند. با تشکر

برچسب‌ها:
ANN Input Selection | Artificial Neural Network Input Selection | Data Mining | Feature Extraction | Feature Selection | Feature Selection for Classification | Feature Selection for Regression | Feature Selection using ACO | Feature Selection using Ant Colony Optimization | Feature Selection using DE | Feature Selection using Differential Evolution | Feature Selection using Evolutionary Algorithms | Feature Selection using GA | Feature Selection using Genetic Algorithm | Feature Selection using Metaheuristics | Feature Selection using Multi-objective Genetic Algorithm | Feature Selection using NSGA-II | Feature Selection using Particle Swarm Optimization | Feature Selection using PSO | Feature Selection using SA | Feature Selection using Simulated Annealing | Feature Subset Selection | Machine Learning | Multi-objective Feature Selection | Neural Network Input Selection | آموزش انتخاب ویژگی با الگوریتم فرا ابتکاری | استخراج ویژگی | انتخاب زیر مجموعه ویژگی | انتخاب ورودی شبکه عصبی | انتخاب ورودی شبکه عصبی مصنوعی | انتخاب ویژگی | انتخاب ویژگی با NSGA-II | انتخاب ویژگی با الگوریتم PSO | انتخاب ویژگی با الگوریتم تکامل تفاضلی | انتخاب ویژگی با الگوریتم ژنتیک | انتخاب ویژگی با الگوریتم ژنتیک چند هدفه | انتخاب ویژگی با الگوریتم شبیه سازی تبرید | انتخاب ویژگی با الگوریتم فرا ابتکاری | انتخاب ویژگی با الگوریتم فرا ابتکاری و تکاملی | انتخاب ویژگی با الگوریتم مورچگان | انتخاب ویژگی با الگوریتم های تکاملی | انتخاب ویژگی با الگوریتم های فرا ابتکاری | انتخاب ویژگی با بهینه سازی ازدحام ذرات | انتخاب ویژگی برای رگرسیون | انتخاب ویژگی برای طبقه بندی | انتخاب ویژگی چند هدفه | حل مسأله انتخاب ویژگی با الگوریتم فرا ابتکاری | فرابتکاری | فیلم آموزشی حل مسأله انتخاب ویژگی با الگوریتم تکاملی | ویژگیاستخراج | یادگیری ماشینی
مشاهده بیشتر مشاهده کمتر

×
فهرست جلسات ۳ جلسه ویدئویی