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
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
شبکه های عصبی مصنوعی (Artificial Neural Networks) یا به اختصار ANN ابزارهایی مهم در میان مباحث هوش محاسباتی (Computational Intelligence) به حساب می آیند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند که عمدتا در کاربردهایی همچون: طبقه بندی، خوشه بندی، تشخیص الگو، مدل سازی و تقریب توابع، کنترل، تخمین و بهینه سازی مورد استفاده قرار می گیرند.
بسته زرین آموزشی شبکه های عصبی مصنوعی در متلب (MATLAB)، مجموعه ای از هفت مجموعه آموزشی جامع درباره شبکه های عصبی مصنوعی است. این بسته آموزشی بی نظیر، در مجموع شامل بیش از ۲۷ ساعت برنامه آموزشی تخصصی است، که تمام بخش های آن به صورت تئوری و عملی ارائه شده اند.
درس یکم: شبکه های عصبی پرسپترون چند لایه (Multilayer Perceptron) یا MLP در متلب
در این فرادرس قصد داریم آموزش جامع شبکه های عصبی پرسپترون چند لایه یا MLP در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری های مربوط به شبکه های عصبی MLP، پیاده سازی عملی این نوع شبکه ها در محیط متلب (MATLAB) نیز به طور کامل مورد بررسی قرار گرفته است. همچنین مباحث عمیق تئوری و عملی، در زمینه تقسیم بندی داده ها، تحلیل عملکرد شبکه، روش های پیش پردازش اطلاعات و ده ها مبحث تخصصی دیگر نیز در این فیلم مورد بحث و بررسی قرار گرفته اند. برنامه هایی که در این فیلم پیاده سازی شده اند به حل مسائل تخمین و تقریب توابع (Function Approximation) و پیش بینی سری های زمانی (Time Series Prediction) اختصاص دارند.
فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
- مروری بر عملکرد سیستم عصبی طبیعی
- تعریف ریاضی یک نورون مصنوعی با یک مثال بسیار ساده
- تعمیم تعریف نورون و استفاده از آن برای مدل سازی
- شبکه های عصبی پرسپترون چندلایه یا MLP و لزوم استفاده از آن ها
- بررسی مفاهیم مرتبط با آموزش شبکه های عصبی
- تقسیم بندی داده
- روش ها و دلایل
- پیاده سازی شبکه عصبی در متلب با استفاده از رابط های گرافیکی (GUI) تولباکس شبکه عصبی
- پیاده سازی شبکه عصبی MLP با تولباکس
- حل یک مساله مدل سازی ساده
- روش های پیش پردازش اطلاعات
- داده های بی مقدار (Missing Values)
- داده های پرت (Outlier)
- نرمال سازی (Normalization)
- سفید سازی (Whitening)
- روش های کاهش بعد و کارکرد آن ها
- نگاشت های غیرخطی
- مروری بر کاربردهای مختلف شبکه های عصبی مصنوعی
- خواص و تنظیمات شبکه های عصبی در متلب (سفارشی سازی ها)
- بهبود عملکرد برنامه های نوشته شده
- تبدیل مساله پیش بینی سری زمانی به یک مساله تقریب تابع (مدل سازی)
- پیاده سازی شبکه عصبی برای پیش بینی سری زمانی آشوبی مکی گلاس (Mackey Glass)
- مدل سازی ارتباط میان گشتاور، سرعت، نرخ سوخت مصرفی و میزان تولید اکسید نیتروژن در یک موتور خودرو
- شیوه های نمایش گرافیکی نتایج به دست آمده از فرایند طراحی شبکه عصبی
- جمع بندی و نتیجه گیری های نهایی
درس دوم: شبکه های عصبی شعاعی پایه (Radial Basis Function) یا RBF در متلب
در این فرادرس قصد داریم فیلم آموزشی جامع شبکه های عصبی RBF در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری های مربوط به شبکه های عصبی مبتنی بر توابع شعاعی پایه یا RBF، پیاده سازی عملی این نوع شبکه ها در محیط متلب نیز مورد بررسی قرار گرفته است. برنامه هایی که در این فیلم پیاده سازی شده اند به حل مسائل تخمین و تقریب توابع (Function Approximation) و پیش بینی سری های زمانی (Time - Series Prediction) اختصاص دارند.
فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
- مشکلات موجود با تفکیک کننده ها و نورون های خطی
- بیان ایده تفکیک غیرخطی با یک مثال ساده
- تعریف توابع شعاعی پایه و نورون های RBF
- ساختار عمومی یک شبکه عصبی RBF
- بیان قضیه میچلی (Micchelli) و شرایط تعریف مناسب یک تابع RBF
- شیوه های انتخاب مراکز توابع شعاعی
- انتخاب مراکز ثابت
- انتخاب با روش های غیرنظارت شده، مانند الگوریتم k-Means یا Lloyd
- انتخاب با یادگیری نظارت شده
- ارتباط میان شبکه عصبی RBF و سیستم فازی تاکاگی - سوگنو (Takagi - Sugeno) یا TSK
- پیاده سازی RBF در محیط متلب با استفاده از توابع newrb و newrbe
- تنظیم پارامترهای شبکه عصبی RBF
- استفاده از شبکه عصبی RBF برای تقریب و درون یابی توابع
- استفاده از شبکه عصبی RBF برای پیش بینی سری زمانی
- جمع بندی و نتیجه گیری های نهایی
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 سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
- توضیح تفاوت های اساسی SVM با سایر انواع شبکه عصبی
- بیان ریاضی ریسک عملیاتی برای طبقه باینری داده ها
- استخراج روابط اساسی SVM به صورت یک مساله بهینه سازی درجه دو یا QP
- تبدیل حالت حاشیه سخت (Hard Margin) به حالت حاشیه نرم (Soft Margin)
- پیاده سازی عملی SVM باینری در محیط متلب
- شیوه استفاده از تابع quadprog برای حل مسائل بهینه سازی درجه ۲ (Quadratic Programming)
- استفاده از Kernel Trick برای اعمال SVM در فضای غیرخطی
- بررسی انواع هسته ها یا Kernel ها
- پیاده سازی SVM غیرخطی در محیط متلب با استفاده از Kernel Trick
- استفاده از شبکه عصبی RBF برای پیش بینی سری زمانی
- استفاده از توابع svmtrain و svmclassify از تولباکس بیوانفورماتیک (Bioinformatics Toolbox)
- بررسی مبانی تئوری کلاسترینگ بردار پشتیبان یا SVC
- توصیف ریسک در مسائل رگرسیون و مدل سازی
- فرمول بندی رگرسیون بردار پشتیبان یا SVR و استخراج مدل QP
- تعمیم به حالت غیرخطی با استفاده از Kernel Trick
- پیاده سازی SVR در متلب برای تقریب تابع
- پیاده سازی SVR برای پیش بینی سری زمانی
- جمع بندی و نتیجه گیری های نهایی
درس چهارم: یادگیری غیرنظارت شده و خوشه بندی با الگوریتم k-Means
در این پست قصد داریم آموزش یادگیری غیرنظارت شده و خوشه بندی با الگوریتم k-Means در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به یادگیری غیرنظارت شده و مساله خوشه بندی (Clustering) و الگوریتم k-Means، پیاده سازی عملی این الگوریتم و حل مسائل خوشه بندی (کلاسترینگ) در محیط متلب نیز به طور کامل مورد بررسی قرار گرفته است. در برنامه های متعددی که در این فیلم آموزشی پیاده سازی شده است، ویژگی های مختلف تابع kmeans در متلب و نمایش نتایج حاصله را مورد بررسی دقیق قرار گرفته اند.
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. مطالب و مباحث این آموزش به زبان فارسی روان و توسط دکتر سید مصطفی کلامی هریس (فارغ التحصیل دکترای مهندسی برق - کنترل از دانشگاه صنعتی خواجه نصیرالدین طوسی) ارائه شده است.
فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
- مروری بر مبانی یادگیری ماشینی و انواع آن
- یادگیری نظارت شده
- یادگیری غیر نظارت شده
- یادگیری تقویتی
- مبانی خوشه بندی (Clustering)
- توصیف ریاضی مساله خوشه بندی به صورت مساله بهینه سازی
- الگوریتم k-Means (الگوریتم لوید (Lloyd’s Algorithm))
- خوشه بندی با استفاده از متلب
- حل مسائل خوشه بندی در متلب و نمایش نتایج حاصل
درس پنجم: شبکه های عصبی رقابتی و نگاشت خود سازمان ده (Self - Organization Map) یا SOM
در این پست قصد داریم آموزش جامع شبکه های عصبی رقابتی و نگاشت خود سازمان ده یا SOM را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به شبکه های عصبی رقابتی و نگاشت های خود سازمان ده، کاربردهای عملی مربوط به این نوع از شبکه عصبی غیرنظارت شده در حل مسائل مختلفی نظیر: خوشه بندی و کاهش ابعاد مورد بحث و بررسی قرار گرفته است. برنامه های مربوط به این شبکه های عصبی در آموزش به صورت گام به گام پیاده سازی شده اند.
فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
- مبانی شبکه های عصبی رقابتی
- سیاست های مختلف مورد استفاده در شبکه های عصبی رقابتی
- بررسی ساختار قشر مغز (Cerebral Cortex) و ارتباط آن با مفاهیم یادگیری رقابتی
- شیوه کارکرد نگاشت خود سازمان ده (Self - Organazing Map) یا به اختصار SOM
- معرفی و بررسی قانون یادگیری هب (Hebbian Learning Rule)
- معرفی و بررس قانون یادگیری کوهونن (Kohenen Learning Rule)
- تطبیق پذیری در شبکه های عصبی رقابتی
- پیاده سازی لایه رقابتی در متلب با استفاده از تابع competelayer
- حل مساله خوشه بندی با استفاده از شبکه عصبی رقابتی و تابع competelayer
- کلاسترینگ در جعبه ابزار شبکه عصبی متلب یا nctool
- پیاده سازی نگاشت خود سازمان ده یا SOM ساده با استفاده از nctool
- تفسیر نمودارهای خروجی ارائه شده توسط nctool
- بررسی توپولوژی های قابل استفاده در ساختار SOM در متلب
- خوشه بندی با استفاده از شبکه عصبی SOM در متلب
- پیاده سازی SOM با استفاده از m-file در متلب
- مقدمات کاهش ابعاد و مدل سازی با استفاده از SOM
- بررسی شباهت ها و تفاوت موجود میان شبکه های عصبی رقابتی و الگوریتم k-Means
درس ششم: تحلیل مولفه اساسی (Principal Component Analysis) یا PCA
در این فرادرس قصد داریم آموزش تحلیل مولفه اساسی یا PCA در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به روش تحلیل مولفه اساسی (Principal Component Analysis) یا PCA، نحوه پیاده سازی عملی آن در محیط متلب، حل مسائل کاهش ابعاد، انتخاب و استخراج ویژگی مورد بررسی واقع شده است. تمامی مراحل پیاده سازی انجام شده در این آموزش با ارائه توضیحات کامل تئوری و به صورت گام به گام انجام شده است.
فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
- بررسی ارتباط میان PCA و تجزیه مقادیر تکین (Singular Value Decomposition) یا SVD
- مفهوم مولفه اساسی و کاربرد آن در استخراج ویژگی و کاهش ابعاد
- مفهوم پروب (حسگر یا معیار) واریانس (Variance Perobe) و نقش آن در تفکیک پذیری
- بیان هندسی و جبر خطی برای بیشینه سازی واریانس و تفکیک پذیری
- ارتباط میان مقادیر ویژه، بردارهای ویژه، مقادیر تکین و بیشینه سازی واریانس تفکیک
- پیاده سازی گام به گام و عملی PCA در متلب
- نمایش جهت های ویژه و مولفه های اساسی داده ها
- نمایش میزان تفکیک پذیری داده ها با انتخاب هر یک از ورودی ها
- بیان ریاضی PCA به صورت فیلتر ویژه (Eigenfilter) برای داده های با حجم بالا
- قانون یادگیری اوجا (Oja Learning Rule)
- مقدمه ای بر PCA غیرخطی
- معرفی و بررسی الگوریتم Kernel PCA برای کاهش ابعاد غیرخطی با استفاده از Kernel Trick
درس هفتم: شبکه های عصبی هاپفیلد (Hopfield Neural Network)
در این فرادرس قصد داریم آموزش شبکه های عصبی هاپفیلد (Hopfield Neural Network) در متلب را معرفی کنیم که در آن علاوه بر مرور مبانی تئوری شبکه های عصبی هاپفیلد (Hopfield) و ارتباط آن با نظریه سیستم های دینامیکی غیرخطی، پیاده سازی عملی این نوع از شبکه عصبی برای حل مساله بازشناسی الگو و تشخیص کاراکتر (Character Recognition) مورد بحث و بررسی قرار گرفته است. در ادامه، کاربرد این نوع از شبکه های عصبی در حل مسائل بهینه سازی ترکیباتی (Combinatorial) مانند: مساله فروشنده دوره گرد (Traveling Salesman Problem) یا TSP مورد بررسی واقع شده است. ضمنا، ماشین بولتزمان به عنوان یک نسخه تصادفی از شبکه عصبی هاپفیلد نیز در این فیلم آموزشی معرفی شده است.
فهرست سرفصل ها و رئوس مطالب مطرح شده در این 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
۱.
مبانی تئوری شبکه های عصبی پرسپترون چند لایه یا MLP
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: ۴۲ مگابایت -- (کلیک کنید +))
۲.
طراحی شبکه های عصبی پرسپترون چند لایه یا MLP در متلب (الف)
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: ۴۶ مگابایت -- (کلیک کنید +))
۳.
طراحی شبکه های عصبی پرسپترون چند لایه یا MLP در متلب (ب)
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: ۱۳۹ مگابایت -- (کلیک کنید +))
۴.
مبانی تئوری شبکه های عصبی RBF
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: ۵۶ مگابایت -- (کلیک کنید +))
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.
راهنمای سفارش آموزشها
.svg)
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 (لینک دانلود) |
| حجم دانلود | ۲۶۷۲ مگابایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس) |
نظرات
صدرا صدیقین
آموزش خوب و کاملی بود . من راضی بودم .
ارشیا
به نظر من بهترین استاد فرادرس هست ایشون. کاش این مبحث ها برای نرم افزار پایتون رو هم ارائه بدن
صدرا
این آموزش ها سطح بالا هستن
صحرایی
آموزش خیلی خوبیه
ایمان
کدنویسشون بسیار جالب و جذاب هستش و به درستی می تونی متوجه مطالبی که ایشون تدریس میکنند بشید مفهومی هستند.
ستاره
من برای پایان نامه ام این آموزشو تهیه کردم ولی اگه صادقانه بخوام بگم، خیلی بهم کمک نکرد و بیشتر تئوری گفته شده بود،
بیشتر این مباحث باید پروژه محور باشه، یعنی 60 درصد تئوری و 40 درصد پروژه محور باشه.
مهدی
خیلی کاربردی بود.
مدرس با تسلط خیلی بالایی مطالب گفتن.
تشکر می کنم از شما بابت آموزش هاتون
یاور
خیلی جامع و کامل بود به هیچ مرجع دیگه ای نیاز پیدا نکردم، برام مفید بود.
صدراله
عالی و بدون هیچ نقضی همه مطالب گفته شد.
تبریک می گم به فرادرس به خاطر ارائه آموزش های پرمحتوا و مدرسین با تجربه
تبسم
فوق العاده است. راجع به پروژه م بود که به خوبی انجام شد. اساتید خیلی مسلط هستند، در کنار توضیحات و پاور پوینت، همزمان کد میزنن و نتیجه رو نمایش میدن.
رضا
خیلی خوب بود، آقای کلامی هریس خیلی کمکم کرد برای یاد گیری ساده و کاربردی توضیح داده بودند.
سمیرا
مدرس یکی از استاتید بزرگ هستند همه ی سرفصل ها رو به خوبی پوشش دادند و موردی رو از قلم ننداختند.
فرزاد
سلام و خسته نباشید میگم به شما عزیزان
محتوا خیلی خوبه فقط این مباحث خیلی تخصصی هست لطفا در این مورد آموزش هایی با مدت زمان بیشتر و کاملتر ارائه کنید.
محمد طاهر
خیلی سخت بود این آموزش. انگار سطحش بالا بود. یا شایدم سطح علمی من پایین بود. خیلی قابل فهم نبود.
رسول
آقای دکتر هریس خیلی خوبن. دوره خیلی کامل هست و سرفصل های درس مشخصی هم داره، استاد قاعدتا سواد خیلی بالایی دارند.
ستاره
این آموزش آقای کلامی هم دقیقا مثل آموزش متلب ایشون بود، همونقدر تئوری و مثل یه کتاب گفته شده بود.
زینب
برنامه نویسی یه جوری هست که حتما باید مثال داشته باشه برای متوجه شدن هر موضوعی که بیان میشه اول در رابطه با موضوع صحبت می کنند بعد مثال حل میکنند، با توجه به اینکه رفع اشکال نمیشه کرد، ایشون آموزش ها رو جوری توضیح میدهند که جایی برای هیچ اشکالی نمیذارند.
Rezaei
با عرض سلام و خسته نباشید به نظر بنده روش تدریس آقای دکتر کلامی بسیار شیوا هست خیلی از دانشجویانی که از آموزش های فردارس استفاده می کنند غالبا دانشجویان پیام نوری هستند که به صورت غیر حضوری انتخاب می کنند و عملا اساتید پیام نور نقش خیلی کم رنگ تری در ارائه مطالب دارند بنابراین دانشجویان معمولا از محتوا های آموزشی الکترونیکی استفاده میکنند مخصوصا از سایت فرادرس که در زمینه آموزش آکادمی بسیار فعال هستند پیشنهاد میکنم اگر رشته ای را تدریس میشه بر اساس سر فصل های منابع آموزش پیام نور باشه البته چند محتوای آموزشی فرادرس رو استفاده کردم که خوشبختانه مطابق سرفصل ها بود ممنون از حسن توجه شما به نظرات ارسالی دانشجویان
masoud
چه سایت خفنی دارین ....
من رشته ام مهندسی نفت هستش و در به در دنبال هوش مصنوعی بودم ، در اخر با سایت شما اشنا شدم ...
سپاس...
علی
من دکتر کلامی هریس رو خیلی قبول دارم و تدریسشون عالیه.
سینا
مطالب واقعا سطح بالا و کامل بود و مشخص هست مدرس تسلط بالايی نسبت به مباحث دارند.
سهیلا
بیانی شیوا و رسا دارند و به قول معروف لپ مطلب میرسونند.
یوسف
اصل متلب رو بیان کرده بودند و اینکه مطالب خلاصه بودند و مطالب اضافه ای نداشتند و در این آموزش از کد نویسی استفاده می کردند خیلی خوب بود.
سید زهیر
توضیح آموزش کامل بود، معمولا کسی که میاد از فرادرس آموزش تهیه میکنه قطعا برای ابتدای کار می خواد و برای دوره های تکمیل تر
میره کتاب و یا مسائل های قوی تر رو بررسی می کنه.
وحید
اين آموزش محتوای خيلی خوبی داشت مخصوصا قسمت هاپ فيلد
پيشنهادی که دارم لطفا ارتباط با مدرسين فراهم کنيد اين آموزش تهيه کردم و ميخواستم رو مقاله ام کار کنم اما به دليل کمبود اطلاعات نتونستم ديگه ادامه بدم.
ساسان
خیلی آموزش جالبی بود و پی دی اف کاملی داشت.
میثم
آموزش خوبی بود و نیاز منو برطرف کرد
میلاد
از همه لحاظ خوب بود.
ممنون
الهام
محتوا و مطالب ارائه شده خیلی خوب بود.
امیر
آموزش بسیار خوب و کامل بود. ممنون از آقای دکتر کلامی
مهدی
از لحاظ نرم افزاری و کدنویسی خیلی کمکم کرد، چون هرجایی نمیشه این آموزش را یاد گرفت. چه خوب که این آموزش در فرادرس در دسترس هست و کمتر وقت آدم رو می گیرند. رضایت داشتم.
امید
آموزش بسیار کاربردی بود و من دارم ازش استفاده می کنم.
محمد
عالی بود این آموزش. از هر نظری که بخوایم به یک آموزش امتیاز بدیم من کامل ترین امتیاز رو برای این آموزش و کلا برای آموزش های دکتر کلامی در نظر میگیرم. واقعا خسته نباشید.
رضا
آموزش خوب و مناسبی بود و تونست نیاز منو رفع کنه
همت
ممن این آموزش را تهیه کردم. عالی بود
ممنون از سایت خوبتون
سعیده
خیلی عالی بود این مجموعه واقعا به من کمک کرد هم تدریس عالی بود و هم قسمت های برنامه نویسی.
علی
آموزش خوبیه از نظر بیان مفاهیم
ولی چرا انقد کند؟ سرعت آموزش بسیار پایینه.
مونا
سلام
عالیه. برا من خیلی مفید بود.
تشکر
محمدرضا
سلام لطفا در زمینه علوم اعصاب شناختی که علاقمندان زیادی دارد مطلب و آموزش ارائه دهید .
amir
با عرض سلام و خسته نباشید . تشکر میکنم بابت این پکیج آموزشی مفید و کاربردی.
این آموزش خیلی مفید و کاربردی بود اما واسه بعضی از شبکه ها مثل هاپفیلد آموزش کامل نبود . کاش بعد از مطرح شدن مسائل ابتدایی(که برای درک راحت مسئله تدریس میشن) مثال های واقعی و کاربردی هم مطرح میشدن. برای مثال از طریق این آموزش نمیشه کامل فهمید که چجوری از روی دیتا ما واسه شبکه هاپفیلدمون نقطه تعادل تعریف کنیم. همه مثال های خیلی ساده بودن و ای کاش برای تکمیلشون مثال های واقعی تر و مقداری پیچیده تر هم مطرح میشد
مریم
یسیار عالی , جامع و کامل
بهتر بود منبعی که از آن استفاده شده نیز ذکر میشد
باتشکر
سجاد
خیلی خوب درس میده دمتون گرم
فروغ
سلام و وقت بخیر
من این آموزش رو به خاطر الگوریتم SVM و بحث کرنل و همینطور به خاطر یادگیری تقویتی تهیه کردم. ابتدا از استاد گرامی بسیار سپاسگزارم که خیلی خوب و عالی درس دادن. هیچ شکی در بیان بسیار عالی ایشان و مطالب بسیار زیادی که یاد می گیریم نیست. فقط دو تا انتقاد داشتم.
1- بحث کرنل به خوبی بهش پرداخته نشده و در این آموزش ما متوجه نشدیم که چرا و چگونه است که از کرنل استفاده می کنیم.(این مطلب را من از مطالعه سایر منابع متوجه شدم)
2- در تیترها نوشته اید یادگیری تقویتی هم گفته می شود. اما فقط توضیح مختصری درباره آن داده شده است کاش به طور واضح تر بیان کنید که این موضوع در این آموزش خلاصه گفته شده است.
سپاس از تمامی زحمات شما و آموزش های بی نظیرتان
سپید
برای توضیح هرکلمه یا اصطلاح تخصصی توضیحات زیادی میدن با مثال اول متوجه نوع مساله میشیم اینقدر تکرار می کنند خسته کننده میشه و هدف اصلی رشته ی درس از یاد میره... نکات خوبی رو می گن( ولی دیگه دچار یادگیری بیش از حد میشه)
نسرین
به نام خدا.با عرض سلام و ادب و احترام خدمت همه ی فرادرسی های عزیز و خسته نباشید بابت تمام زحمت هایشان.با توجه به بحث پرکاربرد شبکه های عصبی در پروژه های دانشگاهی و....ازآموزش این مبحث بصورت پایه ایی و منظم سپاسگذارم.وپیشنهادی که داشتم این هستش که خیلی هایی که با شبکه عصبی کار میکنن معمولا با فازی و انفیس هم سروکار دارن که اگر برای نرم افزار انفیس یه مجموعه کاملتری برای آموزشش درنظر می گرفتید (منظور هم تولباکس و هم کدنویسی آن )خیلی موثر و مفیدتربود.واقعا سایت فرادرس بی نظیره.و با فراگیری آموزش های موردنیاز هر رشته میشود مهارت خوبی کسب کردوموقعیت شغلی بوجودآورد.با سپاس بی کران از شما
بلوریان
درس تهیه کردم همه عالی بودن و از کیفیت راضی بودم که از کیفیتش راضی بودم فقط بحثشبکه عصبی بحث بسیار گسترده و پر مطلبیه و هنوز جای کار داره و بنده توصیه ام به شما اینه اکتفا نکنید به همین دوره اموزشی و باز هم در این فیلد اموزش دهید که قطعا طرفدار های زیادی خواهد داشت . و این که روش svm در این اموزش امده که باعث شده این اموزش واقعا کامل باشه ر فیلمهای آموزشی متلب در مورد شبکه های عصبی ام ال پی فقط به بررسی این نوع از شبکه عصبی در پرداخته شده و حرفی از نحوه کدنویسی بیان نسده است و در اخر یه خدا قوت به همه فرا درسا که نقش مهمی در پیشرفت علم و دانش کشور دارن.
سیده سرور سادات
با عرض سلام و خسته نباشید خدمت استاد کلامی هریس
من 5 فیلم آموزش ایشان را تهیه کردم .یکی از دلایلی مهمی که من علاقه مند به این آموزش ها پیدا کردم و از نقاط قوت این آموزش است
هر موردی که آموزش می دهند از پایه ای ترین مبحث اون موضوع شروع کرده و مرحله به مرحله پیش میروند به همین خاطر برای کسی
که پیش زمینه ای راجع به اون موضوع ندارد به راحتی و به طور کامل آن را یاد میگیرد
هورا منصف
با عرض سلام و خسته نباشید خدمت تیم فرادرس و مدرسان حرفه ایشان و تبریک بابت حسن انتخابشون. اصولا شبکه های عصبی و عصبی فازی در رشته ما که مدیریت است جزو روش هایی است که بسیار سخت است، اساتید دانشجویانی که چنین روش هایی رو بلدند به عنوان نمونه های موفق اعلام میکنند وبا ترسی که از یادگیری آن و اینکه نتواند از پس آموزش بربیاید در دل دانشجو می افتد که اصولا دانشجویان به سراغ چنین روش هایی نمیروند اما اگر دانشجویان از این سایت آموزشی و چنین آموزش هایی استفاده کنند یادگیری مفاهیم و در ادامه انجام پروژه های دانشجویی برایشان آسان میشود و از استرس و نگرانی خبری نیست.
دوایی
سلام آموزش شما بسیار مفید بود
سینا
با عرض سلام و خسته نباشید
من آموزش شبکه های عصبی مصنوعی فرادرس رو تهیه کردم و از اون خیلی استفاده کردم. واقعا درس شیرینی هست و بسیار کاریردی هم می باشد. با توجه به اینکه رشته من کامپیوتر نبود ولی این درس به کار خیلی از گرایشات مهندسی میاد. با توجه به اینکه استاد خودم در کلاس خیلی خوب توضیح می دادن و مفاهیم رو تشریح می کردن اما به دلیل کمبود وقت برخی آموزش ها مثل ماشین های بردار پشتیبان رو فرصت نکردن توضیح بدهند که با کمک فرادرس تونستم اون رو به خوبی یاد بگیرم همچنین برای دوستانی که می خوان شبیه سازی . کدنویسی کنن توصیه می کنم این آموزش رو استفاده کنن. من در پروژه پایانی از این آموزش svm خیلی استفاده کردم و نمره کاملش رو هم گرفتم. از دکتر کلامی هریس که خیلی زحمت می کشند تشکر ویژه دارم.
رضوان
سلام. فوق العاده هست .. من به تمام دوستان این آموزش را توصیه می کنم.
زینب ویس کرمی
سلام
بنده هم با نظر آقای روزبه نیک آیین موافقم
در فیلمهای آموزشی متلب در مورد شبکه های عصبی MLp فقط به بررسی این نوع از شبکه عصبی در toolbox پرداخته شده ،و نحوه کدنویسی کردن این نوع از شبکه ها مخصوصا در حالتی که تعداد لایه های پنهان بیشتر از یک لایه باشد صحبتی نشده است همچنین در مورد چطور تغییر دادن توابع فعالساز لایه های پنهان در این نوع از شبکه هاتوضیحی وجود ندارد
نرگس صالح پور
باسلام
آموزش عالیه. بنده از تمام آموزش هایی که تهیه کرده ام راضی هستم
فرزاد دادخواه
با سلام وعرض خسته نباشید
تشکر ویژه از مهندس کلامی عزیز من این اموزش رو برای کار پایان نامم تهیه کردم واقعا به بنده کمک کرد در پیشرفت پایان نامه. خودم من الان دانشجوی ارشد هستم اما همیشه میگم کاش زودتر با این سایت مفید اشنا میشدم کاش
با تشکر از همه دوستان
madjeian
سلام خدمت تمام فرادرسی های عزیز؛ چه کسانی که شبانه روز تلاش میکنند که دانشجوهای فارسی زبان از این حجم از اطلاعات باارزش ومعتبر علمی استفاده کنند و چه دانشجوهایی که با حمایتهای خودشون از فرادرس روز به روز به بهتر شدن خدمات فرادرس کمک میکنند.
در حقیقت من این آموزش رو تهیه کردم و شاید بیشتر با شناختی که از دکتر کلامی داشتم این کارو انجام دادم و میشه گفت هیچ پیش نمایشی رو ندیدم.
من ازین که این آموزش رو تهیه کردم بسیار راضی ام. حرفی که میشه در مورد این آموزش زد اینه که بازم شاهد آموزش های بی نقص و با کیفیت دکتر کلامی هستید و همزمان که مطالب تىْوری شبکه های عصبی رو یاد میگیرید دکتر شما رو با نماهای دیگری از داده کاوی ، هوش مصنوعی ، سیستم های فازی ، کاربردهای متلب و بسیاری نکات دیگه آشنا میکنه و شما رو عادت میده تا از امکانات تنبل کننده متلب بی نیاز باشید و با رویکردهای متفاوتی شما رو کمک میکنه که قادر باشید هر مسىْله ای رو با تکنیک هایی که یاد میگیرین تحلیل و بررسی کنید.
دوستان دانشجوی عریز
جواد
با سلام خدمت استاد ارجمندم آقای کلامی عزیز.
خسته نباشید هم بگم خدمت کادر فرادرس.
واقعا فوق العاده بود. تا الان سومین باریه که کامل این آموزشها رو دوره میکنم و مرتب واسه خودم نکته برداری میکنم. این آموزش باعث شد که بتونم ریسک کنم و موضوع پایان ناممو مرتبط با این آموزش انتخاب کنم. خیلی خوشحال که ظهور اموزش های مجازی مقارن شد با دوره اوج علم اموزی بنده، مطمئنا که اگه میخواستم شبکه عصبی رو بواسطه کتاب و نوشتار مطالعه کنم اولا کار طاقت فرسا و وقت گیری بود و دوما این نگاه جامع به مسایل رو نداشتم. بازم تشکر از استاد ارجمندم که آقای کلامی.
soleiman
آموزش بسیار عالی بود.
من هیچ اطلاعی در مورد شبکه عصبی نداشتم. تسلط مدرس عالی بود و کاملا مفهومی درس دادند.
اصفهانی
سلام. بنده این مجموعه رو تهیه کردم. هرچند هنوز زمانش نرسیده که بنده ازین مجموعه استفاده کنم. میخواستم از شما خواهش کنم اول هر ویدیو یک صفحه از سرفصلهایی که در اون ویدیو تدریس میشه قرار بدید. اگه فرصت بشه ساعت و دقیقه و ثانیه اون سرفصل رو قرار بدید که خیلی بهتر میشه. همچنین میتونید این جزئیات رو در یک فایل پی دی اف به صورت جدا گانه قرار بدید. واقعا جای خالی این فهرست حس میشه. ممنون از لطفتون.
نیلوفر
درود بر استاد حاذقی چون شما.
من دانشجوی ترم 8 نرم افزارم و میخواستم در زمینه تشخیص بیماری الزایمر با شبکه عصبی تحقیق کنم. میشه لطف کنین و بگین کدام فیلم اموزشی به من در این حیطه کمک میکند و اینکه چه مهارت هایی را خارج از این فیلم باید یاد بگیرم؟
روابط عمومی
ضمن تشکر از مکاتبه شما؛
بخش طبقه بندی از مجموعه آموزش های کاربردی شبکه های عصبی مصنوعی برای شما مفید خواهد بود. همچنین، آموزش زیر نیز در زمینه شبکه های عصبی مصنوعی و پیاده سازیشان در محیط متلب تهیه شده است.
مجموعه فرادرس های شبکه‌های عصبی مصنوعی در متلب
پاسخ به نظر
مهمان
با سلام و احترام خدمت شما بزرگواران.
آموزش های تهیه شده توسط گروه فرادرس از نظر علمی و کیفی بسیار مطلوب مناسب می باشند. مجموعه شبکه های عصبی نیز از این قاعده مستثنی نیست. پس از دیدن مباحث مطرح شده در این فرادرس معلومات زیادی کسب کردم. مجموعه شبکه های عصبی را به تمام دانشجویانی که در این حوزه کار می کنند پیشنهاد می کنم.
اگر امکاناتی فراهم می شد تا افراد بیشتری با محصولات شما آشنا شوند بسیار تاثیر گذار بود. بهترین کسانی که می توانند مبلغ آموزش های شما باشند ، افرادی هستند که خود از این آموزش ها استفاده نموده اند. یک راهکار موثر می تواند ارائه خدمات به مخاطبینی باشد که آموزش های فرادرس را به دیگران معرفی می نمایند.
محمد
با سلام و تبریک سال جدید و تشکر از سایت خوب و جامع فرادرس.
من کارشناس ارشد رشته جغرافیا هستم. من تا حالا از سایت فرادرس آموزشی تهیه نکردم. چون فکر نمی کردم که در رابطه با رشته جغرافیا آموزشی داشته باشه. یه روزی از دوستام که روی پایان نامه زمین لغزش با شبکه عصبی کار می کرد دیدم که تو خوابگاه آموزشی رو نگاه می کنه. بعد که پرسیدم گفت که از سایت شما تهیه کرده و خیلی هم راضی بود. تا اینکه منم تصمیم گرفتم از آموزش های شما رو بررسی کنم که بین اون ها به آموزش شی گرا و نرم افزار eCognition برخورد کردم و برام خیلی جالب بود که این آموزش هم تو لیست شما هست.
امیدوارم که در همه عرصه ها موفق باشید.
حامد
با سلام.
من تا کنون تمام نیازهای آموزشی ام را به جای استفاده از کلاس های گران قیمت و وقت گیر، از شیوه ی Self Study برطرف کرده ام. استفاده از کتب مرجع و فیلم های آموزشی فرادرس برای من بسیار مفید واقع شده اند. در بین فرادرس هایی هم که تا کنون تهیه کرده ام این مجموعه (شبکه های عصبی مصنوعی در متلب) به علت بیان تقریبا تمام مطالبی که مورد نیاز هست، مفیدترین آن ها بوده است که جا دارد از آقای دکتر کلامی به خاطر فراهم سازی ایم مجموعه آموزشی نهایت قدردانی رو انجام بدهم. کدهای آماده ی موجود در پکیج هم کمک زیادی به انجام پروژه ام داشت.
در نهایت به تیم فرادرس به خاطر تولید این مجموعه ی آموزشی بی نظیر تبریک عرض می کنم و امیدوارم همچنان در مسیر پیش رو موفق باشید.
سامان
از آموزش های بسیار خوب و روان شما متشکریم. باشد که در آینده ما نیز بتوانیم همچین آموزش هایی تولید کرده و به جوانان کشورمان خدمتی کرده باشیم. من از آموزش شبکه عصبی استاد کلامی برای پروژه درس هوش مصنوعی پیشرفته استفاده کردم و برایم مفید بود شیوه آموزش به این صورت بود که ابتدا استاد مبحث درس را توضیح میداد و سپس مثال هایی را در متلب عنوان میکرد که برای بنده شیوه آموزشی مناسبی بود. از وبسایت خوب فرادرس متشکرم.
مهسا
این آموزش هم، همچون دیگر آموزش های شما بسیار خوب و با کیفیت است.
کلاً از مزایای آموزش های فرادرس، بخصوص فرادرس های مرتبط با هوش مصنوعی، ساختار مشخص و مدون آن هاست بطوریکه ابتدا تئوری و مفاهیم پایه مرتبط با موضوع مطرح شده، سپس با پیاده سازی گام به گام الگوریتم مورد نظر در زبان متلب، مطالب به صورت منطقی و آرام آرام به مخاطب آموزش داده می شود. در نهایت هم که با حل چندین مسئله، کاربرد الگوریتم در حل مسائل مختلف توضیح داده شده است.
این آموزش به من که خیلی کمک کرد، فقط اگر مباحث پیشرفته تر، هم بیان می شد، خیلی خوب بود.
باتشکر
amir
با عرض سلام و خسته نباشید و تشکر ویژه بابت سایت پربارتون.
بنده مجموعه آموزشی شبکه های عصبی رو در حدود 2 سال پیش در مجموعه گنجینه فرادرس تهیه کردم و تقریباً جزء بهترین مجموعه های آموزشی فرادرس بشمار می آید.
اما بهتر بود در بخش بررسی مبانی تئوری کلاسترینگ بردار پشتیبان یا SVC نیز به حل مثال هایی پرداخته می شد که متاسفانه این اتفاق رخ نداده است در ضمن بخش های مختلف فرادرس تنها با استفاده از سری زمانی مکی گلس به آموزش پرداخته است و نیاز به حل مسائل کاربردی تر مثلا سری زمانی شاخص بورس و ... به شدت احساس می گردد.
با تشکر
ایمان
با سلام
قبلا از هر چیز برای آموزش های بسیار خوبی که ارایه می کنید متشکرم. در ارتباط با این مجموعه آموزشی در واقع فقط SVM برای طبقه بندی آورده شده که فقط برای مسیله باینری استفاده می شود .
سهیل بحر کاظمی
از این پکیج به منظور آشنایی و تهیه پروپوزال استفاه کردم، که بسیار مفید بود، اما ذکر چند نکته لازم است.
در خصوص مباحث ارایه شده جای این بحث مطرح است که بهتر بود در یک پکیج کامل تمامی آموزش های مرتبط با شبکه عصبی گنجانده شود. اما اگر حتی این امکان وجود داشت که تمامی آموزش ها در یک پکیج عرضه شود می توانست بسیار مفید باشد. در مبحث سری های زمانی دروس ارایه شده توسط دکتر آتشپز رو پیشنهاد می کنم که به صورت مبسوط تر و در زمانی کوتاه تر به توضیح این مطلب میپردازند. همچنین بهتر است در خصوص خوشه بندی (clustering) مباحث به صورت جامع تر مطرح شود چرا که تمامی خوشه بندی ها به صورت باینری و 0 و 1 بوده اما در عمل این خوشه بندی ها شامل چندین دسته می شود که بهتر است حالت تعمیم یافته آن نیز در بحث گنجانده شود و همچنین یک case در خصوص ساخت داده ها برای آموزش شبکه عصبی باشد به عنوان مثال در بحث خوشه بندی، یک مورد شامل بیش از 2 خوشه بررسی شود و در خلال کار داده ها برای ورود به شبکه عصبی تهیه شود.
reza
سلام. با تشکر فراوان. مطالب آموزنده بود.
بهروز
فرادرس به من ماهی گیری یاد داد و من می تونم نیاز های پژوهشیم را خودم برطرف کنم و نیازی به کسی برای انجام دادن ندارم و از این بابت بسیار خوشحالم.
روابط عمومی
در پاسخ احسان:
خوشحالیم که آموزش های فرادرس، توانسته است برای شما مفید باشد و نظر شما را جلب نماید.
ستون اول در داده های مورد اشاره، متغیر مربوط به زمان (گسسته) است. به دلیل این که در پیش بینی، فرض شده است که سری زمانی، به صورت مستقیم به زمان وابسته نیست، از این رو در مدل سازی دخالت داده نشده است. همان طور که در متن آموزش نیز توضیح داده شده است، برای مدل سازی سری زمانی، می بایست رابطه ای میان مقدار فعلی سری زمانی (به عنوان متغیر وابسته یا خروجی) و مقدار همان سری در گذشته (به عنوان متغیر مستقل و یا ورودی) ایجاد شود. در واقع، از شبکه عصبی و یا هر سیستم مدل کننده دیگر، برای تخمین این رابطه استفاده می شود. در واقع این سیستم بدون ورودی نیست؛ بلکه ورودی ها از مقادیر گذشته (تاخیری) خروجی تشکیل شده اند. مقادیر ستون اول داده ها نیز، اصولا چیزی غیر از زمان نمی توانستند باشند؛ پس امکان تصادفی بودن آن ها نیز وجود ندارد.
موفق باشید
احسان
با درود فراوان خدمت جناب آقای دکتر سیدمصطفی کلامی هریس
یک سوال داشتم خدمتتون ؟
منتها اول تشکر کنم به خاطر آموزشهای فوق العادتون. حرف نداره واقعا مشخصه نتیجه سالها زحمت و تجربتون را دارید داخل فیلم میگید که متاسفانه به ندرت دیده میشه افرادی مثل شما اطلاعاتشون را به این صورت گسترش بدن.
سوالی که خدمتتون داشتم در مورد سری زمانیه که در بخش سوم در موردش صحبت میکنید.خب همانطور که خودتون میدونید وقتی load mgdata.dat را وارد میکنیم دو ستون دیتا به ما میدهد که ستون اول به خاطر اینکه به صورت مرتب از صفر تا 1200 با فاصله یک گام رفته فرقی نمیکند باشد یا نه در واقع plot ستون دوم فرقی با plot ستون دوم بر حسب ستون اول ندارد چون گامها با فاصله یک گام رفته فرقی نداره و هر دو یکین.
سوالی که اینجا هست شما سیستم را بر حسب دادهای خروجی مدل سازی کردید؟ یعنی فرض کردید ورودی های سیستم را ندارید؟
اگر دادهای ورودی به صورت rand بود و نوسان داشت باز هم هینطور عمل میکردید. یعنی ورودی را در نظر نمیگرفتید؟
چون همانط
آرش چاقری
با سلام و عرض خسته نباشید خدمت عوامل فرادرس. این مجموعه یکی از مجموعه های مفید و کارا برایم بود. من که درس شبکه های عصبی را نداشتم و از ابتدا با این مجموعه شروع کردم، توانستم به خوبی با شبکه های عصبی آشنا شوم و مفاهیم آن را درک کنم. همچنین بتوانم در پروژه های خود از شبکه های عصبی استفاده کنم. این رویکرد جناب آقای دکتر کلامی که ابتدا بحث تئوری و سپس بخش عملی را ذکر می کنند، بسیار جالب و از نقاط قوت کار ایشان است.
نکیسا
با سلام خدمت شما مدیران محترم سایت فرادرس.
در ابتدا مستقیما سراغ انتقاداتی که از سایت شما دارم میروم, در خصوص آموزشهای دروسی که مرتبط با متلب هستند، شما تمام تمرکز را روی تولباکس های متلب قرار داده اید؛ در صورتی که دانشجویانی که رشته ی هوش مصنوعی هستند باید بتوانند بدون استفاده از تولباکس ها کدنویسی بکنند؛ بنظرم اگر دروس مقدماتی را در حد تولباکس (مخصوص دانشجویان بقیه رشته ها) و سطوح پیشرفته تر را مخصوص دانشجویان ارشد و دکترای هوش مصنوعی میباشد را به صورت کدنویسی بدون استفاده از ام-فایل ها و تولباکس ها قرار بدهید بسیار عالی خواهد شد. درسته که تولباکس مقدماتی و پایه ایی هست ولی تولباکس فقط مختص کسانی هست که رشته هوش نباشند و بخواهند از یک ابزار در کنار پروژه خودشان استفاده کنند؛ پس اگر امکانش هست خواهشا آموزش کدنویسی شبکه عصبی (انواع شبکه عصبی ها) و ژنتیک الگوریتم و مابقی الگوریتم ها را بدون استفاده از تولباکسها را نیز در سایتتان قرار بدهید.
در خصوص درس شبکه عصبی یک انتقاد دیگر هم داشتم؛
روابط عمومی
در پاسخ به نکیسا؛
با سلام؛
از درج دیدگاه تان بسیار متشکریم؛ این موارد توسط مدیریت آموزشی فرادرس بررسی می شوند.
امیدواریم شما را به عنوان همراه همیشگی فرادرس داشته باشیم.
موفق و پیروز باشید.
در راستای این پیام، مخاطبین را به مطالعه لینک های زیر دعوت می کنیم:
درخواست تهیه آموزش
هدیه های آموزشی
پاسخ به نظر
محمد
با عرض سلام و خسته نباشید و تشکر ویژه بابت سایت خوبتون. من برای انجام پروژه های دانشگاه به یادگیری شبکه های عصبی مصنوعی و پیاده سازی آن در متلب نیاز داشتم. خوشحالم که با استفاده از بسته کاربردی فیلمهای آموزشی شبکه‌های عصبی مصنوعی در متلب توانستم شبکه های عصبی و پیاده سازی آنها در متلب را یاد بگیرم. هرچند کاربردهای شبکه عصبی و اصول استفاده از آن در کاربردهای مختلف در این بسته آموزش داده شده است، جای خالی آموزش های کاربردی تری از شبکه های عصبی در زمینه های مختلف از قبیل کاربرد آن در بازار برق حس می شود که امیدوارم به زودی در این زمینه نیز، آموزشی را تولید کنید. با تشکر
سالاری
نحوه تدریس، ارایه و نیز برنامه ریزی ارایه مطالب در این آموزش، یعنی مجموعه آموزش های شبکه های عصبی مصنوعی در متلب خوب و کاملا مناسب است. همچنین مطالب منتخب شده نیز مطالب مناسب و کاربردی و نیز پایه ای است و مبانی را به خوبی معرفی می کند. همچنین شاید مفید باشد این نکته نیز بیان شود که چه نرم افزارهایی (غیر از متلب) قابلیت اجرای روش های بیان شده در این آموزش را دارند و به شکل بسیار ابتدایی و کوتاه در مورد تابع یا بخشی از نرم افزار مورد نظر که بر اساس الگوریتم های تشریح شده در آموزش عمل می کند توضیح داده شوند. این امر کمک می نماید تا شخصی که مبانی را به شکل اساسی و برپایه الگوریتم و نیز برنامه نویسی یادگرفته بتواند با نرم افزارهای مرتبط نیز پروژه خود را انجام دهد. البته منظور آموزش نرم افزار دیگر در قالب این فرادرس نیست بلکه صرفا بحث معرفی کوتاه و نشان داده فضای نرم افزار و شاید ارایه یک اجرای ساده توسط نرم افزار و مطابقت جواب نرم افزار با متلب باشد. البته منظور تولباکس شبکه عصبی متلب نیست بل
شیما قنواتی
با سلام و احترام
ضمن سپاس از سایت سودمند فرادرس و عزیزان زحمت کش در این مجموعه، باید عرض کنم که مجموعه ی شبکه عصبی فرادرس یکی از کاملترین مجموعه های آموزشی شبکه عصبی است که تا بحال دیدم. از کلام شیوای آقای دکتر سیدمصطفی کلامی هریس هم نگذریم که بسیار شیوا و رسا و با تسلط کامل مفاهیم را توضیح فرمودند. هم چنین مطالب از نظم و طبقه بندی بسیار خوبی نیز برخوردار بود. خود من این مجموعه را به دیگر دوستانم معرفی و خوشبختانه آن ها نیز از خرید این مجموعه رضایت کامل داشتند.
سپاس از شما و آقای هریس کلامی.
حسنی
با سلام این آموزش بسیار جامع و مفید بود.
بنده مجوعه فازی دکتر کلامی را هم قبل از این آموزش استفاده کرده بودم که بسیار راضی کننده بود.
با تشکر
بدری
با سلام و احترام خدمت شما بزرگوارن
آموزش های تهیه شده توسط گروه فرادرس از نظر علمی و کیفی بسیار مطلوب مناسب می باشند. مجموعه شبکه های عصبی نیز از این قاعده مستثنی نیست. پس از دیدن مباحث مطرح شده در این فرادرس معلومات زیادی کسب کردم. مجموعه شبکه های عصبی را به تمام دانشجویانی که در این حوزه کار می کنند پیشنهاد می کنم. اگر امکاناتی فراهم می شد تا افراد بیشتری با محصولات شما آشنا شوند بسیار تاثیر گذار بود. بهترین کسانی که می توانند مبلغ محصولات شما باشند ، افرادی هستند که خود از این محصولات استفاده نموده اند. بنابراین مجموعه فرادرس می توانند علاوه بر افزایش کیفیت محصولات و جلب رضایت مشتریان، تمهیداتی برای آشنایی دیگر دانشجویان با این محصولات بیندیشند. یک راهکار موثر می تواند ارائه خدمات به مشتریانی باشد که محصولات فرادرس را به دیگران معرفی می نمایند.
امیر
تشکر از فرادرس برای تهیه این آموزش. این مجموعه ویدیو بسیار عالی هستش با توجه به اینکه یک پک جامع هست و از نظر هزینه ای بسیار مناسب هست و همچنین آموزش های مختلف رو داره و از نظر سرفصل مطالب دانشجو دچار سردرگمی نمی شود بسیار عالی هست. ارزوی موفقیت برای فرادرس و اینکه لطفا به درخواست های تهیه ویدیو ی دانشجویان احترام بگذارید و آنها را تهیه کنید زیرا یک آموزش درخواستی برای بسیاری دیگر از دانشجویان مورد استفاده هست و توجیه هزینه ای دارد ولی از نظر زمانی اگر سریعتر تهیه شود ممنون میشم.
سعید احمد خان
با سلام و عرض خسته نباشد.
با استفاده از این مجموعه بسیار عالی تونستم کار پیاده سازی مقاله علمی ای که روش کار میکردم رو انجام بدم واقعا ممنون.
همچنین از زحمات شما و دکتر کلامی که با این تسلط علم خودشون رو در اختیار ما قرار میدهند تشکر میکنم.
عصمت بني هاشم
با عرض سلام و خسته نباشيد
اين مجموعه با تدريس بسيار خوب آقاي دكتر كلامي براي من كاربردي بود و در پروژه هام تونستم از مطالب گفته شده استفاده كنم.
آقاي دكتر كلامي تسلط كامل و بيان عالي دارند در ارائه مطالب.
سربلند باشند و موفق.
مرادی
سلام، فرادرس مربوطه بسیار مطلوب و قابل قبول میباشد، تدریس این فرادرس توسط آقای دکتر کلامی نیز بسیار عالی میباشد. بهتر بود تاکید بیشتری بر کد نویسی شبکه های (بدون استفاده از تولباکس) مورد نظر میشد علاوه بر تاکیدی که بر استفاده از تولباکس شده است. ولی در مجموع سایر بحث ها بسیار عالی بود.
علیرضا
با سلام. آموزش ها کامل بودند. فقط اگه امکانش هست مثالهای متفاوت حل بشه تا کاربردهای مختلف شبکه عصبی کاملا مشخص شود.
ایل بیگی
با سلام و خسته نباشید. بنده این آموزش را تهیه کردم و خیلی از آن راضی بودم. فقط چون در زمینه طبقه بندی کار می کنم چند پیشنهاد داشتم. اول این که بهتر بود روش طبقه بندی چند کلاسه SVM هم مطرح میشد زیرا بیشتر مسائل طبقه بندی چند کلاسه هستند و تعمیم دو کلاسه به چند کلاسه کمی مشکل است. دوم این که زمان بیشتری را به طبقه بندی اختصاص دهید. سوم این که در روش RBF نحوه انتخاب مراکز مطرح شد. و آخر این که شبکه های عصبی CNN و RNN هم به مجموعه شبکه عصبی اضافه کنین. ممنون
نعیمه
با سلام. بخاطر توضیحات بسیار عالی و تدریس زیبای ایشان کمال تشکر را دارم. این آموزش در انجام پایان نامه ام کمک زیادی به من کرد.
مهدی
سلام
من مجموعه آموزش های شبکه های عصبی مصنوعی در متلب رو سفارش دادم.
آموزش ها عالیه.
خیلی ممنون
بهناز خلیلی
خیلی خوب توضیح داده شده است. متشکرم.
مریم سادات هاشمی پور
من دید و پیش زمینه ای نداشتم. با این وجود با توضیحات خیلی خوب و شفاف مدرس موضوع را آموختم.
ایمان
سلام پایان نامه بنده پیش گویی افزایش حساسیت به میدان های الکترو مغناطیسی با استفاده از شبکه های عصبی هست ای مجموعه به نظر شما به در د من که از پایه میخوام شروع کنم میخوره یا نه؟
روابط عمومی فرادرس
در پاسخ ایمان:
با سلام
با توجه به اینکه در این آموزش شبکه های عصبی مصنوعی از پایه، ابتدا بصورت تئوری و سپس پیاده سازی در محیط متلب تدریس شده است، می تواند برای شما مفید باشد.
پیروز، شاد و تندرست باشید.
پاسخ به نظر
محمد مهدی هاشمی نژاد
خیلی خوب بود ولی لطفا آموزش های تکمیلی با ذکر مثال های بیشتر ارائه دهید
مینا دهقانی
آموزش برای من بسیار مفید بود. اگر امکان هست شبکه های عصبی در مسائل بهینه سازی رو ارائه کنید.
مریم شامقلی
محصولات شما که دیگه نیاز به نظر ندارند چون بسیار عالی هستند و ما در شرکت خودمون از محصولات شما هم استفاده کرده ایم. در دانشگاه بصورت تئوری آموزش میدند اما در محصول شما هم بصورت تئوری و هم بصورت عملی تدریس میکنند که بسیار عالیست.
شایا ارشدی
کیفیت کلی محصولات خیلی خوب می باشد. به نظرم اگر قسمت تئوری و عملی جدا شوند مفید ترخواهند بود و همینطور زمان محصولاتتون کم هست.
سیروس رهبری
از نظر من استاد خیلی خوب توضیح داده بود، مخصوصا بخشی که شبکه های چند لایه رو توضیح داده بود خیلی عالی بود.
کورش ماهیدشتی
سلام. دید بسیار عالی به من داد.این آموزش را برای انجام پروژه تهیه کردم. از مدیریت مجموعه بسیار متشکرم.
شهرام سلطانی
آموزش خوبی میشه گفت بود مخصوصا بخشی که شبکه عصبی رو در متلب آموزش میدهند، بسیار عالی هست.
محمد نوید کاردانی
با سلام. آموزش جامع و کاملی بود و من نهایت بهره را بردم. برایتان آرزوی پیشرفت روز افزون دارم.
امید ادریس
آموزش خوبی بود و تقریبا جامع توضیح میدادند. از پردازش تکاملی و ژنتیک و چند مورد دیگر هم استفاده کرده ام و رضایت دارم.
روابط عمومی
در پاسخ به علی:
با سلام،
معمولا برنامه ریزی جهت ارائه آموزش، طبق نظر هیئت علمی فرادرس و همچنین طبق پیشنهادات مخاطبین انجام می شود.
شما نیز می توانید جهت ثبت پیشنهاد خود در دیتابیس فرادرس، به این لینک مراجعه نمایید.
از مکاتبه شما متشکریم.
موفق و پیروز باشید.
کریم سلیمانی
من هنوز موفق نشدم همه آموزش را ببینم ولی تا جایی که دیدم میتونم بگم خیلی عالی بود و همین که چنین آموزشی رو با این هزینه تونستم در این سطح تهیه کنم بسیار عالی بود
مریم کاظمی
خیلی راضی ام و به خیلی از دوستام معرفی کردم و اونا هم از سایت شما استفاده زیادی بردند و همین طور من در بخش تئوری مشکل داشتم و هر چقد کتاب میخوندم درک نمیکردم که با دیدن این آموزش خیلی از مشکلاتم حل شد .
علی
سلام
خسته نباشین
بقیه قسمت های شبکه عصبی مثل شبکه های انجمنی یا آدالاین یا هبین یا رقابتی یا سطوح عملکرد رو کی اضافه میکنید؟
محمود شهرابی
سلام. آموزش با زبان ساده نکات طبقه بندی شده را در بر دارد. تدریس و تسلط مدرس به موضوع عالی بود.
alii
آیا این محصول الگوریتم یادگیری تقویتی Reinforcement learning را هم پوشش داده است؟
روابط عمومی
در پاسخ به alii:
با سلام، در مورد موضوع اعلامیتان پیشنهاد می کنیم به این لینک مراجعه نمایید.
موفق و پیروز باشید.
پاسخ به نظر
محمد
به نظرم این تنها آموزشی است که به این صورت ارائه شده. شیوه بیان مدرس خیلی خوب بود. از آقای دکتر کلامی متشکرم.
امین
با سلام. بخش کد نویسی بسیار عالی هست و اینکه کدها هم در محصول وجود دارند بسیار عالی هست.
یاسر قادری
سلام. خوب بود راضی ام و نکاتی که تقریبا نیاز داشتم رو یاد گرفتم .
روابط عمومی
در پاسخ به حسین:
با سلام،
ابتدا مسائل تئوری شبکه عصبی بطور کامل توضیح داده می شوند و سپس پیاده سازی در محیط متلب آموزش داده می شود.
موفق باشید
حسین
سلام در این آموزش فیلم های آموزشی شبکه های عصبی مصنوعی در متلب شامل آموزش خود شبکه های عصبی از پا یه هم می شود یا فقط نحوه استفاده از متلب در این زمینه را آموزش می دهد چون اینجانب اطلاعی در این زمینه ندارم و تازه کار هستم
با تشکر
علی
ممنون. خیلی خوبه.
ایمان
برای انجام پایان نامه این محصول را تهیه کردم و با اطلاعات اولیه در حد صفر که از این مقوله داشتم خیلی تونست بهم کمک کنه، به همه دوستان توصیه میکنم.
ممنون
شهبازی
واقعا دمتون گرم. عالیه.
روابط عمومی
در پاسخ امید:
با سلام،
در بسته ای که دریافت می نمایید، علاوه بر فیلم آموزشی، کد های آموزش داده شده نیز وجود دارد.
موفق باشید
امید
با عرض سلام.
آیا کدها نیز به همراه فیلم ها ارائه می شود؟
کرامت اسماعیلی
با سلام
من چند سالی است از آموزش های این سایت استفاده می کنم بسیار عالی است بخصوص کلام شیوای اقای دکتر کلامی بسیار دل نشین وجذاب است بنده خودم استفاده می کنم وبه دوستانم هم سفارش می کنم از این آموزشها استفاده کنند.
روابط عمومی
در پاسخ به کرامت اسماعیلی:
با سلام،
از انتخاب و اعتماد شما متشکریم.
امیدواریم با حمایت شما و سایر مخاطبین، روز به روز در راستای جلب رضایت بیشتر، گام برداریم.
موفق و پیروز باشید.
پاسخ به نظر