Faradars Discount
x عدم نمایش ۴۰٪ تخفیف جشنواره تخفیف بوی ماه مهر فرادرس کد تخفیف: MHR98
Faradars Discount
فرصت باقیمانده

آموزش بازشناسی الگو – پیش ثبت نام

دسترسی به اطلاعات این آموزش: اطلاعات کلی محتوا و سرفصل ها پیش نمایش و دانلود اطلاعات تکمیلی دیدگاه ها
آموزش بازشناسی الگو

درباره ناشر

فرادرس
فرادرس

فرادرس بزرگ‌ترین ناشر دیجیتال آموزش‌های تخصصی، دانشگاهی و مهندسی است.

درباره مدرس

گروه مدرسین فرادرس
گروه مدرسین فرادرس

فرادرس از جهت فرصت آموختن، یک محیط کاملا باز (بدون هیچ مرز و شرط برای ورود) برای همه است. اما از جهت فرصت آموزش دادن، یک محیط به شدت بسته است و مدرسین آن با عبور از سخت ترین ضوابط علمی و فیلترهای مهارت آموزشی برگزیده و دستچین می شوند. در چندین سال گذشته کمتر از ۵ درصد متقاضیان تدریس در فرادرس توانسته اند به مرحله نهایی ارائه آموزش در آن برسند. ارائه یک آموزش توسط «گروه مدرسین فرادرس» تضمینی برای کیفیت آن می باشد. (+)



در بخش ابتدایی این درس ابتدا مفاهیم اولیه و دانش پایه برای طراحی سیستم های بازشناسی الگو گنجانده شده است که شامل مفاهیم ریاضی و روش های آماری مورد نیاز در این حوزه می شود. سپس در بخش دوم درس، انواع الگوریتم های مورد نیاز در حوزه بازشناسی الگو و نحوه طراحی آن ها مورد بررسی قرار می گیرد. به منظور فعال تر ساختن آموزش و آشنایی با کاربردهای عملی این درس سعی شده است تا در قسمت های مختلف تدریس، از مثال ها و تمرین هایی در نرم افزار متلب استفاده شود تا آشنایی مناسبی با نحوه به کارگیری عملی مفاهیم تئوری ارائه شده در دانشجو ایجاد شود.

 

👤 مدرس: گروه مدرسین فرادرس
روش دریافت: لینک دانلود و/یا ارسال فیزیکی

وضعیت انتشار در حال برنامه ریزی
زمان تقریبی انتشار بر حسب تعداد درخواست های دانشجویان و اولویت زمانی و آموزشی اعضای هیات علمی فرادرس، انتشار این آموزش در واحد نشر فرادرس اولویت سنجی می شود. انتشار یک آموزش پس از شروع به ضبط معمولا ۴ تا ۱۲ هفته زمان می برد.

درخواست اطلاع رسانی انتشار این آموزش

این آموزش در حال برنامه ریزی برای ارائه در فرادرس است و انتشار سریع تر آن، بستگی به تعداد متقاضیان این آموزش دارد. چنانچه شما نیز تمایل به انتشار سریع این آموزش دارید در کادر زیر ایمیل خود را درج نمایید.

مزایای درخواست اطلاع رسانی انتشار:

  • مطلع شدن از انتشار آموزش در اولین زمان پس از انتشار
  • دادن بیشترین اولویت انتشار به آموزش های مورد نظر خود (آموزش های با بیشترین پیش ثبت نام، با اولویت بیشتری منتشر می شوند)
  • دریافت تخفیف ویژه به هنگام انتشار، مختص افرادی که درخواست اطلاع رسانی در یک آموزش داشته اند.




    توضیحات

    امروزه انجام پردازش های مناسب روی داده های خام و تبدیل آن ها به اطلاعات با مفهوم و ارزشمند، امری ضروری است. ساخت سیستم هایی که دسته بندی و یافتن الگوهای با مفهوم این داده ها را به صورت خودکار انجام دهند، یکی از زمینه های تحقیقاتی مورد توجه در شاخه های کاربردی مرتبط با هوش مصنوعی و یادگیری ماشین به شمار می رود. این حوزه کاربردی را با نام بازشناسی الگو می شناسیم. در واقع بازشناسی الگو دانش و هنر طراحی سیستم هایی به منظور استخراج اطلاعات از داده های خام است.

    از جمله کاربردهای عملی این حوزه می توان به: سیستم های تشخیص چهره، سیستم های تشخیص صدا، سیستم های دسته بندی متون، سیستم های تشخیص امضا و سیستم های تشخیص کد پستی روی نامه ها و موارد مشابه اشاره کرد. در بخش ابتدایی این درس ابتدا مفاهیم اولیه و دانش پایه برای طراحی سیستم های بازشناسی الگو گنجانده شده است که شامل مفاهیم ریاضی و روش های آماری مورد نیاز در این حوزه می شود. سپس در بخش دوم درس، انواع الگوریتم های مورد نیاز در حوزه بازشناسی الگو و نحوه طراحی آن ها مورد بررسی قرار می گیرد.

    به منظور فعال تر ساختن آموزش و آشنایی با کاربردهای عملی این درس سعی شده است تا در قسمت های مختلف تدریس، از مثال ها و تمرین هایی در نرم افزار متلب استفاده شود تا آشنایی مناسبی با نحوه به کارگیری عملی مفاهیم تئوری ارائه شده در دانشجو ایجاد شود.

     

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • درس یکم: مقدمه و معرفی سامانه های شناسایی الگو و کاربردها
      • معرفی و کاربردها
      • ارائه یک مثال
      • تعریف ویژگی و بردار ویژگی
      • تعریف مرز تصمیم گیری
      • مساله یادگیری و تعمیم پذیری
      • اجزای سیستم بازشناسی الگو
      • چرخه طراحی سیستم بازشناسی الگو
    • درس دوم: معرفی و مروری بر مفاهیم ریاضی مورد نیاز
      • قانون کلی احتمال
      • قاعده بیز
      • متغیرهای تصادفی و چگالی توزیع
      • امید ریاضی
      • کوواریانس
      • استقلال شرطی متغیرها
      • احتمال توام و احتمال شرطی
      • شبکه باور بیزی
      • مثال در متلب
    • درس سوم: دسته بندی کننده ها و توابع تصمیم
      • آشنایی با نظریه تصمیم گیری بیز
      • یک مثال از تصمیم گیری
      • قانون تصمیم گیری حداقل خطا
      • مرز تصمیم و توابع تفکیک
      • توزیع گاوسی
      • توابع تفکیک برای توزیع گاوسی
      • احتمال خطا
      • مثال هایی در متلب
    • درس چهارم: تخمین چگالی پارامتری
      • چند مفهوم اساسی و بیان اهمیت مساله
      • تخمین بیشینه درست نمایی (روش های مختلف تخمین تابع توزیع آماری)
      • مثالی از تخمین توابع چگالی توزیع گاوسی
      • ارزیابی تخمین
      • روش های پارامتری تخمین تابع توزیع
      • مقایسه روش های مختلف
      • مفاهیم بایاس (Bias) و واریانس
      • تخمین بیزی
      • تخمین بیزی برای توزیع گوسی
    • درس پنجم: تخمین چگالی ناپارامتری
      • مقدمه و بیان اهمیت مساله
      • استراتژی های غیرپارامتری
      • روش هیستوگرام
      • روش مبتنی بر کرنل
      • روش KNN
      • روش چگالی مختلط
      • مثال هایی در متلب
    • درس ششم: معرفی روش های مختلف استخراج و کاهش بعد
      • آشنایی با روش های معمول
      • معرفی نفرین بعد
      • PCA (تحلیل مولف های اصلی)
      • LDA (تابع تمایز فیشر)
      • ICA
      • مثال هایی در متلب
    • درس هفتم: کلاسیفایرهای خطی (ترکیب دسته بندها)
      • آشنایی با مفاهیم
      • مرز تصمیم
      • جدایی پذیری خطی
      • توابع جداساز خطی
      • پرسپترون (Perceptron)
      • SVM خطی
      • مثال هایی در متلب
    • درس هشتم: کلاسیفایرهای غیرخطی
      • مساله XOR
      • پرسپترون چندلایه
      • الگوریتم Back Propagation
      • RBF
      • SVM غیرخطی
      • مثال هایی در متلب
    • درس نهم: درخت تصمیم
      • معرفی و ارائه کاربردها
      • بررسی یک مثال
      • کارکردهای پایه در ساخت درخت ها
      • مشخصه ها
      • معرفی الگوریتم های معروف
    • درس دهم: خوشه بندی و معرفی الگوریتم های مختلف
      • اصول خوشه بندی
      • الگوریتم های خوشه بندی
      • روش های مکاشفه ای
      • الگوریتم KMeans
      • خوشه بندی مبتنی بر شباهت
      • خوشه بندی سلسله مراتبی
      • رویکرد تراکم
      • رویکرد تقسیم
      • معیارهای اعتبارسنجی داخلی
      • معیارهای اعتبارسنجی خارجی
      • مثال در MATLAB
    • درس یازدهم: مدل مخفی مارکوف (Markov)
      • فرایند مارکوف
      • زنجیره مارکوف
      • مدل مخفی مارکوف
      • ارائه یک مثال
      • سه مساله اصلی HMM
      • الگوریتم ویتربی
      • مساله یادگیری
      • مثال در متلب

     

    مفید برای رشته های
    • مهندسی برق
    • مهندسی کامپیوتر


    اطلاعات تکمیلی

    نام آموزش آموزش بازشناسی الگو – پیش ثبت نام
    ناشر فرادرس
    کد آموزش FVTISFT103
    زبان فارسی
    نوع آموزش آموزش ویدئویی     (کیفیت HD - مورد تایید فنی فرادرس)
    تعداد DVD یک عدد (در صورت دریافت غیر آنلاین)




    دیدگاه ها

    1. 0 از 5

      :

      بی صبرانه منتظر این آموزش هستم.


    نظر شما در مورد این فرادرس چیست؟

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

    امتیاز شما به این آموزش:




درخواست اطلاع رسانی انتشار این آموزش

این آموزش در حال برنامه ریزی برای ارائه در فرادرس است و انتشار سریع تر آن، بستگی به تعداد متقاضیان این آموزش دارد. چنانچه شما نیز تمایل به انتشار سریع این آموزش دارید در کادر زیر ایمیل خود را درج نمایید.

مزایای درخواست اطلاع رسانی انتشار:

  • مطلع شدن از انتشار آموزش در اولین زمان پس از انتشار
  • دادن بیشترین اولویت انتشار به آموزش های مورد نظر خود (آموزش های با بیشترین پیش ثبت نام، با اولویت بیشتری منتشر می شوند)
  • دریافت تخفیف ویژه به هنگام انتشار، مختص افرادی که درخواست اطلاع رسانی در یک آموزش داشته اند.



برچسب‌ها: , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,



فرادرس در رسانه ها و جشنواره ها

روزنامه ایرانیان مرکز توسعه فناوری اطلاعات و رسانه های دیجیتال روز آفرین نت استارت کنفرانس مهندسی برق ایران جشنواره وب ایران