مجموعه آموزش مدل سازی، برازش و تخمین

درک رابطه بین متغیرها، برای ایجاد مدل های آماری بسیار ضروری است. به کمک شاخص های مربوطه قادر به کشف میزان رابطه بین متغیرها هستیم. ولی برای نشان دادن مدل رابطه بین متغیرها از یک روش آماری به نام معادله خط برگشت یا رگرسیون (Regression) استفاده می کنیم، تا شکل رابطه‌ بین متغیرها به زبان آماری نوشته شود. با این کار قادر به پیش بینی و تعیین مقدار متغیر وابسته برحسب متغیر مستقل خواهیم بود. در این میان آزمون های مربوط به مدل ارائه شده از اهمیت زیادی برخوردار است، تا اطمینان داشته باشیم، که مدل ارائه شده از کارایی مناسب برخوردار است و شرایط مربوط به برآورد مدل در آن لحاظ شده است.

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.

طراحی و آموزش سیستم های استنتاج فازی (FIS) و سیستم های تطبیقی استنتاج 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 فراابتکاری در طراحی بهینه سیستم های فازی نوع تاکاگی-سوگنو-کانگ (TSK) مورد بحث واقع شده است.

تحلیل سری های زمانی به عنوان مبحثی کاربردی در تمامی رشته های علمی از قبیل مهندسی، اقتصاد، جغرافیا، مدیریت و ... استفاده می شود. بررسی گذشته داده ها به منظور شناسایی و تعیین ماهیت یک پدیده قدم اول در یک مدل سازی اصولی است که با استفاده از آن می توان در گام بعدی به یک پیش بینی صحیح و قابل اتکا دست یافت. لذا این فرادرس بنای آن دارد که با استفاده از نرم افزارهای معتبر شناخته شده، مبانی نظری به روز و اساسی این حوزه را در قالبی مدون، ساده و کاربردی در اختیار مخاطبان و هموطنان عزیز قرار دهد.

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.

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.

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.

نرم افزارهای EViews و میکروفیت (Microfit)، دو نرم افزار مهم در برآورد مدل های اقتصادسنجی هستند. در نرم افزار EViews می توان با استفاده از داده های مقطعی، سری زمانی و همچنین پانلی به برآورد مدل های اقتصادسنجی پرداخت و این در حالی است که نرم افزار میکروفیت یک نرم افزار تخصصی برای داده های سری زمانی است. با توجه به اینکه یکی از مدل های پرکاربرد در داده های سری زمانی، مدل خودرگرسیونی با وقفه های توزیعی (ARDL) است، توانایی برآورد این مدل ها در نرم افزارهای Eviews و میکروفیت می تواند اهمیت فراوانی برای دانشجویان و محققان داشته باشد. در این آموزش به مخاطبان آموزش داده می شود که برای برآورد یک مدل ARDL چه آزمون هایی قبل و بعد از برآورد مدل باید انجام شود. ضمن اینکه با برآورد مدل ARDL در دو نرم افزار EVeiws و Microfit محققان می توانند چگونگی برآورد این مدل را در این دو نرم افزار پرکاربرد با یکدیگر مقایسه کنند.