شبکه‌های عصبی مصنوعی
۱۰,۳۳۸ دانشجو ثبت نام کننده
۱۰٫۹ میلیون دقیقه یادگیری و مطالعه توسط دانشجویان
۶,۸۸۲ دقیقه مدت زمان آموز‌ش‌های این صفحه
۱۸ عنوان آموزشی تعداد آموز‌ش‌های این صفحه
۱
آموزش طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب

آموزش طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب

مدرس: دکتر سیدمصطفی کلامی هریس

در فیلم آموزشی «طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب»، مبانی تئوی 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 ...

۲
آموزش شبکه های عصبی گازی به همراه پیاده سازی عملی در متلب

آموزش شبکه های عصبی گازی به همراه پیاده سازی عملی در متلب

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 ...

۳
آموزش شبکه عصبی GMDH به همراه پیاده سازی عملی در متلب

آموزش شبکه عصبی GMDH به همراه پیاده سازی عملی در متلب

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 ...

۴
مجموعه آموزش های کاربردی شبکه های عصبی مصنوعی

مجموعه آموزش های کاربردی شبکه های 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 ...

۵
آموزش نرم‌افزار نروسولوشن برای طراحی و پیاده‌سازی شبکه عصبی مصنوعی‎

آموزش نرم‌افزار نروسولوشن برای طراحی و پیاده‌سازی شبکه عصبی مصنوعی‎

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 کدهای 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 ...

۶
مجموعه آموزش های شبکه های عصبی مصنوعی در متلب

مجموعه آموزش های شبکه های عصبی مصنوعی در متلب

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 ...

۷
آموزش یادگیری ماشین

آموزش یادگیری ماشین

مدرس: دکتر امیر حسین کیهانی پور

بخش نخست این دوره آموزشی، به مرور روش های پایه در حوزه یادگیری ماشین، اختصاص یافته است. در این بخش، طیف وسیعی از روش های یادگیری کلاسیک مورد مطالعه قرار می گیرد. سپس در بخش دوم آموزش، به بیان روش های مختلف یادگیری تقویتی (Reinforcement Learning) به عنوان یک رویکرد نوین و کارآمد در مقوله یادگیری ماشین می پردازیم و انواع مختلف روش های یادگیری تقویتی را بررسی می کنیم. همچنین به منظور آشنایی با کاربردهای روش های یادگیری تقویتی در حل مسائل واقعی، نمونه هایی از به کارگیری این روش ها نیز معرفی شده است.

یادگیری را شروع کنید ...

۸
آموزش یادگیری عمیق (Deep learning)

آموزش یادگیری عمیق (Deep learning)

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 ...

۹
آموزش هوش مصنوعی توزیع شده

آموزش هوش مصنوعی توزیع شده

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 ...

۱۰
آموزش انتخاب ویژگی یا Feature Selection

آموزش انتخاب ویژگی یا Feature Selection

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 روشهای 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 ...

۱۱
آموزش تخمین خطای طبقه بندی یا Classifier Error Estimation

آموزش تخمین خطای طبقه بندی یا Classifier Error Estimation

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 ...

۱۲
آموزش تصمیم گیری چند شاخصه (Multiple Attribute Decision Making)

آموزش تصمیم گیری چند شاخصه (Multiple Attribute Decision Making)

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 ...

۱۳
آموزش یادگیری تقویتی – Reinforcement Learning (رایگان)

آموزش یادگیری تقویتی – Reinforcement Learning (رایگان)

مدرس: دکتر امیر حسین کیهانی پور

با گسترش کاربردهای فناوری اطلاعات در حوزه های مختلف، نیاز به خودکار نمودن فرآیندهای تصمیم گیری، روند فزاینده ای را داشته است. دانش هوش مصنوعی به عنوان یک راهکار اصلی، برای رفع این نیازها، از روش های مبتنی بر یادگیری ماشین استفاده می کند. در واقع، می توان یادگیری ماشین را به عنوان مجموعه ای از ابزارهای پایه برای هوشمندسازی فرآیندها در کاربردهای مختلف، بکار گرفت. ما در این آموزش قصد داریم تا مبحث یادگیری تقویتی – Reinforcement Learning را مورد بحث و بررسی قرار دهیم.

یادگیری را شروع کنید ...

۱۴
آموزش فرایند تحلیل سلسله مراتبی AHP در تصمیم گیری چند شاخصه (رایگان)

آموزش فرایند تحلیل سلسله مراتبی AHP در تصمیم گیری چند شاخصه (رایگان)

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 خردگرا (Rational) در زندگی روزمره انسان بشمار می رود. از این گذشته، امروزه با پیشرفت انفجاری تکنولوژی های ارتباطی و تبع آن رشد فزاینده دسترسی به اطلاعات و در نتیجه آن، مواجه با گزینه های گوناگون و معیارهای متنوع انتخاب، فرآیندهای تصمیم گیری نیز پیچیده تر شده اند؛ تا جایی که دیگر در انتخاب یا رتبه بندی گزینه های مطلوب نسبت به معیارهای موجود، به راحتی قادر به استفاده از روش های ساده و سرانگشتی نخواهیم بود.

یادگیری را شروع کنید ...

۱۵
آموزش مرور روش های کلاسیک در یادگیری ماشین (ت) (رایگان)

آموزش مرور روش های کلاسیک در یادگیری ماشین (ت) (رایگان)

مدرس: دکتر امیر حسین کیهانی پور

بخش نخست این دوره آموزشی، به مرور روش های پایه در حوزه یادگیری ماشین، اختصاص یافته است. در این بخش، طیف وسیعی از روش های یادگیری کلاسیک مورد مطالعه قرار می گیرد. سپس در بخش دوم آموزش، به بیان روش های مختلف یادگیری تقویتی (Reinforcement Learning) به عنوان یک رویکرد نوین و کارآمد در مقوله یادگیری ماشین می پردازیم و انواع مختلف روش های یادگیری تقویتی را بررسی می کنیم. همچنین به منظور آشنایی با کاربردهای روش های یادگیری تقویتی در حل مسائل واقعی، نمونه هایی از به کارگیری این روش ها نیز معرفی شده است. ما در این آموزش قصد داریم تا مبحث مرور روش های کلاسیک در یادگیری ماشین (ت) را مورد بحث و بررسی قرار دهیم.

یادگیری را شروع کنید ...

۱۶
آموزش مرور روش های کلاسیک در یادگیری ماشین (ج) (رایگان)

آموزش مرور روش های کلاسیک در یادگیری ماشین (ج) (رایگان)

مدرس: دکتر امیر حسین کیهانی پور

بخش نخست این دوره آموزشی، به مرور روش های پایه در حوزه یادگیری ماشین، اختصاص یافته است. در این بخش، طیف وسیعی از روش های یادگیری کلاسیک مورد مطالعه قرار می گیرد. سپس در بخش دوم آموزش، به بیان روش های مختلف یادگیری تقویتی (Reinforcement Learning) به عنوان یک رویکرد نوین و کارآمد در مقوله یادگیری ماشین می پردازیم و انواع مختلف روش های یادگیری تقویتی را بررسی می کنیم. همچنین به منظور آشنایی با کاربردهای روش های یادگیری تقویتی در حل مسائل واقعی، نمونه هایی از به کارگیری این روش ها نیز معرفی شده است. ما در این آموزش قصد داریم تا مبحث مرور روش های کلاسیک در یادگیری ماشین (ج) را مورد بحث و بررسی قرار دهیم.

یادگیری را شروع کنید ...

۱۷
آموزش مرور روش های کلاسیک در یادگیری ماشین (د) (رایگان)

آموزش مرور روش های کلاسیک در یادگیری ماشین (د) (رایگان)

مدرس: دکتر امیر حسین کیهانی پور

بخش نخست این دوره آموزشی، به مرور روش های پایه در حوزه یادگیری ماشین، اختصاص یافته است. در این بخش، طیف وسیعی از روش های یادگیری کلاسیک مورد مطالعه قرار می گیرد. سپس در بخش دوم آموزش، به بیان روش های مختلف یادگیری تقویتی (Reinforcement Learning) به عنوان یک رویکرد نوین و کارآمد در مقوله یادگیری ماشین می پردازیم و انواع مختلف روش های یادگیری تقویتی را بررسی می کنیم. همچنین به منظور آشنایی با کاربردهای روش های یادگیری تقویتی در حل مسائل واقعی، نمونه هایی از به کارگیری این روش ها نیز معرفی شده است. ما در این آموزش قصد داریم تا مبحث مرور روش های کلاسیک در یادگیری ماشین (د) را مورد بحث و بررسی قرار دهیم.

یادگیری را شروع کنید ...

۱۸
آموزش شناسایی الگو - پیش ثبت نام

آموزش شناسایی الگو - پیش ثبت نام

مدرس: گروه مدرسین فرادرس

درس های ارائه شده در این آموزش منطبق با سرفصل های وزارت علوم جهت مقطع کارشناسی ارشد هوش مصنوعی است و البته سعی شده است از مجموعه مطالب آن دسته انتخاب شود که محتوا و نحوه ارائه آنها با ساختار ارائه غیر حضوری بیشترین سازگاری را داشته باشید. این مباحث در سطحی طراحی شده است که علاوه بر ارائه مهم ترین مباحث برای افرادی از سایر رشته ها که علاقه مند کار در این حوزه و انجام طرح ها و پایان نامه های مرتبط باشند نیز ابزار را به درستی و کفایت معرفی نماید. از این رو در مقام تفاوت با ارائه دانشگاهی صرف این درس، در این آموزش مجموعه ای از مثال ها و تمرین های مرتبط نیز ارائه می شود و همچنین با برخی از ابزارهای نرم افزار MATLAB نیز آشنایی ارائه می گردد. در نهایت درسی نیز تحت عنوان مباحث پیشرفته در بازشناسی الگو نیز در تکمیل مباحث آموزش فعلی ارائه خواهد شد.

یادگیری را شروع کنید ...

موضوعات آموزشی مرتبط





به همراه دهها آموزش دیگر مرتبط با شبکه‌های عصبی مصنوعی

برای مشاهده آموزش های مرتبط دیگر، در میان ۵ هزار ساعت آموزش منتشر شده در فرادرس، جستجو کنید ...


فرادرس در رسانه ها و جشنواره ها

روزنامه ایرانیان مرکز توسعه فناوری اطلاعات و رسانه های دیجیتال روز آفرین نت استارت کنفرانس مهندسی برق ایران جشنواره وب ایران