شبکه‌های عصبی مصنوعی

مدرس: دکتر اسماعیل آتشپز گرگری

مجموعه فرادرس های شبکه عصبی ، شامل پنج فرادرس در زمینه شبکه های عصبی مصنوعی و کاربردهای آنها، حتماً یکی از بهترین انتخاب های علمی شما برای ورود به این حوزه علمی خواهد بود.

یادگیری را شروع کنید ...

مدرس: دکتر امیر حسین کیهانی پور

در واقع، می توان یادگیری ماشین را به عنوان مجموعه ای از ابزارهای پایه برای هوشمند سازی فرآیندها در کاربردهای مختلف، به کار گرفت. یادگیری ماشین به عنوان شاخه ای از هوش مصنوعی بدون انجام برنامه نویسی به رایانه امکان بهبود بخشیدن را به عملگرها می دهد. در این آموزش طیف وسیعی از روش های یادگیری کلاسیک مورد مطالعه قرار می گیرد. هدف این آموزش، بیان روش های مختلف یادگیری تقویتی (Reinforcement Learning) به عنوان یک رویکرد نوین و کارآمد در مقوله یادگیری ماشین و بررسی انواع مختلف روش های یادگیری تقویتی است.

یادگیری را شروع کنید ...

مدرس: مهندس سعید محققی

در این آموزش ویدئویی، یکی از محبوب ترین و پرکاربردترین علوم حوزه هوش مصنوعی، یعنی یادگیری عمیق (Deep learning)، معرفی شده است. در این آموزش، علاوه بر آشنایی با مبانی تئوری یادگیری عمیق، تکنیک ها و مدل های مختلف آموزش شبکه های عصبی عمیق، قادر خواهید بود تا در عمل نیز به طراحی، پیاده سازی و آموزش این شبکه ها بپردازید. همچنین در این آموزش به کاربردهای آکادمیک و تحقیقاتی و هم به کاربردهای عملی یادگیری عمیق توجه شده است. در این آموزش، تمرکز بر روی محبوب ترین مدل و کاربرد یادگیری عمیق یعنی مدل شبکه عصبی کانولوشنی با کاربرد در بینایی ماشین و پردازش تصویر خواهد بود.

یادگیری را شروع کنید ...

مدرس: دکتر امیر حسین کیهانی پور

از زمان معرفی اولیه مفهوم هوش مصنوعی توزیع شده در دهه ۱۹۸۰، این مفهوم گسترش و تنوع زیادی یافته است و امروزه به یکی از حوزه های بسیار فعال تحقیقاتی تبدیل شده است و در عین حال، طی سال های اخیر، عامل های هوشمند و خودکار (Intelligent Autonomous Agents) در طیف وسیعی از کاربردهای مختلف نظیر حوزه فناوری اطلاعات، صنعت، ارتباطات، آموزش و نیز حوزه دفاعی و نظامی، به صورت موفقیت آمیزی مورد استفاده قرار گرفته اند.

یادگیری را شروع کنید ...

مدرس: دکتر اسماعیل آتشپز گرگری

در این فرادرس، در شروع بحث، مفاهیم پایه مرتبط با کاهش ابعاد (استخراج و انتخاب ویژگی) را با هم مرور خواهیم کرد. تمرکز ما در این بحث بر روی روش های انتخاب ویژگی خواهد بود و روش های استخراج ویژگی از آن جهت که در فرادرس دیگری به صورت مفصل مورد بررسی قرار گرفته اند، محور بحث نخواهند بود.

یادگیری را شروع کنید ...

مدرس: مهندس ابوالقاسم رحمانی

بدون تردید مسئله انتخاب قدمتی به تاریخ انسان دارد. از این رو فرآیندهای تصمیم گیری (Decision making) جهت انتخاب گزینه های (Alternatives) صحیح از میان گزینه های موجود، بخشی جدایی ناپذیر از فرآیندهای عقلانی (Rationality) در زندگی روزمره انسان بشمار می رود. این دوره آموزشی به ارائه مهم ترین و پرکاربردترین روش های تصمیم گیری چند شاخصه می پردازد. به طوری که در انتهای دوره می توان با به کارگیری مفاهیم اصلی MADM (Multiple Attribute Decision Making)، مسائل کاربردی مرتبط با این حوزه را تجزیه و تحلیل نمود.

یادگیری را شروع کنید ...

مدرس: دکتر اسماعیل آتشپز گرگری

تخمین خطای کلاسیفایر (Classifier Error Estimation) اگر مهم ترین بخش طراحی یک کلاسیفایر (Classifier - طبقه بندی کننده) نباشد، قطعا یکی از مهم ترین قسمت های این فرایند می باشد. به عنوان مثال فرایند انتخاب ویژگی (Feature Selection) بدون داشتن یک تخمین گر خطا (Error Estimator) مناسب یک روند عبث خواهد بود. به خاطر همین اهمیت بسیار بالا، در این فرادرس ما به موضوع تخمین خطای کلاسیفایر می پردازیم و در طی آن روش هایی همانند تخمین گر Resubstitution، تخمین گر Cross-Validation، تخمین گر Leave-One-Out، تخمین گر Bootstrap را مورد بررسی قرار داده و نقاط ضعف و قوت هر یک را بیان می کنیم.

یادگیری را شروع کنید ...

مدرس: دکتر سیدمصطفی کلامی هریس

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. 

یادگیری را شروع کنید ...

مدرس: دکتر سیدمصطفی کلامی هریس

در فیلم آموزشی «طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب»، مبانی تئوری همه الگوریتم های مورد اشاره، به همراه ده ها مبحث تخصصی دیگر، به صورت کامل و به زبان ساده مورد بحث و بررسی قرار می گیرند. در ادامه، پس از تشریح مبانی تئوری، با استفاده از امکانات جعبه ابزار (تولباکس) شبکه عصبی متلب و توابع تعبیه شده در آن، با استفاده از متدهای برنامه نویسی متلب، شبکه عصبی LVQ در متلب پیاده سازی شده است و برای حل چند مسأله طبقه بندی مورد استفاده قرار گرفته است.

یادگیری را شروع کنید ...

مدرس: دکتر سیدمصطفی کلامی هریس

شبکه عصبی گازی یا شبکه گاز عصبی (Neural Gas Network) یکی از انواع شبکه های عصبی رقابتی با الگوی یادگیری غیر نظارت شده است، که کاربرد اصلی آن در حل مسائل خوشه بندی (Clustering) و یادگیری توپولوژی (Topology) است. این نوع از شبکه عصبی، از نظر طبقه بندی در رده الگوریتم های Vector Quantization (به اختصار VQ) قرار می گیرد و ارتباط بسیار نزدیکی با الگوریتم خوشه بندی k-Means، شبکه عصبی SOM (نگاشت های خود سازمان ده) و شبکه عصبی LVQ دارد. شبکه گاز عصبی علاوه بر انجام خوشه بندی و قرار دادن مرکز خوشه ها در محل مناسب، ارتباط های همسایگی میان نورون ها (مراکز خوشه ها) را به صورت پویا ایجاد می کند، که در نهایت این الگوریتم را، قادر به یادگیری توپولوژی می کند.

یادگیری را شروع کنید ...

مدرس: دکتر سیدمصطفی کلامی هریس

در «فیلم آموزشی شبکه عصبی GMDH در متلب»، پس از تشریح کامل مبانی تئوری و شیوه عملکرد الگوریتم GMDH چند جمله ای، پیاده سازی عملی و گام به گام این نوع از شبکه عصبی، به صورت کامل در محیط متلب انجام شده است. در ادامه نیز، با استفاده از برنامه نوشته شده برای ایجاد ساختارهای GMDH، مسائل مختلفی در حوزه های متعدد حل و بررسی شده اند.

یادگیری را شروع کنید ...

مدرس: مهندس احمد مهرجو

این نرم افزار دارای اکسون های فازی است و با انتخاب مناسب می توان از شیوه یادگیری فازی - عصبی نیز بهره گرفت، وجود DLL های مختلف مانند تبدیل فوریه و یا استفاده از ژنتیک الگوریتم برای پیش پردازش داده ها آن را به وسیله قدرتمندی تبدیل نموده و حتی در صورت نیاز کاربر می تواند DLL سفارشی خود را به نرم افزار اضافه نموده، در نهایت بعد از ساخت شبکه و اطمینان از کارکرد آن، می تواند کل شبکه را به صورت کد های زبان C تبدیل و در اختیار کاربر قرار دهد و شما را از نوشتن یک برنامه خسته کننده و در عین حال نامطمئن آسوده کند، از طرفی آشنایی با این بسته نرم افزاری بسیار ساده بوده و دانش پژوهانی که حتی درک درستی از مفاهیم شبکه عصبی مصنوعی نداشته و دیگر کاربران حرفه ای را دربر می گیرد تا بتوانند به راحتی به اهداف خود برسند.

یادگیری را شروع کنید ...