با سلام

این پست شامل  قسمت سیزدهم از سری فیلم های آموزشی یادگیری ماشین می باشد. در این قسمت پیاده سازی و کدنویسی روش دسته بندی پارامتریک چند متغیره (parametric classification) مبتنی بر توابع جداکننده (Discriminant) در زبان متلب در قالب چندین مثال با زبانی روان به صورت خط به خط و به تفصیل بیان می گردد.

در این پارت تمامی موارد تئوری بیان شده در جلسه ۱۱ بصورت کاملا عملی و  در قالب چندین برنامه به زبان متلب پیاده سازی شده، تولباکس های مرتبط در متلب با جزئیات کامل آموزش داده شده است. مواردی همانند زیر را در این ویدئو آموزشی در برنامه متلب مشاهده خواهیم نمود:

۱- مقایسه رگرسیون Logistic با روش های LDA و QDA

۲-پیاده سازی روش دسته بندی مبتنی بر Discriminant در MATLAB

۳- تحلیل خروجی های بدست آمده از برنامه های متلب

۴- بررسی رگرسیون خطی توسط توابع آماده متلب

۵- آموزش چگونگی بکارگیری توابع رگرسیون از توابع پیش فرض متلب

و …

%d8%b1%da%af%d8%b1%d8%b3%db%8c%d9%88%d9%86-1

%d8%b1%da%af%d8%b1%d8%b3%db%8c%d9%88%d9%86-2

 

تذکر۰:

تمامی سورس کدها ضمیمه شده است.

تذکر۱:

قسمت های قبلی این مجموعه آموزشی را می توانید از اینجا مشاهده نمایید.

تذکر۲:

کتاب یادگیری ماشین آلپایدین (Alpaydın) میتوانید از اینجا و کتاب میشل (Tom Mitchell) را نیز از اینجا دانلود نمایید.

تذکر۳:

اسلایدهای این مجموعه آموزشی را می توانید از اینجا دانلود نمایید.

لازم به ذکر است این مجموعه از آموزش های گام به گام یادگیری ماشین در متلب برای اولین بار در ایران تهیه و توسط یکی از مجربترین اسانید در زمینه هوش مصنوعی آموزش داده شده است.

این مجموعه آموزشی بسیار مناسب برای محققین و دانشجویان در مقاطع کارشناسی، کارشناسی ارشد و دکتری می باشد که قصد یادگیری این درس و همچنین استفاده ازالگوریتم های هوش مصنوعی در مقاله و پایان نامه خود را دارند.

با تشکر

کلید واژه:

, LDA, Likelihood, machine learning, Mahalanobis distance, Ma,imum Likelihood, MLE, تابع جداکننده Quadratic, روش LDA, روش QDA, روش ماکزیمم نرخ احتمال, طبقه بندی پارامتریک چند متغیره, طبقه بندی چند متغیره, فاصله ماهالانوبس, کواریانس چند متغیره, یادگیری ماشین, Bayes, Bayesian, Likelihood Ratio, machine learning, Ma,imum Likelihood Ratio, MLE, parametric classification, بیزین, تئوری تصمیم گیری بیزین, طبقه بندی پارامتریک, قاعده بیز, نرخ احتمال, یادگیری ماشین