|
آموزش تئوری و عملی الگوریتم ژنتیک
مدرس: دکتر سید مصطفی کلامی هریس آموزش تئوری و عملی الگوریتم ژنتیک (Genetic Algorithm) یا GA، به طور قطع شناخته شده ترین روش بهینه سازی هوشمند و الگوریتم تکاملی است، که کاربردهای فراوانی در رشته های مختلف علمی و مهندسی دارد. اهمیت این الگوریتم در محاسبات تکاملی و هوش محاسباتی به قدری است که اولین کلمه ای که پس از عبارت “الگوریتم تکاملی” به ذهن می رسد، الگوریتم ژنتیک است. بسیاری از افراد، سایر روش های بهینه سازی هوشمند را، نسخه های تغییر یافته ای از الگوریتم ژنتیک می شناسند و قائل به اصالت وجود و ماهیت سایر الگوریتم ها نیستند. این ابزار محاسباتی، در اوایل دهه ۱۹۷۰ از دل نتایجی پدید آمد، که از تلاش های مهندسین و دانشمندان آن روزگار برای شبیه سازی فرایند تکامل، صورت پذیرفته بود. |
|
آموزش بهینه سازی چند هدفه در متلب
مدرس: دکتر سید مصطفی کلامی هریس اگر قصد دارید که در کمترین زمان ممکن و با بهترین کیفیت، مباحث تئوری و عملی مربوط به بهینه سازی چند هدفه را فرا بگیرید، حتما این پست را بخوانید. محصولی که در این پست قصد معرفی آن را داریم، مجموعه فرادرس های بهینه سازی چند هدفه در متلب است که نه تنها مشابه ایرانی، که مشابه خارجی نیز ندارد و محصولی واقعا بی نظیر است. |
|
آموزش مبانی محاسبات تکاملی و بهینه سازی هوشمند
مدرس: دکتر سید مصطفی کلامی هریس در این آموزش که عملا درس شماره صفر تمام دروس آموزشی بهینه سازی می تواند باشد، مفاهیم پایه و اساسی مربوط به مسائل بهینه سازی و الگوریتم های مورد استفاده برای حل این مسائل، مورد بحث و بررسی قرار می گیرند. تمام افرادی که قصد آموزش تئوری یا عملی روش های بهینه سازی را دارند، به مشاهده این آموزش توصیه می شوند. دانستن مفاهیم مورد بحث در این فرادرس و تسلط بر این موضوعات، ضامن یادگیری بهتر و تسلط بیشتر بر مباحث آتی در حوزه بهینه سازی خواهد بود. لذا، مطالعه و یادگیری آموزش «مبانی محاسبات تکاملی و بهینه سازی هوشمند» یا درس شماره صفر بهینه سازی را از دست ندهید. |
|
آموزش پیاده سازی الگوریتم ژنتیک در Python - مقدماتی
مدرس: مهندس پژمان اقبالی شمس آبادی الگوریتم ژنتیک روشی است برای حل مسائل بهینه سازی مقید و نامقید که براساس انتخاب طبیعی کار می کند. این الگوریتم مرتبا جمعیتی از راه حل های منحصر به فرد را اصلاح می کند. این الگوریتم بسیار پرکاربرد است و امروزه در تمام شاخه های علوم و مهندسی به منظور بهینه سازی استفاده می شود. در این فرادرس، پیاده سازی الگوریتم ژنتیک برای بهینه سازی در Python (پایتون) به بحث گذاشته می شود، چرا که امروزه حجم بسیاری از محاسبات علمی با Python انجام می شود که آن هم به دلیل ساده بودن برنامه نویسی با آن و قدرتمند بودن این زبان برنامه نویسی است. |
|
آموزش پیاده سازی ترکیب الگوریتم ژنتیک و PSO در متلب
مدرس: دکتر سید مصطفی کلامی هریس در این فرادرس ابتدا برنامه نویسی الگوریتم ژنتیک مورد بحث قرار می گیرد و سپس الگوریتم بهینه سازی ازدحام ذرات یا PSO پیاده سازی می شود. در ادامه ایده هایی برای ترکیب این دو الگوریتم مطرح می شوند و در محیط نرم افزار متلب پیاده سازی می گردند. زمان این فیلم تقریبا برابر با یک جلسه آموزشی (۹۰ دقیقه) است. |
|
آموزش انتخاب ویژگی با استفاده از الگوریتم های فراابتکاری و تکاملی
مدرس: دکتر سید مصطفی کلامی هریس در این فرادرس، سعی شده است با نگرشی جامع، رویکردهای تکاملی و فراابتکاری برای حل مساله انتخاب ویژگی مورد بحث و بررسی واقع شده اند و پیاده سازی عملی این روش ها، به صورت گام به گام در محیط متلب آموزش داده شده اند. |
|
آموزش پیاده سازی الگوریتم ژنتیک در Python - تکمیلی - بخش دوم
مدرس: مهندس پژمان اقبالی شمس آبادی در ادامه مسیر شروع شده در آموزش های الگوریتم ژنتیک در پایتون مقدماتی و تکمیلی بخش اول، در این فرادرس مسائل دیگری را به کمک الگوریتم ژنتیک در پایتون بهینه سازی می کنیم. تا بدین جا مسائل گوناگون بهینه سازی از سطح ساده انتخاب شده و در هر درس مساله پیچیده تری که نیازمند الگوریتم ژنتیک کامل تری بود را بررسی کردیم. همین روند در این آموزش نیز دنبال می شود. در پایان این آموزش شما با حل مساله های بهینه سازی جدید و پیچیده تری نسبت به آموزش های مقدماتی و تکمیلی بخش اول آشنا خواهید شد و قادر خواهید بود برای حل یک مساله بهینه سازی از الگوریتم ژنتیک در پایتون استفاده کنید. |
|
آموزش پیاده سازی الگوریتم ژنتیک در Python - تکمیلی - بخش اول
مدرس: مهندس پژمان اقبالی شمس آبادی الگوریتم ژنتیک، یک ابزار قدرتمند بهینه سازی و زبان برنامه نویسی پایتون، یک زبان قدرتمند برنامه نویسی است. امروزه بسیاری از مسائل محاسباتی در پروژه های مختلف علوم و مهندسی با استفاده از پایتون و بسیاری از مسائل بهینه سازی با استفاده از الگوریتم ژنتیک حل می شوند. این فرادرس به شما کمک می کند که بتوانید مسائل محاسباتی که نیازمند بهینه سازی با الگوریتم ژنتیک هستند را در پایتون پیاده سازی کنید که هم از قدرت پایتون در محاسبات و هم از قدرت الگوریتم ژنتیک در بهینه سازی در کنار هم بهره ببرید. |
|
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 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. |
|
آموزش الگوریتم بهینه سازی فاخته و پیاده سازی آن در MATLAB
مدرس: مهندس منوچهر بابایی الگوریتم بهینه سازی فاخته (Cuckoo) یکی از الگوریتم های فراابتکاری مبتنی بر جمعیت و بر مبنای رفتار موجودات است. این الگوریتم بر اساس نحوه تخم گذاری و تولد پرنده فاخته عمل می کند و در مسائل بهینه سازی مختلفی در حوزه: پردازش تصویر، یادگیری ماشین، مهندسی کنترل و… به کار می رود و دارای توانایی بالایی در فرار از بهینه های محلی است. در این فرادرس، جنبه های مختلف الگوریتم فاخته را از نظر تئوری بررسی می کنیم و بعد از کدنویسی الگوریتم در MATLAB، کارایی آن را بر روی چندین تابع محک مهم بررسی می کنیم. دانشجویان در حوزه های مختلف مهندسی و انسانی به خصوص مدیریت و اقتصاد می توانند از این الگوریتم در تحقیقات خود به بهترین نحو استفاده کنند. |
|
آموزش حل مساله فروشنده دوره گرد با استفاده از الگوریتم ژنتیک
مدرس: دکتر سید مصطفی کلامی هریس مساله فروشنده دوره گرد یکی از مسائل بهینه سازی ترکیباتی است که از الگوریتم های ژنتیک معمولا برای حل این مساله استفاده می شود. برای بهبود کارایی الگوریتم ژنتیک در حل مساله فروشنده دوره گرد روش ها و عملگرهای متفاوتی اعمال شده است. تعداد بهینه چرخه ها در زمان محدود و ایجاد سود مطلوب به عنوان هدف تعیین می شود. هدف این فرادرس آموزشی استفاده از عملگرهای گسسته و پیوسته برای حل مساله فروشنده دوره گرد است. |
|
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 است. 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. |
|
آموزش کاهش تعداد رنگ تصاویر با استفاده از روش های خوشه بندی هوشمند
مدرس: دکتر سید مصطفی کلامی هریس روش های متعددی برای انجام کاهش رنگ یا Color Reduction (و یا Color Quantization) وجود دارند. اما در این آموزش، بر روی روش های مبتنی بر خوشه بندی تمرکز شده است و کاربرد سه روش خوشه بندی هوشمند برای کاهش رنگ در تصاویر رنگی، به صورت عملی مورد استفاده قرار گرفته اند. |
موضوعات آموزشی مرتبط
به همراه دهها آموزش دیگر مرتبط با مجموعه آموزش الگوریتم ژنتیک و محاسبات تکاملی
برای مشاهده آموزش های مرتبط دیگر، در میان بیش از ده هزار ساعت آموزش منتشر شده در فرادرس، جستجو کنید ...
فرادرس در رسانه ها و جشنواره ها
