با سلام

آموزش پیاده سازی پروژه شناسایی اعداد با شبکه عصبی در متلب مربوط به فصل پنجم (قسمت ۱۸ و ۱۹) از سری فیلم های آموزشی یادگیری ماشین می باشد.  فصل پنجم در شش قسمت (۱۴-۱۹) به آموزش شبکه های عصبی میپردازد که شامل زیر بخش های زیر می باشد:

۱- شبکه پرسپترون تک لایه

۲- شبکه پرسپترون چند لایه

۳- مفهوم، دلایل و روش های جلوگیری از over-fitting در شبکه های عصبی

۴- پیاده سازی شبکه های عصبی در MATLAB

۵- پروژه شناسایی اعداد ، classification و  … با استفاده از شبکه عصبی 

 

در قسمت های هجدهم و نوزدهم ، به آموزش پیاده سازی شبکه عصبی در متلب بصورت خط به خط  در قالب چندین برنامه کاربردی از جمله پروژه شناسایی اعداد ، classification و  … با استفاده از شبکه عصبی بر اساس مباحث تئوری بیان شده در قسمت های قبل (۱۴، ۱۵ و ۱۶) خواهیم پرداخت. چندین پروژه دسته بندی (Classification) با استفاده از شبکه عصبی و همچنین تولباکس های شبکه عصبی Matlab را در این قسمت تشریح و در متلب پیاده سازی می نماییم.

 

ocr

 

مباحث آموزش پیاده سازی پروژه شناسایی اعداد با شبکه عصبی در متلب

اما مهمترین مطالب و موضوعاتی که در این قسمت بیان شده را بطور مختصر در زیر مشاهده می نمایید:

۱- نحوه دریافت داده های تصویری بعنوان ورودی در شبکه عصبی در متلب

۲- استفاده از توابع خاص متلب جهت بهینه سازی تابع هزینه بعلت بالا بودن نمونه آموزشی

۳- نحوه مقداردهی وزن ها، لایه های مخفی، پارامترها و …

۴- بررسی مقادیر پیش بینی شده توسط شبکه عصبی

۵-حل مساله رگرسیون با توابع پیش فرض متلب

۶- نحوه تقسیم داده های ورودی به ۳ دسته Train, Test , validation در متلب

۷- مقایسه خطای Train, Test , validation

۸- پیاده سازی مساله classification با استفاده از توابع پیش فرض متلب

۹- تحلیل مقادیر خروجی و خطاها روی نمودار

۱۰-پیاده سازی روش Bayesian Regularization در متلب

۱۱- پیاده سازی روش یادگیری  Retraining Neural Network در متلب

۱۲-پیاده سازی روش یادگیری  Multiple Neural Network در متلب

۱۳- آموزش تولباکس های شبکه عصبی متلب

۱۴- بررسی GUI های شبکه عصبی متلب

شبکه عصبی

—————————————————————————————————————————————

سرفصل های این مجموعه آموزشی یادگیری ماشین در متلب شامل موارد زیر می باشد:

سرفصل های آموزش جامع یادگیری ماشین:

فصل اول: آمار مقدماتی

فصل دوم: مفهوم یادگیری نظارت شده

فصل سوم: رگرسیون خطی و رگرسیون منطقی

فصل چهارم: روش های طبقه بندی پارامتریک

فصل پنجم: شبکه های عصبی

فصل ششم: روش های طبقه بندی غیر پارامتریک

فصل هفتم: درخت تصمیم گیری

فصل هشتم: ماشین بردار پشتیبان SVM

فصل نهم: روش های ترکیبی Ensemble Methods

تذکر:

تمامی سورس کدها ضمیمه شده است.

تذکر

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

 

دانلود اسلاید های آموزش پیاده سازی پروژه شناسایی اعداد با شبکه عصبی در متلب

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

 

لازم به ذکر است آموزش پیاده سازی پروژه شناسایی اعداد با شبکه عصبی 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

با تشکر