توضیحات تکمیلی
درس سوم: ماشین های بردار پشتیبان (Support Vector Machine) یا SVM در متلب
در این فرادرس قصد داریم آموزش جامع ماشین های بردار پشتیبان یا SVM در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به ماشین های بردار پشتیبان یا SVM، پیاده سازی عملی این نوع شبکه ها در محیط متلب نیز به طور کامل مورد بررسی قرار گرفته است. برنامه هایی که در این آموزش پیاده سازی شده اند به حل مسائل طبقه بندی باینری (Binary Classification)، تخمین و تقریب توابع (Function Approximation) و پیش بینی سری های زمانی (Time - Series Prediction) اختصاص دارند.
ماشین بردار پشتیبان (Support Vector Machine) یا به اختصار SVM نوع خاصی از شبکه های عصبی هستند که بر خلاف سایر انواع شبکه عصبی مانند: MLP و RBF به جای کمینه کردن خطا، اقدام به کمینه کردن ریسک عملیاتی طبقه بندی یا مدل سازی می کند. این ابزار، بسیار قدرتمند است و در زمینه های مختلفی چون طبقه بندی، خوشه بندی و مدل سازی (رگرسیون) می تواند مورد استفاده قرار بگیرد.
در این آموزش، سه الگوریتم مهم از میان ماشین های بردار پشتیبان مورد بررسی قرار گرفته اند:
- ماشین بردار پشتیبان پایه برای طبقه بندی باینری یا SVM
- کلاسترینگ بردار پشتیبان (Support Vector Clustering) یا به اختصار SVC
- رگرسیون بردار پشتیبان (Support Vector Regression) یا به اختصار SVR
رویکردهای ارائه شده در این آموزش بسیار فراگیر و عمومی هستند و می توان از نکات تئوری و عملی بیان شده برای حل سایر مسائل کاربردی استفاده نمود.
فهرست سرفصلها و رئوس مطالب مطرح شده در اين مجموعه آموزشی، در ادامه آمده است:
- مبانی تئوری سیستم های دینامیکی
- مروری بر مفاهیم اساسی نقاط تعادل و نقش آن ها در تحلیل عملکرد سیستم های دینامیکی
- معرفی و بررسی قانون لیاپانوف (Lypunov) برای تحلیل پایداری سیستم های دینامیکی
- ارتباط شبکه عصبی هاپفیلد (Hopfield Neural Network) با نظریه سیستم های دینامیکی غیرخطی
- بررسی ساختار و شیوه عملکرد شبکه عصبی هاپفیلد
- رویکردهای طراحی شبکه های عصبی هاپفیلد
- طراحی شبکه هاپفیلد با استفاده از تابع newhop در متلب
- نمایش نتایج و ناحیه جذب (Domain of Attraction) برای یک شبکه هاپفیلد
- تعریف مساله شناسایی الگوی یک کاراکتر (Character Recognition) به صورت یک مساله یادگیری غیرنظارت شده
- پیاده سازی گام به گام برنامه جامع بازشناسی کاراکتر (الگو) با استفاده از شبکه عصبی هاپفیلد در متلب
- نمایش مرحله به مرحله همگرایی در شبکه هاپفیلد
- معرفی ماشین بولتزمان (Boltzman Machine) و ارتباط آن با شبکه عصبی هاپفیلد
- ارتباط ماشین بولتزمان (Boltzmann) با شبیه سازی تبرید (Simulated Annealing) یا SA
- حل مسائل بهینه سازی ترکیباتی (Combinatorial) با استفاده از شبکه هاپفیلد
- معرفی چگونگی حل مساله TSP (فروشنده دوره گرد) با استفاده از شبکه هاپفیلد
آنچه در این آموزش خواهید دید:
نرم افزارهای مرتبط با آموزش
پیش نمایشها
















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
- ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ میشود.
- و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده میشود.
نظرات