۱۶۰,۰۰۰ تومان

آموزش الگوریتم‌ های بهینه‌ سازی در یادگیری ماشین + پیاده سازی در متلب

آموزش الگوریتم‌ های بهینه‌ سازی در یادگیری ماشین + پیاده سازی در متلب

هزینه آموزش
۱۶۰,۰۰۰ تومان

تعداد دانشجو
۲۳ نفر
مدت زمان
۵ ساعت و ۴۶ دقیقه
محتوای این آموزش
تضمین کیفیت

یادگیری ماشین در حقیقت الگوریتمی برای یاد گرفتن و تعمیم دادن از روی داده‌های ثبت‌ شده ورودی و خروجی است که هدف آن پیش‌بینی نتایج برای داده‌های ورودی جدید است. می‌توان یادگیری ماشین را به فرم تقریب تابعی تعبیر کرد که بردار ویژگی‌های ورودی را به بردار ویژگی‌های خروجی نسبت می‌دهد. توابع تقریب در یادگیری ماشین دارای فرم‌های مختلفی است. در تمام این ساختارها، مجموعه‌ای از پارامترهای تصمیم وجود دارند که باید به بهترین فرم ممکن تعیین شوند. یکی از مهمترین الگوریتم‌های بهینه‌سازی عددی، گرادیان نزولی (Gradient Descent) است که در این آموزش به صورت دقیق و مفصل به این روش، ساختارهای مختلف و تعمیم‌های مختلف آن می‌پردازیم. برای یادگیری دقیق‌تر، علاوه بر بیان تئوری مطالب و مفاهیم آن‌ها، سعی می‌کنیم از طریق حل مساله‌های مهم در یادگیری ماشین و کدنویسی در نرم‌افزار متلب (MATLAB) با انواع مختلف روش‌های بهینه‌سازی مبتنی بر گرادیان آشنا شویم.

آموزش الگوریتم‌ های بهینه‌ سازی در یادگیری ماشین + پیاده سازی در متلب

تعداد دانشجو
۲۳ نفر
مدت زمان
۵ ساعت و ۴۶ دقیقه
هزینه آموزش
۱۶۰,۰۰۰ تومان
محتوای این آموزش

امید زندی

دانشجوی دکتری تخصصی مهندسی برق – کنترل

ایشان دانشجوی دکتری مهندسی برق – گرایش کنترل در دانشگاه علم و صنعت ایران هستند و موفق به کسب رتبه اول (مدال طلا) المپیاد علمی دانشجویی مهندسی برق کشور در سال ۹۴ و همچنین رتبه سوم (مدال برنز) المپیاد علمی دانشجویی کشوری در سال ۱۳۹۳ در رشته برق شده‌اند.

توضیحات تکمیلی

یادگیری ماشین در حقیقت الگوریتمی برای یاد گرفتن و تعمیم دادن از روی داده‌های ثبت‌ شده ورودی و خروجی است که هدف آن، پیش‌بینی نتایج برای داده‌های ورودی جدید است. می‌توان یادگیری ماشین را به فرم تقریب تابعی تعبیر کرد که بردار ویژگی‌های ورودی را به بردار ویژگی‌های خروجی نسبت می‌دهد. تقریب این تابع را می‌توان به فرم یک مساله بهینه‌سازی تعبیر کرد. تابع تقریب به شکلی تعریف می‌شود که به بهترین وجه ممکن داده‌های ورودی را به خروجی نگاشت بدهد. برای این منظور در یادگیری ماشین، اغلب تابع هزینه‌ مجموع مربعات، خطای پیش‌بینی تعریف می‌شود و با بهینه‌سازی آن به تابع تقریب می‌رسیم.

توابع تقریب در یادگیری ماشین دارای فرم‌های مختلفی مانند رگرسیون خطی (Linear Regression) و غیر خطی، شبکه‌های عصبی پرسپترون (Perceptron Neural Network)، شبکه عصبی عمیق (Deep Learning) و... است. در تمام این ساختارها، مجموعه‌ای از پارامترهای تصمیم وجود دارند که باید به بهترین فرم ممکن تعیین شوند. برای مثال در شبکه‌های عصبی، وزن‌های سینوپتیکی و بایاس وجود دارند. این پارامترهای آزاد با بهینه‌سازی تابع هزینه محاسبه می‌شوند، اما مهمترین مشکل این است که اغلب، ساختار توابع تقریب‌زن، غیر خطی و پیچیده هستند و با روش‌های تحلیلی در ریاضیات نمی‌توان به بهینه‌سازی آن‌ها پرداخت، لذا در تمام الگوریتم‌های یادگیری ماشین برای یادگیری (به همان معنای بهینه‌سازی) از روش‌های عددی استفاده می‌شود.

یکی از مهمترین الگوریتم‌های بهینه‌سازی عددی، گرادیان نزولی (Gradient Descent) است که در این آموزش به صورت دقیق و مفصل به این روش، ساختارهای مختلف و تعمیم‌های مختلف آن می‌پردازیم. برای یادگیری دقیق‌تر، علاوه بر بیان تئوری مطالب و مفاهیم آن‌ها، سعی می‌کنیم از طریق حل مساله‌های مهم در یادگیری ماشین و کدنویسی در نرم‌افزار متلب (MATLAB) با انواع مختلف روش‌های بهینه‌سازی مبتنی بر گرادیان آشنا شویم.

فهرست سرفصل‌ها و رئوس مطالب مطرح شده در اين مجموعه آموزشی، در ادامه آمده است:
  • فصل یکم: بهینه‌سازی تک‌متغیره
    • درس یکم: مقدمه‌ای بر اهمیت بهینه‌سازی
    • درس دوم: روش جستجوی شبکه
    • درس سوم: کدنویسی روش جستجوی شبکه
    • درس چهارم: الگوریتم نسبت طلایی
    • درس پنجم: کدنویسی الگوریتم نسبت طلایی
    • درس ششم: نمایش گرافیکی الگوریتم نسبت طلایی
  • فصل دوم: بهینه‌سازی چندمتغیره با الگوریتم گرادیان نزولی
    • درس هفتم: الگوریتم گرادیان نزولی
    • درس هشتم: کدنویسی الگوریتم گرادیان نزولی
    • درس نهم: کدنویسی بهینه‌سازی چندمتغیره با گرادیان نزولی
    • درس دهم: الگوریتم Steepest Descent
    • درس یازدهم: استفاده از گرادیان عددی برای بهینه‌سازی
  • فصل سوم: تعمیم‌های الگوریتم گرادیان نزولی
    • درس دوازدهم: گرادیان نزولی با ممان MGD
    • درس سیزدهم: گرادیان نزولی تطبیقی AdaGrad
    • درس چهاردهم: سایر تعمیم‌های گرادیان نزولی
  • فصل چهارم: بهینه‌سازی چندمتغیره با الگوریتم‌های بهینه‌سازی مرتبه دوم
    • درس پانزدهم: الگوریتم بهینه‌سازی نیوتن
    • درس شانزدهم: الگوریتم‌های بهینه‌سازی گرادیان مزدوج و شبه ‌نیوتن
  • فصل پنجم: چند پروژه کاربردی
    • درس هفدهم: رگرسیون خطی – مفاهیم و تولید داده
    • درس هجدهم: بهینه‌سازی رگرسیون خطی با گرادیان نزولی
    • درس نوزدهم: گرادیان نزولی تصادفی SGD
    • درس بیستم: الگوریتم Levenberg-Marquardt و شبکه عصبی MLP
    • درس بیست‌ویکم: شبکه عصبی MLP
    • درس بیست‌ودوم: ماشین بردار پشتیبان (SVM) و تابع هزینه آن
    • درس بیست‌وسوم: ماشین بردار پشتیبان با الگوریتم Adam
مفید برای
  • تمامی رشته‌های مهندسی

پیش نیاز


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 R2021b

پیش نمایش‌ها

۱. مقدمه‌ای بر اهمیت بهینه‌سازی
۲. کدنویسی الگوریتم نسبت طلایی
۳. گرادیان نزولی تطبیقی AdaGrad
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۴. ماشین بردار پشتیبان (SVM) و تابع هزینه آن
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
این آموزش شامل ۲۴ جلسه ویدئویی با مجموع ۵ ساعت و ۴۶ 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 الگوریتم‌ های بهینه‌ سازی در یادگیری ماشین + پیاده سازی در متلب
ناشر فرادرس
کد آموزش FVOPT012
مدت زمان ۵ ساعت و ۴۶ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)
حجم دانلود ۸۲۵ 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.
آموزش‌های مرتبط با آموزش الگوریتم‌ های بهینه‌ سازی در یادگیری ماشین + پیاده سازی در متلب


آموزش‌های پیشنهادی برای شما


نظرات

تا کنون ۲۳ نفر از این آموزش استفاده کرده اند و هنوز نظری ثبت نشده است.
برچسب‌ها:
Adam Algorithm | Gradient Descent Algorithm | Levenberg-Marquardt Algorithm | MATLAB software | Steepest Descent Algorithm | Support Vector Machine | آموزش الگوریتم‌ های بهینه‌ سازی | آموزش شبکه عصبی MLP | آموزش شبکه عصبی RBF | اصول الگوریتم های بهینه سازی | الگوریتم Adam | الگوریتم Levenberg-Marquardt | الگوریتم بهینه سازی نیوتن | الگوریتم گرادیان نزولی | الگوریتم نسبت طلایی | الگوریتم‌ های بهینه‌ سازی شبه ‌نیوتن | الگوریتم های بهینه سازی عددی | الگوریتم‌ های بهینه‌ سازی گرادیان مزدوج | الگوریتم‌ های بهینه‌ سازی مرتبه دوم | الگوریتم های یادگیری ماشین | بررسی الگوریتم های بهینه سازی | بررسی رگرسیون خطی | بررسی یادگیری ماشین | بهینه ‌سازی با الگوریتم شبه‌ نیوتن | بهینه‌ سازی با الگوریتم گرادیان مزدوج | بهینه سازی با الگوریتم های یادگیری ماشین | بهینه ‌سازی تابع هزینه | بهینه سازی تک متغیره | بهینه ‌سازی چند متغیره | بهینه‌ سازی چند متغیره با گرادیان نزولی | بهینه‌ سازی در یادگیری ماشین | بهینه سازی مبتنی بر گرادیان | تابع هزینه ماشین بردار پشتیبان | تعمیم‌ های الگوریتم گرادیان نزولی | تعمیم‌ های گرادیان نزولی | توابع تقریب در یادگیری ماشین | چالش‌ های الگوریتم‌ های بهینه‌سازی مرتبه اول | چالش ‌های گرادیان نزولی | رگرسیون خطی با گرادیان نزولی | روش جستجوی شبکه | روش ‌های بهینه ‌سازی مبتنی بر گرادیان | شبکه عصبی MLP | عملکرد الگوریتم یادگیری ماشین | کاربرد الگوریتم SVM | کاربرد الگوریتم های یادگیری ماشین | کاربرد الگوریتم یادگیری ماشین | کدنویسی الگوریتم گرادیان نزولی | کدنویسی الگوریتم نسبت طلایی | کدنویسی در نرم‌ افزار متلب | کدنویسی روش جستجوی شبکه | گرادیان تابع چند متغیره | گرادیان عددی برای بهینه ‌سازی | گرادیان نزولی Adadelta | گرادیان نزولی AdaMax | گرادیان نزولی Nadam | گرادیان نزولی RMSprop | گرادیان نزولی با ممان | گرادیان نزولی با ممان MGD | گرادیان نزولی تصادفی | گرادیان نزولی تصادفی SGD | گرادیان نزولی تطبیقی | گرادیان نزولی تطبیقی AdaGrad | گرادیان نزولی دسته ‌ای | گرادیان نزولی شتاب‌ یافته نستروف | گرادیان نزولی ممان تطبیقی Adam | گرادیان نزولی نیمه دسته ‌ای | ماشین بردار پشتیبان | ماشین بردار پشتیبان با الگوریتم Adam | مقدمه ‌ای بر اهمیت بهینه‌ سازی | نرم افزار متلب | نمایش گرافیکی الگوریتم نسبت طلایی | یادگیری الگوریتم‌ های بهینه‌ سازی | یادگیری ماشین
مشاهده بیشتر مشاهده کمتر
×
فهرست جلسات ۲۴ جلسه ویدئویی
×