- اطلاعات کلی
- وضعیت محصول : غیر رایگان
- زبان : فارسی
- تاریخ : ۲۶ دی ۱۳۹۷
با سلام، در این مجموعه اموزش خوشه بندی و دسته بندی در متلب – پکیج جامع با زبانی ساده و به صورت کامل آموزش داده می شود. در ادامه ویدئوهای این مجموعه به تفکیک بیان شده است.
دسته بندی (classification)چیست:
در زندگی روزمره با مواردی برخورد می کنیم که دوست داریم بدانیم اگر یک کاری را انجام دهیم نتیجهی آن کار خوب است یا بد. این کار رو چگونه انجام خواهیم داد؟ اگر بخواهیم بر اساس تجارب خودمان عمل کنیم باید بر اساس کارهایی که قبلا انجام دادیم، و تجاربی که کسب کردیم، برای شرایط جدید تصمیم گیری نماییم.دسته بندی (classification) علمی است که بر اساس دادههای قبلی که دارای برچسب هستند، مدلی برای پیش بینی برچسب دادههای جدید میسازد.
دسته بندی classification یکی از زیر شاخه های اساسی یادگیری ماشین و داده کاوی است. و اساس آن جمع آوری دادهها از اعمال گذشته است. اعمالی که بر اساس دانش فرد خبره برچسب گذاری شده اند. برای اینکه یک مدل طبقه بند خوب داشته باشیم، باید از دادهها و ساختار آنها و نیز تعداد دستهها (برچسب-کلاس-طبقه) اطلاع داشته باشیم.به بیان دیگر؛ دسته بندی classification فرآیند قرارگیری نمونه داده های جدید در طبقات مختلف بر اساس دادههای قدیمی است و برای اینکار به یک مدل دسته بندی یا الگوریتم دسته بندی نیاز است.
الگوریتم های طبقه بندی یا الگوریتم های classification :
دسته بندی می تواند با استفاده از الگوریتم های یادگیری استنتاجی نظارت شده از قبیل تولید درخت های تصمیم، الگوریتم های دسته بندی مثل الگوریتم ماشین بردار پشتیبان (SVM) ، k نزدیکترین همسایه (KNN) ، Bayesian naive و غیره انجام شود. برای مثال دسته بندی بر روی داده های یک وب سایت سفارش کالا ممکن است منجر به کشف قوانین مطلوب به این صورت شود که ۳۰ درصد از کاربرانی که سفارش آنلاین موزیک داشته اند در گروه سنی ۱۹ تا ۲۵ سال هستند.
انتخاب یک مدل طبقه بندی میتواند به موارد زیر وابسته باشد:
- ساختار و نحوهی توزیع داده ها
- تعداد طبقهها
- پیچدگی زمانی ساخت مدل
آموزش خوشه بندی یا Clustering چیست ؟
اجازه بدهید با یک مثال توضیح دهم، فرض کنید تصویر زیر را به شما داده اند و از شما میخواهند داده ها را براساس شکل ظاهری آنها دسته بندی کنید. شما حتی اگر اولین بار است که چنین اشکالی را می بینید باز خیلی راحت براساس ظاهر آنها، داده های مشابه را در کنار هم قرار می دهید.
خوشه بندی تکنیکی است برای گروه بندی یک مجموعه از آیتم هایی که ویژگی های مشابه دارند، به طوری که آیتم های درون یک خوشه باید خیلی به هم شبیه باشند، همچنین آنها باید غیر مشابه با اشیاء خوشه های دیگر باشند. شباهت بین آیتم ها توسط توابع شباهت تعیین می شوند. معمولا شباهت ها به طور کمی به عنوان فاصله یا معیار های دیگر با توجه به نظر متخصصین حوزه، مشخص می شوند.
الگوریتم خوشه بندی :
روش های آموزش خوشه بندی به طور کلی به دو دسته تقسیم می شوند:
- روش هایی که در آن ها تعداد خوشه ها باید تعیین شود(خوشه بندی کاربران).مانند الگوریتم k-means، الگوریتم fcm و شبکه های عصبی som
- روش هایی که در آن ها تعداد خوشه تعیین نمی شود(خوشه بندی صفحات).مانند روشهای سلسله مراتبی، الگوریتم PG-means و x-means
خوشه بندی کاربران برای ایجاد گروه هایی از کاربران است که الگوهای جستجوی مشابهی را نشان می دهند و علایق و عادات مشابه دارند. چنین دانشی به ویژه، معمولا برای پی بردن به آمار کاربر به منظور انجام بخش بندی مارکت در کاربرد های تجارت الکترونیک یا تولید محتوای وب شخصی سازی شده برای کاربران، بکار می رود. از طرف دیگر آموزش خوشه بندی صفحات، گروه هایی از صفحات را کشف خواهد کرد که محتوای مرتبط دارند و یا براساس درک کاربر، مرتبط به نظر می رسند.
در این مجموعه آموزشی سعی شده است تا مهمترین و پرکاربردترین روش های دسته بندی و خوشه بندی گنجانده شود. محصولات موجود در این پکیج در دوسته قرار گرفته اند:
دسته اول مربوط به ویدئوهای آموزشی الگوریتم های دسته بندی و آموزش خوشه بندی در متلب می باشد (الگوریتم k-means, FCM, SFCM, KNN, Neural Network, Active contour).
دسته دوم مربوط به پروژه های انجام شده در این زمینه به همراه داکیومنت و کد متلب آن ها می باشد (قطعه بندی تصویر، تشخیص چهره، تشخیص اثر انگشت، تشخیص حروف و …).
آموزش هایی را که با کمک این پکیج آموزشی فرا می گیرید:
آموزش خوشه بندی و دسته بندی در متلب – پکیج جامع : ویدئوهای آموزشی
- فیلم آموزش و پیاده سازی الگوریتم K-means در متلب
- فیلم آموزش و پیاده سازی الگوریتم FCM در متلب
- فیلم آموزش و پیاده سازی الگوریتم (Spatial FCM (SFCM در متلب
- فیلم آموزش و پیاده سازی الگوریتم KNN در متلب
- فیلم آموزش قطعه بندی تصویر با استفاده از مدل کانتور فعال – Active contour
- فیلم آموزش تشخیص کاراکتر با شبکه عصبی پرسپترون
- فیلم آموزش شبکه عصبی پرسپترون و کاربرد آن در تشخیص حروف
- فیلم آموزش شمارش تعداد انگشتان باز یک دست با استفاده از شبکه عصبی پرسپترون
- فیلم آموزش پروژه پیش بینی سن آبالون Age of an abalone + کد متلب
- فیلم آموزش الگوریتم های دسته بندی Clustering در متلب
آموزش خوشه بندی و دسته بندی در متلب – پکیج جامع – پروژه
- برنامه قطعه بندی تصویر (Image Segmentation) با استفاده از متد فازی مبتنی بر کرنل در متلب (KFCM)
- برنامه قطعه بندی تصویر در متلب (استخراج بخش مغز از تصویر ام آر آی)
- برنامه قطعه بندی تصاویر رنگی با الگوریتم K-Means
- برنامه قطعه بندی تصویر با استفاده از الگوریتم اتسو دو سطحی
- برنامه قطعه بندی بافت تصویر با استفاده از فیلترهای بافتی
- پک کامل الگوریتم های تشخیص دستخط برای زبان فارسی و انگلیسی و تشخیص اعداد
- پروزه تشخیص چهره + داکیومنت و کد متلب
- سورس تشخیص اثر انگشت + دیتابیس + داکیومنت + پاور
- مجموعه کامل الگوریتم های clustering و classification
- پروژه طراحی و پیاده سازی کد MATLAB شبکه ی عصبی تداعیگر خطی- Associative Memory Network
- پروژه های شبکه های عصبی در متلب (دسته بندی حروف) + داکیومنت فارسی
- پروژه پیاده سازی شبکه عصبی مصنوعی دو ورودی با متلب + گزارش ورد
- پروژه طبقه بندی متون با استفاده از شبکه عصبی SOM
- پروژه خوشه بندی با استفاده از شبکه ی عصبی LVQ در متلب + داکیومنت فارسی
- پروژه شمارش تعداد انگشتان باز یک دست با استفاده از شبکه ی عصبی پرسپترون + فیلم آموزش
- الگوریتم دسته بندی DBSCAN در متلب
مجموع قیمت آموزش های موجود در این پکیج ۴۰۰ هزار تومان است… قیمت این پکیج به دلیل تجمیع شدن آموزش ها، با بیش از ۲۵ درصد تخفیف و به قیمت ۲۹۹ هزار تومان خدمت شما عزیزان ارائه می شود.
کاربران گرامی در صورتی که سوال یا هرگونه انتقاد و پیشنهادی در خصوص دوره اموزش خوشه بندی و دسته بندی دارید لطفا از طریق تماس با پشتیبانی سایت یا کامنت در زیر همین پست با ما در ارتباط باشید.
توجه :
بلافاصله پس از انجام مراحل خرید، تمامی لینک های دانلود نمایش داده می شود و همچنین به ایمیل شما ارسال میگردد.
در صورت تمایل می توانید از طریق تماس با بخش پشتیبانی و یا فعال نمودن تیک دریافت پستی محصول، این پکیج را در درب منزل دریافت نمایید.
یادتان باشد: مبلغی را که برای آموزش خود می پردازید، به مراتب کمتر از هزینه هایی است که در آینده بابت عدم آگاهی خواهید پرداخت