×
۱۸۵,۰۰۰ تومان

آموزش شبکه های عصبی مصنوعی در متلب

آموزش شبکه های عصبی مصنوعی در متلب

هزینه آموزش
۱۸۵,۰۰۰ تومان

تعداد دانشجو
۱۲,۱۲۵ نفر
مدت زمان
۲۸ ساعت و ۲ دقیقه
محتوای این آموزش
تضمین کیفیت
۱۴۶ بازخورد (مشاهده نظرات)
آموزش شبکه های عصبی مصنوعی در متلب

مجموعه فرادرس های شبکه های عصبی مصنوعی در متلب، مجموعه ای از هفت فرادرس جامع درباره شبکه های عصبی مصنوعی است. این بسته آموزشی بی نظیر، در مجموع شامل تقریبا ۲۷ ساعت برنامه آموزشی تخصصی است، که تمام بخش های آن به صورت تئوری و عملی ارائه شده اند.

آموزش شبکه های عصبی مصنوعی در متلب

تعداد دانشجو
۱۲,۱۲۵ نفر
مدت زمان
۲۸ ساعت و ۲ دقیقه
هزینه آموزش
۱۸۵,۰۰۰ تومان
محتوای این آموزش
تضمین کیفیت
۱۴۶ بازخورد (مشاهده نظرات)

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 دکتری تخصصی در رشته مهندسی برق – کنترل، از دانشگاه صنعتی خواجه نصیرالدین طوسی (قطب علمی کنترل صنعتی) هستند و زمینه‌های پژوهشی و کاری تخصصی ایشان در حوزه‌های مختلف مهندسی کنترل و سیستم‌های هوشمند بوده است.

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:

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 2012a

پیش نمایش‌ها

۱. مبانی تئوری شبکه های عصبی پرسپترون چند لایه یا MLP
۲. طراحی شبکه های عصبی پرسپترون چند لایه یا MLP در متلب (الف)
۳. طراحی شبکه های عصبی پرسپترون چند لایه یا MLP در متلب (ب)
۴. مبانی تئوری شبکه‌ های عصبی RBF
۵. پیاده سازی و طراحی شبکه‌ های عصبی RBF در متلب
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۶. مباحث تئوری و عملی ماشین‌ های بردار پشتیبان یا SVM
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۷. کلاسترینگ بردار پشتیبان یا SVC
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۸. مباحث تئوری و عملی رگرسیون بردار پشتیبان یا SVR
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۹. مبانی یادگیری غیر نظارت شده
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۰. خوشه بندی با استفاده از الگوریتم k-Means
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۱. شبکه های عصبی رقابتی و نگاشت خود سازمان ده یا SOM (الف)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۲. شبکه های عصبی رقابتی و نگاشت خود سازمان ده یا SOM (ب)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۳. تحلیل مولفه اساسی یا PCA (الف)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۴. تحلیل مولفه اساسی یا PCA (ب)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۵. شبکه های عصبی هاپفیلد یا Hopfield Neural Network (الف)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۶. شبکه های عصبی هاپفیلد یا Hopfield Neural Network (ب)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
این آموزش شامل ۱۶ جلسه ویدئویی با مجموع ۲۸ ساعت و ۲ 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 شبکه های عصبی مصنوعی در متلب
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۴۳۰۴۳ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش MVRNN9102
مدت زمان ۲۸ ساعت و ۲ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)
حجم دانلود ۲ گیگابایت (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.


آموزش‌های پیشنهادی برای شما


نظرات

تا کنون ۱۲,۱۲۵ نفر از این آموزش استفاده کرده‌اند و ۱۴۶ نظر ثبت شده است.
حامد
حامد
۱۴۰۱/۰۳/۳۱
آموزش جامع و کاملی بود و تدریس دکتر کلامی واقعا خوبه.
فاطمه
فاطمه
۱۴۰۱/۰۳/۱۶
خیلی دوست داشتم این آموزش و اما متاسفانه کامل نتونستم ببینمش، سرفصل ها و توضیحات خیلی خوب بود.
عدنان
عدنان
۱۴۰۱/۰۳/۰۴
خیلی خوب بود و کاملا قابل درک بود.
احسان
احسان
۱۴۰۱/۰۲/۲۸
عالی بود. من دانشجوی دکتری هستم و وقتی در این خصوص سایت فرادرس رو سرچ کردم فهمیدم که بهترین آموزش در این زمینه، همین فرادرس هستش.
عطیه
عطیه
۱۴۰۰/۱۱/۱۹
درجه یک بود. از قبل در حد یک تئوری ازش میدونستم و الان سطح منو تو برنامه نویسی خیلی بالا برد.
حمیدرضا
حمیدرضا
۱۴۰۰/۱۱/۲۲
واقعا از تدریس عالی دکتر کلامی تشکر می کنم. در دوره دکتری افتخار داشتم به صورت حضوری در کلاس متلب ایشان شرکت کنم. این دوره رو از روی علاقه تهیه و مطالعه کردم. بسیار عالی و کاربردی بود. فقط اگر در خصوص شبکه عصبی عاپفیلد و کاربرد آن در بهینه سازی دوره تکمیلی بگذارند بسیار تشکر می کنم. آرزوی موفقیت و سلامتی برای دست اندرکاران فرادرس
محبوبه
محبوبه
۱۴۰۰/۱۱/۱۰
استاد کلامی که کلا عالین، تقریبا مطالب کامل گفته شد، ایشون بیان خوبی هم دارند.
هادی
هادی
۱۴۰۰/۱۰/۱۸
خیلی خوب بود، خیلی مفهومی و خوب گفته بودند، بسیار برای من کاربردی بود و تونستم عملی استفاده کنم و مقاله ای تحویل بدم.
محمدصالح
محمدصالح
۱۴۰۰/۱۰/۱۸
بسیار عالیه عالی. تمامی چیزهایی که ایشون تدریس کردند و مربوط به هوش مصنوعی است رو که دیدم، عالی بوده. بسیار عالی و خیلی جذاب تدریس می کنند، هم از نظر تئوریک عالیه چون تم ریاضی طوری داستان رو توضیح میدند و هم از لحاظ عملی (یعنی همون کد نویسی) به زبان بسیار ساده و روان درس میدند.
مائده
مائده
۱۴۰۰/۱۰/۱۱
ایشون عالی هستند، متفاوت تدریس میکنند یه بخشی تئوری رو مفصل شرح میدادند تا جا بیفته بعد عملی رو شروع میکنند تئوری عملی رو جدا میکنند و خیلی خوبه که همه این روال رو داشته باشند واقعا ایده آله و خیلی تو ذهن تثبیت میشه.
برچسب‌ها:
ANN | Artificial Neural Networks | Artifiial Neural Networks | Binary Classification | Bioinformatics Toolbox | Boltzman Machine | Cerebral Cortex | Character Recognition | Clustering | Combinatorial | competelayer | Computational Intelligence | Domain of Attraction | Eigenfilter | Function Approximation | Hard Margin | Hebb | Hebbian Learning Rule | Hopfield Network | Hopfield Neural Network | Hopfield Neural Network چیست؟ | Kernel PCA | Kernel Trick | Kohenen Learning Rule | lioyd | Lloyd | Lloyd's Algorithm | Lloyd’s Algorithm | Lypunov | Mackey Glass | Mackey-Glass | MATLAB | MATLAB software | Micchelli | Missing Values | MLP | MLP در متلب | Multilayer perceptron | nctool | Neuroscience | normalization | Oja Learning Rule | Outlier | PCA | PCA چیست؟ | PCA در متلب | Principal Component Analysis | Quadratic Programming | Radial Basis Function | RBF | RBF در متلب | sa | Self Organization Map | Self-Organazing Map | Self-Organizing Maps | Simulated Annealing | Singular Value Decomposition | sobel | Soft Margin | SOM | SOM چیست؟ | Support Vector Clustering | Support Vector Machine | Support Vector Regression | SVC | SVD | SVM | SVM در متلب | SVR | Takagi - Sugeno | Time series prediction | Time-Series Prediction | Traveling Salesman Problem | TSK | TSP | Variance Perobe | Variance Probe | Whitening | آموزش mlp | آموزش PCA | آموزش SOM | آموزش svm | آموزش svm در متلب | آموزش پرسپترون | آموزش پرسپترون چند لایه در متلب | آموزش تحلیل مولفه اساسی | آموزش خوشه بندی با k-Means، آموزش Clustering با الگوریتم k-Mean | آموزش شبکه عصبی | آموزش شبکه عصبی Hopfield | آموزش شبکه عصبی رقابتی | آموزش شبکه های عصبی پرسپترون چند لایه | آموزش شبکه های عصبی شعاعی پایه | آموزش شبکه های عصبی مصنوعی | آموزش کلاسترینگ با k-Mean | آموزش ماشین بردار پشتیبان | آموزش متلب | آموزش نگاشت خود سازمان ده | آموزش یادگیری غیر نظارت شده | آنالیز مولفه اساسی | ابزار nctool | ارتباط شبکه عصبی هاپفیلد با نظریه سیستم های دینامیکی غیرخطی | ارتباط ماشین بولتزمان با شبیه سازی تبرید | ارتباط میان PCA و تجزیه مقادیر تکین | استخراج مدل QP | استخراج ویژگی | استفاده از Kernel Trick برای اعمال SVM در فضای غیرخطی | استفاده از تابع quadprog برای حل مسائل بهینه سازی درجه ۲ | استفاده از شبکه عصبی RBF برای پیش بینی سری زمانی | استفاده از شبکه عصبی RBF برای تقریب و درون یابی توابع | الگوریتم k-Means | الگوریتم Kernel PCA | الگوریتم Kernel PCA برای کاهش ابعاد غیرخطی با استفاده از Kernel Trick | الگوریتم Lloyd | الگوریتم لوید | انتخاب با روش های غیرنظارت شده | انتخاب با یادگیری نظارت شده | انتخاب مراکز توابع شعاعی | انتخاب مراکز ثابت | انتخاب ویژگی | ایده تفکیک غیرخطی | بازشناسی الگو | بازشناسی کاراکتر | بردار پشتیبان | بردارهای ویژه | بررسی ساختار قشر مغز | بررسی قانون لیاپانوف | بررسی قانون لیاپانوف برای تحلیل پایداری سیستم های دینامیکی | بررسی مبانی تئوری کلاسترینگ بردار پشتیبان | بررسی مفاهیم مرتبط با آموزش شبکه های عصبی | بهینه سازی | بهینه سازی با شبکه عصبی | بهینه سازی با شبکه عصبی هاپفیلد | بهینه سازی با شبکه هاپفیلد | بهینه سازی ترکیباتی | بهینه سازی ترکیبیاتی | بیان ریاضی PCA به صورت فیلتر ویژه برای داده های با حجم بالا | بیان ریاضی ریسک عملیاتی برای طبقه باینری داده ها | بیان هندسی و جبر خطی برای بیشینه سازی واریانس و تفکیک پذیری | بیشینه سازی واریانس | بیشینه سازی واریانس تفکیک | پرسپترون چند لایه | پرسپترون چندلایه | پروب | پروب واریانس | پیاده سازی k-Means در متلب | پیاده سازی SOM با استفاده از m-file در متلب | پیاده سازی SVM غیرخطی در محیط متلب | پیاده سازی SVM غیرخطی در محیط متلب با استفاده از Kernel Trick | پیاده سازی SVR برای پیش بینی سری زمانی | پیاده سازی SVR در متلب | پیاده سازی SVR در متلب برای تقریب تابع | پیاده سازی شبکه عصبی MLP با تولباکس | پیاده سازی شبکه عصبی برای پیش بینی سری زمانی آشوبی مکی گلاس  | پیاده سازی شبکه عصبی در متلب با استفاده از رابط های گرافیکی (GUI) تولباکس شبکه عصبی | پیاده سازی عملی SVM باینری در محیط متلب | پیاده سازی گام به گام برنامه جامع بازشناسی کاراکتر با استفاده از شبکه عصبی هاپفیلد در متلب | پیاده سازی گام به گام و عملی PCA در متلب | پیاده سازی لایه رقابتی در متلب | پیاده سازی لایه رقابتی در متلب با استفاده از تابع competelayer | پیاده سازی نگاشت خود سازمان ده | پیاده سازی نگاشت خود سازمان ده ساده با استفاده از nctool | پیش بینی سری زمانی | پیش بینی سری زمانی آشوبی مکی گلاس  | پیش بینی سری های زمانی | تئوری کلاسترینگ بردار پشتیبان | تابع competelayer | تابع kmeans | تابع newhop | تابع newrb | تابع newrbe | تابع quadprog | تابع svmclassify | تابع svmtrain | تبدیل حالت حاشیه سخت | تبدیل مساله پیش بینی سری زمانی به یک مساله تقریب تابع | تجزیه مقادیر تکین | تحلیل پایداری سیستم های دینامیکی | تحلیل پایداری لیاپانوف | تحلیل عملکرد سیستم های دینامیکی | تحلیل عملکرد شبکه توسط شبکه های عصبی پرسپترون چند لایه | تحلیل مولفه اساسی | تحلیل مولفه اساسی در متلب | تخمین و تقریب توابع | تشخیص کاراکتر | تطبیق پذیری | تطبیق پذیری در شبکه های عصبی رقابتی | تعادل در سیستم های دینامیکی | تعریف ریاضی یک نورون مصنوعی | تعریف مساله شناسایی الگوی یک کاراکتر به صورت یک مساله یادگیری غیرنظارت شده | تعمیم به حالت غیرخطی | تعمیم به حالت غیرخطی با استفاده از Kernel Trick | تعمیم تعریف نورون و استفاده از آن برای مدل سازی | تفاوت های اساسی SVM با سایر انواع شبکه عصبی | تقریب توابع | تقسیم بندی داده | تقسیم بندی داده ها توسط شبکه های عصبی پرسپترون چند لایه | توابع newrb | توابع newrbe | توابع svmclassify | توابع svmtrain | توابع شعاعی پایه | توابع شعاعی پایه و نورون های RBF | توپولوژی های قابل استفاده در ساختار SOM در متلب | توصیف ریاضی مساله خوشه بندی به صورت مساله بهینه سازی | توصیف ریسک در مسائل رگرسیون و مدل سازی | تولباکس بیوانفورماتیک | تولباکس شبکه عصبی | حالت حاشیه نرم | حسگر یا معیار | حل مسائل بهینه سازی ترکیباتی با استفاده از شبکه هاپفیلد | حل مسائل تخمین و تقریب توابع | حل مسائل خوشه بندی در متلب | حل مسائل طبقه بندی باینری | حل مساله بازشناسی الگو | حل مساله خوشه بندی با استفاده از شبکه عصبی رقابتی | خواص و تنظیمات شبکه های عصبی در متلب | خوشه بندی | خوشه بندی با استفاده از شبکه عصبی SOM در متلب | خوشه بندی با استفاده از متلب | خوشه بندی با الگوریتم k-Means | خوشه بندی با الگوریتم k-Means در متلب | خوشه بندی در متلب | داده های بی مقدار | داده های پرت | درونیابی توابع | رگرسیون بردار پشتیبان | رگرسیون غیر خطی | روابط اساسی SVM به صورت یک مساله بهینه سازی درجه دو | روش k-Means | روش تحلیل مولفه اساسی | روش های پیش پردازش اطلاعات | روش های کاهش بعد | رویکردهای طراحی شبکه های عصبی هاپفیلد | ساختار شبکه عصبی پرسپترون چند لایه و یادگیری | ساختار قشر مغز | سری زمانی آشوبی مکی-گلاس | سفید سازی | سیستم عصبی | سیستم فازی تاکاگی - سوگنو | سیستم فازی تاکاگی-سوگنو | سیستم های دینامیکی | شباهت ها و تفاوت موجود میان شبکه های عصبی رقابتی و الگوریتم k-Means | شبکه عصبی | شبکه عصبی Hopfield | شبکه عصبی Kohenen | شبکه عصبی رقابتی | شبکه عصبی رقابتی چیست؟ | شبکه عصبی کوهنن | شبکه عصبی مبتنی بر PCA | شبکه عصبی مصنوعی چیست؟ | شبکه عصبی هاپفیلد | شبکه عصبی هاپفیلد در متلب | شبکه هاپفیلد در متلب | شبکه های عصبی RBF در متلب | شبکه های عصبی پرسپترون | شبکه های عصبی پرسپترون چند لایه | شبکه های عصبی پرسپترون چند لایه در متلب | شبکه های عصبی پرسپترون چند لایه یا MLP | شبکه های عصبی در حل مسائل بهینه سازی ترکیباتی | شبکه های عصبی رقابتی | شبکه های عصبی شعاعی پایه | شبکه های عصبی شعاعی پایه در متلب | شبکه های عصبی مصنوعی | شبکه های عصبی مصنوعی در متلب | شبکه های عصبی هاپفیلد | شبکه های عصبی هاپفیلد چیست؟ | شبکه های عصبی هاپفیلد در متلب | شبیه سازی تبرید | شناسایی الگوی یک کاراکتر | شناسایی کاراکتر | شیوه عملکرد شبکه عصبی هاپفیلد | شیوه کارکرد نگاشت خود سازمان ده | طبقه بندی | طراحی شبکه عصبی در متلب | طراحی شبکه هاپفیلد با استفاده از تابع newhop در متلب | عصب شناسی | علوم عصبی | فرمول بندی رگرسیون بردار پشتیبان | فروشنده دوره گرد | فیلتر ویژه | فیلم آموزش شبکه عصبی مصنوعی | فیلم آموزشی | فیلم آموزشی Hopfield Neural Network | فیلم آموزشی MLP | فیلم آموزشی rbf | فیلم آموزشی SVM در MATLAB | فیلم آموزشی شبکه عصبی | فیلم آموزشی شبکه عصبی پرسپترون | فیلم آموزشی شبکه عصبی در متلب | فیلم آموزشی شبکه عصبی شعاعی پایه | فیلم آموزشی شبکه عصبی هاپفیلد | قانون لیاپانوف | قانون یادگیری Hebb | قانون یادگیری اوجا | قانون یادگیری کوهونن | قانون یادگیری هب | قشر مغز | قضیه میچلی | کابرد شبکه عصبی مصنوعی در خوشه بندی | کاربرد شبکه عصبی مصنوعی بهینه سازی | کاربرد شبکه عصبی مصنوعی در تخمین | کاربرد شبکه عصبی مصنوعی در تشخیص الگو | کاربرد شبکه عصبی مصنوعی در طبقه بندی | کاربرد شبکه عصبی مصنوعی در کنترل | کاربرد شبکه عصبی مصنوعی در مدل سازی و تقریب توابع | کاهش ابعاد | کاهش ابعاد با استفاده از PCA در متلب | کاهش ابعاد داده ها | کاهش ابعاد غیر خطی | کاهش ابعاد غیرخطی | کلاسترینگ | کلاسترینگ بردار پشتیبان | کلاسترینگ در جعبه ابزار شبکه عصبی متلب | کمینه کردن ریسک عملیاتی طبقه بندی | لایه رقابتی | لونبرگ مارکوارت | ماشین بردار پشتیبان | ماشین بردار پشتیبان پایه برای طبقه بندی باینری | ماشین بردار پشتیبان چیست؟ | ماشین بولتزمان | ماشین های بردار پشتیبان | ماشین های بردار پشتیبان در متلب | مباحث هوش محاسباتی | مبانی تئوری سیستم های دینامیکی | مبانی خوشه بندی | مبانی شبکه های عصبی رقابتی | مدل سازی | مروری بر عملکرد سیستم عصبی طبیعی | مسأله TSP | مسأله فروشنده دوره گرد | مساله پیش بینی سری زمانی | مساله تقریب تابع | مساله فروشنده دوره گرد | معرفی چگونگی حل مساله TSP با استفاده از شبکه هاپفیلد | معرفی ماشین بولتزمان و ارتباط آن با شبکه عصبی هاپفیلد | مفاهیم یادگیری رقابتی | مفهوم پروب واریانس و نقش آن در تفکیک پذیری | مفهوم مولفه اساسی و کاربرد آن در استخراج ویژگی و کاهش ابعاد | مقادیر تکین | مقادیر ویژه | مقدمات کاهش ابعاد و مدل سازی با استفاده از SOM | مقدمه ای بر PCA غیرخطی | نرم افزار MATLAB | نرم افزار متلب | نرمال سازی | نظریه سیستم های دینامیکی غیرخطی | نقاط تعادل | نگاشت خود سازمان ده | نگاشت خود سازمان ده چیست؟ | نگاشت های خود سازمان ده | نگاشت های غیرخطی | نمایش جهت های ویژه و مولفه های اساسی داده ها | نمایش گرافیکی نتایج به دست آمده از فرایند طراحی شبکه عصبی | نمایش مرحله به مرحله همگرایی در شبکه هاپفیلد | نمایش میزان تفکیک پذیری داده ها | نمایش میزان تفکیک پذیری داده ها با انتخاب هر یک از ورودی ها | نمایش نتایج و ناحیه جذب برای یک شبکه هاپفیلد | نورون | نوع شبکه ها در محیط متلب | واریانس تفکیک | یادگیری برنامه نویسی متلب | یادگیری تقویتی | یادگیری غیر نظارت شده | یادگیری غیرنظارت شده | یادگیری ماشینی | یادگیری ماشینی خیر | یادگیری نظارت شده
مشاهده بیشتر مشاهده کمتر
×
فهرست جلسات ۱۶ جلسه ویدئویی
×