یادگیری ماشین و بازشناسی الگو

یادگیری ماشین (Machine learning) به عنوان یکی از زیر مجموعه های پرکاربرد هوش مصنوعی است که به بررسی روش هایی می پردازد که به رایانه ها امکان استفاده از داده ها را برای یادگیری می دهد. یادگیری ماشین از الگوریتم های مختلفی برای بهبود عملکرد رایانه استفاده می کند.
بازشناسی الگو (Pattern recognition) نیز یکی از شاخه های یادگیری ماشین است. روش های بازشناسی الگو، الگوهای مورد نظر را از یک مجموعه داده ها با استفاده از دانش قبلی در مورد الگوها یا اطلاعات آماری داده ها، جداسازی می کند.

 

۲۰,۰۵۰ دانشجو ثبت نام کننده
۱۶٫۶ میلیون دقیقه یادگیری و مطالعه توسط دانشجویان
۱۴,۲۸۵ دقیقه مدت زمان آموز‌ش‌های این صفحه
۵۰ عنوان آموزشی تعداد آموز‌ش‌های این صفحه
۱
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 ...

۲
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 ...

۳
آموزش طبقه بندی یا Classification

آموزش طبقه بندی یا Classification

مدرس: دکتر سیدمصطفی کلامی هریس

بسیاری از مسائل داده کاوی را می توان به صورت یک مسأله طبقه بندی یا Classification بیان نمود، که در آن در نهایت یک عامل پیش بین تربیت می شود که می تواند با در دست داشتن دانش موجود برای طبقه بندی یک مجموعه از موارد، آن دانش را به طبقه بندی سایر موارد تعمیم دهد. در واقع مسأله طبقه بندی، یک مسأله یادگیری نظارت شده است. در فرادرس جامع طبقه بندی یا Classification، پس از مرور کلی بر مفاهیم طبقه بندی و شیوه تربیت یک عامل طبقه بندی کننده یا Classifier، چند روش پر کاربرد معرفی و در محیط متلب پیاده سازی شده اند.

یادگیری را شروع کنید ...

۴
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 ...

۵
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 ...

۶
آموزش خوشه بندی یا Clustering

آموزش خوشه بندی یا Clustering

مدرس: دکتر سیدمصطفی کلامی هریس

در فرادرس خوشه بندی یا Clustering، پس از مرور کلی بر مفاهیم پایه خوشه بندی و تفاوت های آن با مسأله طبقه بندی یا Classification، چندین روش مهم و پرکاربرد در حوزه آنالیز خوشه معرفی و به صورت عملی در محیط متلب پیاده سازی شده اند.

یادگیری را شروع کنید ...

۷
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 ...

۸
آموزش خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری

آموزش خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری

مدرس: دکتر سیدمصطفی کلامی هریس

در فیلم آموزشی خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری، ابتدا مسأله خوشه بندی به صورت عادی و سپس مسأله خوشه بندی خودکار، به صورت مسائل بهینه سازی بیان شده اند و توسط چندین الگوریتم تکاملی و فراابتکاری، به صورت گام به گام و در محیط نرم افزار متلب، حل و بررسی شده اند. برای تبدیل مسأله خوشه بندی به مسأله بهینه سازی، ما نیازمند شاخص هایی هستیم که به این منظور، در این مجموعه آموزشی، از چندین شاخص معروف در حوزه داده کاوی تکاملی، استفاده شده است.

یادگیری را شروع کنید ...

۹
مجموعه آموزش های الگوریتم رقابت استعماری در متلب

آموزش خوشه بندی یا Clustering با الگوریتم رقابت استعماری

مدرس: دکتر سیدمصطفی کلامی هریس

در این فرادرس، دانشجویان عزیز، با مباحث مختلف خوشه بندی یا Clustering با الگوریتم رقابت استعماری آشنا می شوند. سرفصل هایی که در این آموزش به آن پرداخته می شود، بانی طبقه بندی اطلاعات، تبدیل مسأله خوشه بندی به یک مسأله بهینه سازی، حل مسأله خوشه بندی با استفاده از الگوریتم رقابت استعماری و ... می باشد. نقطه قوت این آموزش این است که به طور کامل به توضیح مباحث مربوطه پرداخته شده است و آموزش توسط یکی از بهترین مدرسین متخصص در این زمینه، انجام شده است.

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 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 ...

۱۲
آموزش انتخاب ویژگی با استفاده از الگوریتم های فراابتکاری و تکاملی

آموزش انتخاب ویژگی با استفاده از الگوریتم های فراابتکاری و تکاملی

مدرس: دکتر سیدمصطفی کلامی هریس

در این فرادرس، سعی شده است با نگرشی جامع، رویکردهای تکاملی و فرا ابتکاری برای حل مسأله 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.

یادگیری را شروع کنید ...

۱۳
آموزش کاهش ابعاد یا Dimensionality Reduction

آموزش کاهش ابعاد یا Dimensionality Reduction

مدرس: دکتر سیدمصطفی کلامی هریس

در فرادرس جامع کاهش ابعاد، روش های مختلفی برای کاهش ابعاد و انتخاب ویژگی معرفی شده اند، و پس از پیاده سازی در محیط متلب، در کاربردهای عملی مورد استفاده قرار گرفته اند.

یادگیری را شروع کنید ...

۱۴
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 ...

۱۵
آموزش طراحی و پیاده سازی سیستم استنتاج عصبی-فازی تطبیقی یا ANFIS در متلب

آموزش طراحی و پیاده سازی سیستم استنتاج عصبی-فازی تطبیقی یا ANFIS در متلب

مدرس: دکتر سیدمصطفی کلامی هریس

در این فرادرس، ابتدا به مرور مفاهیم یادگیری و مدل سازی پرداخته می شود و سپس رویکرد کلی برای طراحی سیستم فازی تطبیقی ارائه می شود. در ادامه با معرفی ساختار شبکه ای ANFIS نحوه عملکرد این سیستم، مورد بحث و بررسی قرار می گیرد.

یادگیری را شروع کنید ...

۱۶
آموزش خوشه بندی فازی و طراحی سیستم فازی مبتنی بر خوشه بندی در متلب

آموزش خوشه بندی فازی و طراحی سیستم فازی مبتنی بر خوشه بندی در متلب

مدرس: دکتر سیدمصطفی کلامی هریس

یکی از روش های طراحی سیستم های فازی، استفاده از رویکردهای خوشه بندی یا Clustering است. در این فرادرس، با اشاره به مفاهیم اساسی موجود در بحث خوشه بندی، علاوه بر مرور روش کلاسیک k-Means نسخه فازی آن یعنیFuzzy c-Means مورد بحث و بررسی واقع شده است.

یادگیری را شروع کنید ...

۱۷
آموزش طراحی سیستم های فازی عصبی یا ANFIS با استفاده از الگوریتم های فرا ابتکاری و تکاملی

آموزش طراحی سیستم های فازی عصبی یا ANFIS با استفاده از الگوریتم های فرا ابتکاری و تکاملی

مدرس: دکتر سیدمصطفی کلامی هریس

طراحی و آموزشی سیستم های استنتاج فازی (FIS) و سیستم های تطبیقی استتاج عصبی فازی (انفیس یا ANFIS) معمولا با استفاده از رویکردهای کلاسیک، نظیر گرادیان نزولی (Gradient Descend) و پس انتشار (Back-Propagation) انجام می شود. اما در این آموزش، کاربرد الگوریتم های تکاملی و فرا ابتکاری در طراحی بهینه سیستم های فازی نوع تاکاگی-سوگنو-کانگ (TSK) مورد بحث واقع شده است.

یادگیری را شروع کنید ...

۱۸
آموزش پیاده سازی الگوریتم های تکاملی و فراابتکاری در سی شارپ

آموزش پیاده سازی الگوریتم های تکاملی و فراابتکاری در سی شارپ

مدرس: دکتر سیدمصطفی کلامی هریس

الگوریتم های تکاملی و فراابتکاری (متاهیوریستیک ها) از جمله ابزارهای بسیار قدرتمند هوش مصنوعی، برای حل مسائل بهینه سازی از طریق روش های هوشمند هستند و امروزه در شاخه های مختلفی از علوم و مهندس، کاربردهای فراوانی را به خود اختصاص داده اند. این الگوریتم ها، که اغلب از فرایندهای طبیعی الهام گرفته شده اند، در واقع روش های جستجو هستند که در فضای همه پاسخ های ممکن برای یک مسئله بهینه سازی جستجو می کنند و بهترین پاسخ (یا پاسخ ها) را پیشنهاد می دهند.

یادگیری را شروع کنید ...

۱۹
مجموعه آموزش های داده کاوی یا Data Mining در متلب

مجموعه آموزش های داده کاوی یا Data Mining در متلب

مدرس: دکتر سیدمصطفی کلامی هریس

مجموعه فرادرس های داده کاوی یا Data Mining در متلب عنوان مجموعه ای از فیلم های آموزشی است، که در مجموع شامل بیست و چهار ساعت برنامه آموزشی تخصصی در زمینه داده کاوی و مباحث آن، پیاده سازی آن ها در محیط متلب و کاربردهای آن ها می باشد. 

یادگیری را شروع کنید ...

۲۰
آموزش ​اصول و روش های داده کاوی (Data Mining)

آموزش ​اصول و روش های داده کاوی (Data Mining)

مدرس: دکتر امیر حسین کیهانی پور

در اغلب مسائل، وجود حجم زیاد داده ها، منجر به ایجاد اشکالات جدی در امر شناسایی و کشف روابط و الگوهای پنهان در این داده ها شده است. دانش داده کاوی با هدف فراهم آوردن روش هایی برای پردازش هوشمند حجم زیاد داده ها و استخراج روال ها و قوانین حاکم بر آنها، مطرح شده است. این دانش در کاربردهای مختلف و اصولاً در هر جا با مسئله تجزیه و تحلیل اطلاعات مواجه هستیم، قابل استفاده می باشد. در این دوره به بیان اصول و روش های داده کاوی به منظور استخراج روندها و الگوهای پنهان در داده ها، پرداخته خواهد شد.

یادگیری را شروع کنید ...

۲۱
آموزش وب کاوی

آموزش وب کاوی

مدرس: دکتر امیر حسین کیهانی پور

در این دوره آموزشی، ابتدا به معرفی مفاهیم و تکنیک های پایه بازیابی اطلاعات وب و کاربردهای آنها پرداخته می شود. در ادامه این دوره ساختار، معماری و مولفه های شاخص سامانه های پایه جستجوی اطلاعات وب یعنی جویشگرها (Web Search Engines) و فراجویشگرها (Web Meta-Search Engines) مورد مطالعه و بررسی قرار خواهد گرفت. بخش پایانی این دوره نیز به معرفی مباحث بروز در این حوزه از جمله بازیابی بین زبانی (Cross-Language Information Retrieval)، رتبه بندی مبتنی بر یادگیری (Learning to Rank) و نیز آینده پژوهی فناوری وب اختصاص یافته است.

یادگیری را شروع کنید ...

۲۲
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 ...

۲۳
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 ...

۲۴
آموزش ترکیب اطلاعات (Information Fusion)

آموزش ترکیب اطلاعات (Information Fusion)

مدرس: دکتر امیر حسین کیهانی پور

طی این آموزش، علاوه بر بیان مدلهای مختلف ترکیب اطلاعات، به معرفی انواع روشهای محاسباتی مطرح در زمینه ترکیب اطلاعات پرداخته خواهد شد. همچنین نمونه های مختلفی از کاربردهای روشهای ترکیب اطلاعات در حل مسائل مختلف نیز مورد بحث و بررسی قرار خواهد گرفت. علاوه بر آن، معرفی مختصری از برخی از نرم افزارهای قابل استفاده در حوزه ترکیب اطلاعات نیز به عمل خواهد آمد.

یادگیری را شروع کنید ...

۲۵
آموزش طراحی کنترل مقاوم H∞/H2 با استفاده از الگوریتم های تکاملی و فراابتکاری

آموزش طراحی کنترل مقاوم H∞/H2 با استفاده از الگوریتم های تکاملی و فراابتکاری

مدرس: دکتر سیدمصطفی کلامی هریس

در این مجموعه آموزشی، پس از بررسی مدل ریاضی مدل دینامیکی سیستم تعلیق فعال خودرو، مسأله کنترل مقاوم مربوط به طراحی کنترل کننده مناسب برای این سیستم بررسی شده و توسط دو الگوریتم بهینه سازی، به صورت عملی و گام به گام، در محیط نرم افزار متلب حل و بررسی شده است. مثال عملی مورد استفاده در این مجموعه آموزشی، طراحی یک سیستم تعلیق فعال خودرو یا Active Car Suspension System است، که موضوع این طراحی، به صورت یک مسأله کنترل مقاوم بیان و با استفاده از الگوریتم ژنتیک و بهینه سازی ازدحام ذرات (PSO) حل شده است. سیستم تعلیق خودرو، یکی از بخش های مهم خودروهای امروزی است که در طراحی آن، غالبا سه هدف اصلی مد نظر است، که این اهداف با بررسی مدل ریاضی سیستم، می توانند به صورت اهداف یک مسأله کنترل مقاوم در نظر گرفته شوند و توسط یک کنترل کننده مقاوم، تامین شوند.

یادگیری را شروع کنید ...

۲۶
آموزش کاهش تعداد رنگ تصاویر با استفاده از روش های خوشه بندی هوشمند

آموزش کاهش تعداد رنگ تصاویر با استفاده از روش های خوشه بندی هوشمند

مدرس: دکتر سیدمصطفی 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.

یادگیری را شروع کنید ...

۲۷
آموزش طراحی و تنظیم ضرایب کنترل کننده PID با منطق فازی

آموزش طراحی و تنظیم ضرایب کنترل کننده PID با منطق فازی

مدرس: دکتر سیدمصطفی کلامی هریس

در فرادرس آموزش طراحی و تنظیم ضرایب کنترل کننده PID با منطق فازی، رویکردی مشابه با کنترل کننده های تطبیقی و با تکیه بر توان استنتاج سیستم های فازی ایجاد شده است که در هر لحظه از زمان، برای مقادیر ضرایب کنترل کننده PID پیشنهادی به خصوص را دارد. این رویکرد، نوعی زمان بندی بهره یا Gain Scheduling است که وظیفه تعیین مقادیر بهره ها، بر عهده یک سیستم فازی است. این سیستم فازی، با دریافت خطا و مشتق خطا در هر لحظه از زمان، مقادیر ضرایب کنترل کننده PID را به صورت مناسبی محاسبه و در ساختار کنترل کننده جایگذاری می نماید.

یادگیری را شروع کنید ...

۲۸
آموزش حل مسأله فروشنده دوره گرد با استفاده از الگوریتم ژنتیک

آموزش حل مسأله فروشنده دوره گرد با استفاده از الگوریتم ژنتیک

مدرس: دکتر سیدمصطفی کلامی هریس

در این فرادرس مسأله فروشنده دوره گرد، با الگوریتم ژنتیک حل شده است. برای حل این مسئله از الگوریتم ژنتیک گسسته و پیوسته، استفاده شده است.

یادگیری را شروع کنید ...

۲۹
آموزش طراحی فیدبک حالت بهینه برای سیستم های غیر خطی با الگوریتم های تکاملی

آموزش طراحی فیدبک حالت بهینه برای سیستم های غیر خطی با الگوریتم های تکاملی

مدرس: دکتر سیدمصطفی کلامی هریس

در مجموعه آموزشی طراحی فیدبک حالت بهینه برای سیستم های غیر خطی با الگوریتم های تکاملی با استفاده از الگوریتم های تکاملی و امکانات موجود در نرم افزار متلب، چارچوبی کلی پیاده سازی شده است که می تواند مسأله طراحی کنترل کننده فیدبک حالت بهینه را برای سیستم های خطی و غیر خطی، مستقل از مدل سیستم، حل نماید.

یادگیری را شروع کنید ...

۳۰
آموزش حل مسأله دیسپاچینگ اقتصادی با در نظر گرفتن قیود عملیاتی ژنراتور توسط الگوریتم PSO تو در تو

آموزش حل مسأله دیسپاچینگ اقتصادی با در نظر گرفتن قیود عملیاتی ژنراتور توسط الگوریتم PSO تو در تو

مدرس: دکتر سیدمصطفی کلامی هریس

 مسأله دیسپاچینگ اقتصادی یکی از مسائل مهمی است که در مهندسی برق-قدرت و مدیریت سیستم های تولید و توزیع نیروی برق مطرح می شود. در این مسأله، که به صورت یک مسأله بهینه سازی مقید و پیوسته مطرح می شود، سعی می شود که سهم توان تولیدی چند واحد تولید برق به نحوی تعیین شود که عملکرد کلی سیستم از نظر اقتصادی بهینه شود.

یادگیری را شروع کنید ...

۳۱
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 ...

۳۲
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 ...

۳۳
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 ...

۳۴
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 ...

۳۵
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 ...

۳۶
آموزش عملگر میانگین ‏گیری مرتب وزن‏ دار در ترکیب اطلاعات

آموزش عملگر میانگین ‏گیری مرتب وزن‏ دار در ترکیب اطلاعات (رایگان)

مدرس: دکتر امیر حسین کیهانی پور

نظریه ترکیب اطلاعات به مقوله استفاده از منابع اطلاعاتی متعدد به منظور اتخاذ تصمیمات بهینه می پردازد. منظور از ترکیب داده / اطلاعات، ادغام توأمان اطلاعات دریافتی از منابع مختلف برای دستیابی به درک بهتر محیط مساله و در نتیجه، اتخاذ تصمیمات دقیق تر است. علت این امر آن است که در اکثر موارد، داده های دریافتی از منابع مختلف پیرامون یک موضوع واحد، ممکن است ناقص، مبهم و حتی متناقض باشند. بر این اساس، ترکیب اطلاعات می تواند به عنوان ابزاری قدرتمند در خدمت داده کاوی (Data Mining) و اکتشاف معرفت (Knowledge Discovery) به کار گرفته شود. در حال حاضر، روش های ترکیب اطلاعات در گستره وسیعی از کاربردهای متعدد از جمله در جستجوی اطلاعات در وب، پردازش داده های زیستی، سنجش از راه دور (Remote Sensing)، سامانه های حمل و نقل هوشمند (Intelligent Transportation Systems) و نیز پیش بینی وقوع بلایای طبیعی، مورد استفاده واقع می شود.

یادگیری را شروع کنید ...

۳۷
آموزش کاربرد نظریه ترکیب اطلاعات در بازاریابی اطلاعات وب

آموزش کاربرد نظریه ترکیب اطلاعات در بازاریابی اطلاعات وب (رایگان)

مدرس: دکتر امیر حسین کیهانی پور

نظریه ترکیب اطلاعات به مقوله استفاده از منابع اطلاعاتی متعدد به منظور اتخاذ تصمیمات بهینه می پردازد. منظور از ترکیب داده / اطلاعات، ادغام توأمان اطلاعات دریافتی از منابع مختلف برای دستیابی به درک بهتر محیط مساله و در نتیجه، اتخاذ تصمیمات دقیق تر است. علت این امر آن است که در اکثر موارد، داده های دریافتی از منابع مختلف پیرامون یک موضوع واحد، ممکن است ناقص، مبهم و حتی متناقض باشند. بر این اساس، ترکیب اطلاعات می تواند به عنوان ابزاری قدرتمند در خدمت داده کاوی (Data Mining) و اکتشاف معرفت (Knowledge Discovery) به کار گرفته شود. در حال حاضر، روش های ترکیب اطلاعات در گستره وسیعی از کاربردهای متعدد از جمله در جستجوی اطلاعات در وب، پردازش داده های زیستی، سنجش از راه دور (Remote Sensing)، سامانه های حمل و نقل هوشمند (Intelligent Transportation Systems) و نیز پیش بینی وقوع بلایای طبیعی، مورد استفاده واقع می شود.

یادگیری را شروع کنید ...

۳۸
آموزش مفاهیم پایه نظریه ترکیب اطلاعات

آموزش مفاهیم پایه نظریه ترکیب اطلاعات (رایگان)

مدرس: دکتر امیر حسین کیهانی پور

نظریه ترکیب اطلاعات به مقوله استفاده از منابع اطلاعاتی متعدد به منظور اتخاذ تصمیمات بهینه می پردازد. منظور از ترکیب داده / اطلاعات، ادغام توأمان اطلاعات دریافتی از منابع مختلف برای دستیابی به درک بهتر محیط مساله و در نتیجه، اتخاذ تصمیمات دقیق تر است. علت این امر آن است که در اکثر موارد، داده های دریافتی از منابع مختلف پیرامون یک موضوع واحد، ممکن است ناقص، مبهم و حتی متناقض باشند. بر این اساس، ترکیب اطلاعات می تواند به عنوان ابزاری قدرتمند در خدمت داده کاوی (Data Mining) و اکتشاف معرفت (Knowledge Discovery) به کار گرفته شود. در حال حاضر، روش های ترکیب اطلاعات در گستره وسیعی از کاربردهای متعدد از جمله در جستجوی اطلاعات در وب، پردازش داده های زیستی، سنجش از راه دور (Remote Sensing)، سامانه های حمل و نقل هوشمند (Intelligent Transportation Systems) و نیز پیش بینی وقوع بلایای طبیعی، مورد استفاده واقع می شود.

یادگیری را شروع کنید ...

۳۹
آموزش روش های تحلیل داده های پرت داده کاوی - الف

آموزش روش های تحلیل داده های پرت داده کاوی - الف (رایگان)

مدرس: دکتر امیر حسین کیهانی پور

در این دوره به بیان اصول و روش های مطرح در طی گام های مختلف فرآیند داده کاوی، پرداخته خواهد شد. همچنین به منظور بهره گیری بیشتر محققین، رویکردهای نوین تحقیقاتی در حوزه داده کاوی مورد بررسی قرار خواهند گرفت. در عین حال معرفی مختصری نیز از برخی از ابزارهای مطرح در زمینه داده کاوی، صورت گرفته است. ما در این آموزش قصد داریم تا روش های تحلیل داده های پرت در اصول و روش های داده کاوی (Data Mining) را مورد بحث و بررسی قرار دهیم.

یادگیری را شروع کنید ...

۴۰
آموزش روش های تحلیل داده های پرت در داده کاوی – ب

آموزش روش های تحلیل داده های پرت در داده کاوی - ب (رایگان)

مدرس: دکتر امیر حسین کیهانی پور

در این دوره به بیان اصول و روش های مطرح در طی گام های مختلف فرآیند داده کاوی، پرداخته خواهد شد. همچنین به منظور بهره گیری بیشتر محققین، رویکردهای نوین تحقیقاتی در حوزه داده کاوی مورد بررسی قرار خواهند گرفت. در عین حال معرفی مختصری نیز از برخی از ابزارهای مطرح در زمینه داده کاوی، صورت گرفته است. ما در این آموزش قصد داریم تا بخش دوم از روش های تحلیل داده های پرت در اصول و روش های داده کاوی (Data Mining) را مورد بحث و بررسی قرار دهیم.

یادگیری را شروع کنید ...

۴۱
آموزش معرفی برخی از ابزارهای داده کاوی

آموزش معرفی برخی از ابزارهای داده کاوی (رایگان)

مدرس: دکتر امیر حسین کیهانی پور

در این دوره به بیان اصول و روش های مطرح در طی گام های مختلف فرآیند داده کاوی، پرداخته خواهد شد. همچنین به منظور بهره گیری بیشتر محققین، رویکردهای نوین تحقیقاتی در حوزه داده کاوی مورد بررسی قرار خواهند گرفت. در عین حال معرفی مختصری نیز از برخی از ابزارهای مطرح در زمینه داده کاوی، صورت گرفته است. ما در این آموزش قصد داریم تا به معرفی برخی از ابزارهای داده کاوی اصول و روش های داده کاوی (Data Mining) را مورد بحث و بررسی قرار دهیم.

یادگیری را شروع کنید ...

۴۲
آموزش مقدمه ای بر داده کاوی

آموزش مقدمه ای بر داده کاوی (رایگان)

مدرس: دکتر امیر حسین کیهانی پور

در این دوره به بیان اصول و روش های مطرح در طی گام های مختلف فرآیند داده کاوی، پرداخته خواهد شد. همچنین به منظور بهره گیری بیشتر محققین، رویکردهای نوین تحقیقاتی در حوزه داده کاوی مورد بررسی قرار خواهند گرفت. در عین حال معرفی مختصری نیز از برخی از ابزارهای مطرح در زمینه داده کاوی، صورت گرفته است. ما در این آموزش قصد داریم تا مبحث مقدمه ای بر داده کاوی در اصول و روش های داده کاوی (Data Mining) را مورد بحث و بررسی قرار دهیم.

یادگیری را شروع کنید ...

۴۳
آموزش آشنایی با ساختار سامانه های جستجوی وب

آموزش آشنایی با ساختار سامانه های جستجوی وب (رایگان)

مدرس: دکتر امیر حسین کیهانی پور

وب به عنوان گسترده ترین رسانه جهانی از منظر تولید محتوا و نیز میزان کاربران، فرصت ها و چالش های نوینی را فرا روی بشر قرار داده است. تنوع اطلاعات و خدمات در وب، تأمین نیاز اطلاعاتی کاربران را به یکی از چالش های جدی آنان تبدیل نموده است. ما در این آموزش قصد داریم تا مبحث معرفی معماری و ساختار سامانه های جستجوی وب (قسمت چهارم) در وب کاوی را مورد بحث و بررسی قرار دهیم.

یادگیری را شروع کنید ...

۴۴
آموزش تکنیک های پایه ارزیابی اطلاعات در وب کاوی

آموزش تکنیک های پایه ارزیابی اطلاعات در وب کاوی (رایگان)

مدرس: دکتر امیر حسین کیهانی پور

وب به عنوان گسترده ترین رسانه جهانی از منظر تولید محتوا و نیز میزان کاربران، فرصت ها و چالش های نوینی را فرا روی بشر قرار داده است. تنوع اطلاعات و خدمات در وب، تأمین نیاز اطلاعاتی کاربران را به یکی از چالش های جدی آنان تبدیل نموده است. ما در این آموزش قصد داریم تا مبحث تکنیک های پایه ارزیابی اطلاعات (قسمت اول) در وب کاوی را مورد بحث و بررسی قرار دهیم.

یادگیری را شروع کنید ...

۴۵
آموزش معرفی مدل های بازیابی اطلاعات در وب کاوی

آموزش معرفی مدل های بازیابی اطلاعات در وب کاوی (رایگان)

مدرس: دکتر امیر حسین کیهانی پور

وب به عنوان گسترده ترین رسانه جهانی از منظر تولید محتوا و نیز میزان کاربران، فرصت ها و چالش های نوینی را فرا روی بشر قرار داده است. تنوع اطلاعات و خدمات در وب، تأمین نیاز اطلاعاتی کاربران را به یکی از چالش های جدی آنان تبدیل نموده است. ما در این آموزش قصد داریم تا مبحث معرفی مدل های بازیابی اطلاعات (قسمت سوم) در وب کاوی را مورد بحث و بررسی قرار دهیم.

یادگیری را شروع کنید ...

۴۶
آموزش پیاده سازی الگوریتم PSO در سی شارپ - حلقه اصلی الگوریتم

آموزش پیاده سازی الگوریتم PSO در سی شارپ - حلقه اصلی الگوریتم (رایگان)

مدرس: دکتر سیدمصطفی کلامی هریس

الگوریتم های تکاملی و فراابتکاری (متاهیوریستیک ها) از جمله ابزارهای بسیار قدرتمند هوش مصنوعی، برای حل مسائل بهینه سازی از طریق روش های هوشمند هستند و امروزه در شاخه های مختلفی از علوم و مهندس، کاربردهای فراوانی را به خود اختصاص داده اند. این الگوریتم ها، که اغلب از فرایندهای طبیعی الهام گرفته شده اند، در واقع روش های جستجو هستند که در فضای همه پاسخ های ممکن برای یک مسئله بهینه سازی جستجو می کنند و بهترین پاسخ (یا پاسخ ها) را پیشنهاد می دهند.

یادگیری را شروع کنید ...

۴۷
آموزش پیاده سازی الگوریتم PSO در سی شارپ - تعریف مسأله و آماده سازی

آموزش پیاده سازی الگوریتم PSO در سی شارپ - تعریف مسأله و آماده سازی (رایگان)

مدرس: دکتر سیدمصطفی کلامی هریس

الگوریتم های تکاملی و فراابتکاری (متاهیوریستیک ها) از جمله ابزارهای بسیار قدرتمند هوش مصنوعی، برای حل مسائل بهینه سازی از طریق روش های هوشمند هستند و امروزه در شاخه های مختلفی از علوم و مهندس، کاربردهای فراوانی را به خود اختصاص داده اند. این الگوریتم ها، که اغلب از فرایندهای طبیعی الهام گرفته شده اند، در واقع روش های جستجو هستند که در فضای همه پاسخ های ممکن برای یک مسئله بهینه سازی جستجو می کنند و بهترین پاسخ (یا پاسخ ها) را پیشنهاد می دهند.

یادگیری را شروع کنید ...

۴۸
آموزش اتصال برنامه SA به برنامه تحت ویندوز قبلی در سی شارپ

آموزش اتصال برنامه SA به برنامه تحت ویندوز قبلی در سی شارپ (رایگان)

مدرس: دکتر سیدمصطفی کلامی هریس

از طریق پیاده سازی الگوریتم های فرا ابتکاری در سی شارپ، سرعت اجرای آن ها در مقایسه با متلب، به مراتب افزایش خواهد یافت و این امکان وجود خواهد داشت که نرم افزار نهایی، به صورت یک برنامه مستقل و به راحتی در همه سیستم های ویندوزی (و حتی ادوات موبایل و برخی سیستم های غیر ویندوزی) اجرا شود. در این دوره آموزشی منحصر به فرد، علاوه بر این که موضوع محاسبات تکاملی مورد بررسی قرار می گیرد، مثال های کاملی از نحوه کاربرد سی شارپ در محاسبات علمی و آکادمیک نیز، به صورت ضمنی ارائه می شوند. ما در این آموزش قصد داریم تا مبحث اتصال برنامه SA به برنامه تحت ویندوز قبلی در سی شارپ را مورد بحث و بررسی قرار دهیم.

یادگیری را شروع کنید ...

۴۹
آموزش مرور مبانی تئوری الگوریتم بهینه سازی ازدحام ذرات یا PSO

آموزش مرور مبانی تئوری الگوریتم بهینه سازی ازدحام ذرات یا PSO (رایگان)

مدرس: دکتر سیدمصطفی کلامی هریس

الگوریتم های تکاملی و فراابتکاری (متاهیوریستیک ها) از جمله ابزارهای بسیار قدرتمند هوش مصنوعی، برای حل مسائل بهینه سازی از طریق روش های هوشمند هستند و امروزه در شاخه های مختلفی از علوم و مهندس، کاربردهای فراوانی را به خود اختصاص داده اند. این الگوریتم ها، که اغلب از فرایندهای طبیعی الهام گرفته شده اند، در واقع روش های جستجو هستند که در فضای همه پاسخ های ممکن برای یک مسئله بهینه سازی جستجو می کنند و بهترین پاسخ (یا پاسخ ها) را پیشنهاد می دهند.

یادگیری را شروع کنید ...

۵۰
آموزش مرور مبانی تئوری الگوریتم شبیه سازی تبرید و پیاده سازی آن

آموزش مرور مبانی تئوری الگوریتم شبیه سازی تبرید و پیاده سازی آن (رایگان)

مدرس: دکتر سیدمصطفی کلامی هریس

الگوریتم های تکاملی و فراابتکاری (متاهیوریستیک ها) از جمله ابزارهای بسیار قدرتمند هوش مصنوعی، برای حل مسائل بهینه سازی از طریق روش های هوشمند هستند و امروزه در شاخه های مختلفی از علوم و مهندس، کاربردهای فراوانی را به خود اختصاص داده اند. این الگوریتم ها، که اغلب از فرایندهای طبیعی الهام گرفته شده اند، در واقع روش های جستجو هستند که در فضای همه پاسخ های ممکن برای یک مسئله بهینه سازی جستجو می کنند و بهترین پاسخ (یا پاسخ ها) را پیشنهاد می دهند.

یادگیری را شروع کنید ...

موضوعات آموزشی مرتبط





به همراه دهها آموزش دیگر مرتبط با یادگیری ماشین و بازشناسی الگو

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