دانلود مجموعه آموزش های شبکه های عصبی مصنوعی در متلب

دانلود مجموعه آموزش های شبکه های عصبی مصنوعی در متلب

این مطلب صرفا جهت معرفی اثر می باشد لطفا از ناشر اصلی اثر را خریداری فرمایید

مجموعه شبکه عصبی مصنوعی MATLAB مجموعه ای از هفت شبکه عصبی جامع درباره شبکه های عصبی مصنوعی است. این بسته آموزشی منحصر به فرد شامل کلیه تقریباً ۲۷ ساعت برنامه آموزش تخصصی است که تمام قسمت های آن به صورت تئوری و عملی ارائه می شود.

درس ۱: شبکه های عصبی چند لایه Perceptron یا MLP در MATLAB

در این دوره ، ما قصد داریم یک آموزش جامع از شبکه های عصبی چند لایه پرسپترون یا MLP در MATLAB را معرفی کنیم ، که در آن علاوه بر بررسی نظریه های مربوط به شبکه های عصبی MLP ، اجرای عملی این نوع شبکه در محیط MATLAB کاملاً انجام می شود. بررسی شده است مباحث عمیق نظری و عملی در زمینه تقسیم بندی داده ها ، تجزیه و تحلیل عملکرد شبکه ، روش های پردازش اطلاعات و ده ها موضوع تخصصی دیگر نیز در این فیلم مورد بحث قرار گرفته است. برنامه های اجرا شده در این فیلم به حل مشکلات تخمین و تقریبی توابع (تقریب عملکرد) و پیش بینی سری زمانی اختصاص یافته است.

شبکه های عصبی مصنوعی (ANN) ابزار مهمی در زمینه هوش محاسباتی هستند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند که عمدتا در برنامه هایی مانند طبقه بندی ، خوشه بندی ، تشخیص الگوی ، مدل سازی و تقریب توابع ، کنترل ، تخمین و بهینه سازی استفاده می شوند.
در زیر لیستی از مباحث موجود در این آموزش آمده است:

مروری بر عملکرد سیستم عصبی طبیعی
تعریف ریاضی یک نورون مصنوعی با یک مثال بسیار ساده
تعریف نورون ها را تعمیم داده و از آن برای مدل سازی استفاده کنید
شبکه های عصبی پرسپترون چند لایه یا MLP ها و لزوم استفاده از آنها
بررسی مفاهیم مربوط به آموزش شبکه عصبی
تقسیم بندی داده ها
روش ها و دلایل
اجرای شبکه عصبی در MATLAB با استفاده از جعبه ابزار شبکه عصبی رابط کاربر گرافیکی (GUI)
اجرای شبکه عصبی MLP با جعبه ابزار
یک مشکل مدل سازی ساده را حل کنید
روشهای پردازش اطلاعات
ارزش از دست رفته
داده های دورتر
عادی سازی
سفید کردن
روش های کاهش ابعاد و عملکرد آنها
نقشه‌برداری غیرخطی
مروری بر کاربردهای مختلف شبکه های عصبی مصنوعی
ویژگی ها و تنظیمات شبکه های عصبی در MATLAB (شخصی سازی)
عملکرد برنامه های کتبی را بهبود ببخشید
تبدیل یک مشکل پیش بینی سری زمانی به یک مسئله تقریب عملکرد (مدل سازی)
پیاده سازی شبکه عصبی برای پیش بینی سری زمان آشوب Mackey-Glass
مدل سازی رابطه بین گشتاور ، سرعت ، میزان مصرف سوخت و تولید اکسید نیتروژن در موتور ماشین
بازنمایی های گرافیکی از نتایج به دست آمده از فرآیند طراحی شبکه عصبی
نتیجه گیری و نتیجه گیری نهایی

درس ۲: شبکه های عصبی بنیادی شعاعی یا RBF در MATLAB

در این دوره ، ما قصد داریم یک فیلم آموزشی جامع درباره شبکه های عصبی RBF در MATLAB معرفی کنیم ، که در آن علاوه بر مرور تئوری های مربوط به شبکه های عصبی بر اساس توابع شعاعی اساسی یا RBF ، اجرای عملی این نوع شبکه در محیط MATLAB است. همچنین بررسی شده است. برنامه های اجرا شده در این فیلم به حل مشکلات تخمین و تقریبی توابع (تقریب عملکرد) و پیش بینی سری زمانی اختصاص یافته است.

شبکه های عصبی مصنوعی (ANN) ابزار مهمی در زمینه هوش محاسباتی هستند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند که عمدتا در برنامه هایی مانند طبقه بندی ، خوشه بندی ، تشخیص الگوی ، مدل سازی و تقریب کارکردها ، کنترل ، تخمین و بهینه سازی استفاده می شوند.
در زیر لیستی از مباحث موجود در این آموزش آمده است:

مشکل در جداکننده ها و نورون های خطی
ایده جدایی غیرخطی را با یک مثال ساده بیان کنید
تعریف توابع رادیال اساسی و نورونهای RBF
ساختار کلی یک شبکه عصبی RBF
بیان قضیه Micchelli و شرایط برای تعریف مناسب از عملکرد RBF
روشهای انتخاب مراکز توابع شعاعی
مراکز ثابت را انتخاب کنید
انتخاب با روش های بدون نظارت مانند الگوریتم k-Means یا Lloyd
انتخاب با یادگیری نظارت شده
ارتباط بین شبکه عصبی RBF و سیستم فازی Takagi-Sugno یا TSK
اجرای RBF در محیط MATLAB با استفاده از توابع newrb و newrbe
پارامترهای شبکه عصبی RBF را تنظیم کنید
از شبکه عصبی RBF برای تقریبی و درون یابی عملکردها استفاده کنید
برای پیش بینی سری های زمانی از شبکه عصبی RBF استفاده کنید
نتیجه گیری و نتیجه گیری نهایی

درس ۳: پشتیبانی از ماشینهای بردار یا SVM در MATLAB

در این دوره ، ما قصد داریم یک آموزش جامع از ماشینهای بردار پشتیبانی یا SVM را در MATLAB معرفی کنیم ، که در آن علاوه بر مرور نظریه های مربوط به ماشین های بردار پشتیبانی یا SVM ، اجرای عملی این نوع شبکه در محیط MATLAB نیز باشد. کاملاً پوشیده بررسی شده است برنامه های اجرا شده در این آموزش به حل مشکلات طبقه بندی دودویی ، تقریب عملکرد و پیش بینی سری زمانی اختصاص یافته است.

شبکه های عصبی مصنوعی (ANN) ابزار مهمی در زمینه هوش محاسباتی هستند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند که عمدتا در برنامه هایی مانند طبقه بندی ، خوشه بندی ، تشخیص الگوی ، مدل سازی و تقریب کارکردها ، کنترل ، تخمین و بهینه سازی استفاده می شوند.

ماشین بردار پشتیبانی (SVM) نوع خاصی از شبکه عصبی است که برخلاف سایر انواع شبکه های عصبی (مانند MLP و RBF) ، به جای به حداقل رساندن خطا ، ریسک عملیاتی طبقه بندی یا مدل سازی را به حداقل می رساند. او انجام می دهد این ابزار بسیار قدرتمند است و می تواند در زمینه های مختلف مانند طبقه بندی ، خوشه بندی و مدل سازی (رگرسیون) مورد استفاده قرار گیرد.

در این آموزش ، سه الگوریتم مهم در بین دستگاه های بردار پشتیبان بررسی شده است:

دستگاه بردار پشتیبان پایه برای طبقه بندی باینری یا SVM
پشتیبانی از خوشه بندی بردار (کوتاه مدت SVC)
رگرسیون بردار پشتیبانی (SVR)

رویکردهای ارائه شده در این آموزش بسیار جامع و کلی است و از نکات نظری و عملی بیان شده برای حل سایر مشکلات عملی می توان استفاده کرد.
در زیر لیستی از مباحث موجود در این آموزش آمده است:

تفاوتهای اساسی بین SVM و انواع دیگر شبکه های عصبی را توضیح دهید
بیان ریاضی ریسک عملیاتی برای کلاس باینری داده ها
روابط اولیه SVM را به عنوان یک مسئله بهینه سازی درجه دوم یا QP استخراج کنید
حالت سخت حاشیه را به حالت نرم حاشیه تبدیل کنید
اجرای عملی SVM باینری در محیط MATLAB
نحوه استفاده از تابع quadprog برای حل مشکلات بهینه سازی درجه دوم
برای اعمال SVM در فضای غیر خطی از ترفند Kernel استفاده کنید
انواع هسته ها را بررسی کنید
SVM غیرخطی را در محیط MATLAB با استفاده از ترفند Kernel اجرا کنید
برای پیش بینی سری های زمانی از شبکه عصبی RBF استفاده کنید
با استفاده از توابع svmtrain و svmclassify از جعبه ابزار Bioinformatics
بررسی اصول نظریه خوشه بندی بردار پشتیبانی یا SVC
شرح ریسک در مسائل رگرسیون و مدل سازی
فرمولاسیون رگرسیون بردار پشتیبانی یا SVR و استخراج مدل QP
با استفاده از ترفند Kernel به حالت غیرخطی تعمیم دهید
برای تقریب عملکرد ، SVR را در MATLAB پیاده سازی کنید
SVR را برای پیش بینی سری های زمانی پیاده سازی کنید
نتیجه گیری و نتیجه گیری نهایی

درس ۴: یادگیری و خوشه بندی بدون نظارت با الگوریتم k-Means

شبکه های عصبی مصنوعی (ANN) ابزار مهمی در زمینه هوش محاسباتی هستند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند که عمدتا در برنامه هایی مانند طبقه بندی ، خوشه بندی ، تشخیص الگوی ، مدل سازی و تقریب کارکردها ، کنترل ، تخمین و بهینه سازی استفاده می شوند.

در این پست قصد داریم آموزش یادگیری و خوشه بندی بدون نظارت با الگوریتم k-Means در MATLAB را معرفی کنیم ، که در آن علاوه بر مرور تئوری های مربوط به یادگیری بدون نظارت و مشکل خوشه ای و الگوریتم k-Means ، اجرای عملی این الگوریتم و حل مشکلات خوشه بندی در محیط MATLAB نیز کاملاً مورد مطالعه قرار گرفته است. در برنامه های مختلفی که در این آموزش ویدیویی اجرا شده است ، ویژگی های مختلف عملکرد kmeans در MATLAB و نمایش نتایج به دقت بررسی می شود.

رویکردهای ارائه شده در این آموزش بسیار جامع و کلی است و از نکات نظری و عملی بیان شده برای حل سایر مشکلات عملی می توان استفاده کرد. مطالب و مباحث این آموزش به زبان انگلیسی روان است و توسط دکتر سید مصطفی کلامی هریس (فارغ التحصیل دکترای مهندسی کنترل انرژی از دانشگاه صنعتی خواجه نصیرالدین طوسی) ارائه شده است.
در زیر لیستی از مباحث موجود در این آموزش آمده است:

مروری بر مبانی یادگیری ماشین و انواع آن
یادگیری تحت نظارت
یادگیری بدون نظارت
یادگیری تقویتی
مبانی خوشه بندی
توضیحات ریاضی مسئله خوشه بندی به عنوان یک مسئله بهینه سازی
الگوریتم K-معنی (الگوریتم لوید)
خوشه بندی با استفاده از متلب
مشکلات خوشه بندی را در MATLAB حل کنید و نتایج را نمایش دهید

درس ۵: شبکه های عصبی رقابتی و نقشه برداری ده یا SOM خود سازمان یافته

در این پست قصد داریم یک آموزش جامع از شبکه های عصبی رقابتی و نقشه برداری خود ساماندهی یا SOM را معرفی کنیم ، که در آن علاوه بر بررسی نظریه های مربوط به شبکه های عصبی رقابتی و نقشه برداری خود سازماندهی ، برنامه های کاربردی عملی مربوط به این نوع شبکه. عصب بدون نظارت در حل مشکلات مختلف (مانند خوشه بندی و ابعاد) مورد بحث قرار گرفته است. برنامه های مربوط به این شبکه های عصبی در آموزش گام به گام اجرا می شوند.

شبکه های عصبی مصنوعی (ANN) ابزار مهمی در زمینه هوش محاسباتی هستند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند که عمدتا در برنامه هایی مانند طبقه بندی ، خوشه بندی ، تشخیص الگوی ، مدل سازی و تقریب کارکردها ، کنترل ، تخمین و بهینه سازی استفاده می شوند.

رویکردهای ارائه شده در این آموزش بسیار جامع و کلی است و از نکات نظری و عملی بیان شده برای حل سایر مشکلات عملی می توان استفاده کرد. مطالب و مضامین این فیلم آموزشی به زبان انگلیسی روان توسط دکتر سید مصطفی کالمی هریس (فارغ التحصیل دکترای مهندسی کنترل انرژی از دانشگاه صنعتی خواجه نصیرالدین طوسی) ارائه شده است.
در زیر لیستی از مباحث موجود در این آموزش آمده است:

اصول شبکه های عصبی رقابتی
سیاست های مختلفی که در شبکه های عصبی رقابتی به کار می رود
بررسی ساختار قشر مغز و ارتباط آن با مفاهیم یادگیری رقابتی
چگونه نقشه خود سازماندهی (یا به طور خلاصه SOM) کار می کند
معرفی و بررسی قانون یادگیری هبیان
قانون یادگیری کوهنن را معرفی و بررسی کنید
سازگاری در شبکه های عصبی رقابتی
یک لایه رقابتی را در MATLAB با استفاده از عملکرد رقابت کننده اجرا کنید
با استفاده از شبکه عصبی و عملکرد رقابتی ، مشکل خوشه بندی را حل کنید
خوشه بندی در جعبه ابزار شبکه عصبی MATLAB یا nctool
نقشه برداری ده سازماندهی شده یا SOM خود را با استفاده از نکتول اجرا کنید
تفسیر نمودارهای خروجی تهیه شده توسط nctool
بررسی توپولوژیهای قابل استفاده در ساختار SOM در متلب
خوشه بندی با استفاده از شبکه عصبی SOM در متلب
SOM را با استفاده از m-file در متلب اجرا کنید
ابعاد کاهش ابعادی و مدل سازی با استفاده از SOM
شباهت ها و تفاوت های بین شبکه های عصبی رقابتی و الگوریتم k-Means را بررسی کنید

درس ۶: تجزیه و تحلیل مؤلفه های اساسی یا PCA

در این دوره ، ما قصد داریم آموزش PCA را در MATLAB معرفی کنیم ، که در آن علاوه بر مرور تئوری های مربوط به روش تحلیل مؤلفه اصلی (PCA) ، نحوه اجرای آن در عمل در MATLAB ، حل مشکلات کاهش. ابعاد ، انتخاب و استخراج ویژگی ها بررسی شده است. کلیه مراحل اجرای این آموزش با ارائه توضیحی کامل در مورد این تئوری و بصورت گام به گام انجام می شود.

شبکه های عصبی مصنوعی (ANN) ابزار مهمی در زمینه هوش محاسباتی هستند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند که عمدتا در برنامه هایی مانند طبقه بندی ، خوشه بندی ، تشخیص الگوی ، مدل سازی و تقریب کارکردها ، کنترل ، تخمین و بهینه سازی استفاده می شوند.

رویکردهای ارائه شده در این آموزش بسیار جامع و کلی است و از نکات نظری و عملی بیان شده برای حل سایر مشکلات عملی می توان استفاده کرد. مطالب و مباحث این آموزش به زبان انگلیسی روان است و توسط دکتر سید مصطفی کلامی هریس (فارغ التحصیل دکترای مهندسی کنترل انرژی از دانشگاه صنعتی خواجه نصیرالدین طوسی) ارائه شده است.
در زیر لیستی از مباحث موجود در این آموزش آمده است:

بررسی رابطه بین PCA و تجزیه ارزش ارزش یا SVD
مفهوم مؤلفه اساسی و کاربرد آن در استخراج ویژگی و کاهش ابعادی
مفهوم کاوشگر (سنسور یا معیار) واریانس یا واریانس پوروب و نقش آن در وضوح
بیان هندسی و جبر خطی برای به حداکثر رساندن واریانس و وضوح
رابطه بین مقادیر ویژه ، مقادیر ویژه ، مقادیر مفرد و حداکثر واریانس واریانس
اجرای گام به گام و عملی PCA در MATLAB
جهت های خاص و مؤلفه های اصلی داده ها را نمایش دهید
وضوح داده را با انتخاب هر یک از ورودی ها نشان می دهد
بیان ریاضی PCA به عنوان یک فیلتر ویژه یا Eigenfilter برای داده های با حجم بالا
قانون یادگیری اوجا
معرفی PCA غیرخطی
معرفی و بررسی الگوریتم هسته PCA برای کاهش ابعاد غیرخطی با استفاده از ترفند هسته

درس ۷: شبکه عصبی Hopfield

در این دوره ، ما قصد داریم آموزش شبکه عصبی هاپفیلد را در MATLAB معرفی کنیم ، که در آن علاوه بر بررسی نظریه شبکه های عصبی هاففیلد و ارتباط آن با نظریه سیستم های دینامیکی غیرخطی ، اجرای عملی این نوع از شبکه عصبی را نیز دارا می باشد. برای حل مسئله شناخت الگوی و شناخت شخصیت (شناخت شخصیت) بحث شده است. در ادامه کاربرد این نوع شبکه های عصبی در حل مشکلات بهینه سازی ترکیبی از قبیل: مشکل فروشنده مسافرتی یا TSP مورد بررسی قرار گرفته است. همچنین در این فیلم آموزشی ، دستگاه بولتزمن به عنوان یک نسخه تصادفی از شبکه عصبی هاپفیلد معرفی شده است.

شبکه های عصبی مصنوعی (ANN) ابزار مهمی در زمینه هوش محاسباتی هستند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند که عمدتا در برنامه هایی مانند طبقه بندی ، خوشه بندی ، تشخیص الگوی ، مدل سازی و تقریب کارکردها ، کنترل ، تخمین و بهینه سازی استفاده می شوند.

رویکردهای ارائه شده در این آموزش بسیار جامع و کلی است و از نکات نظری و عملی بیان شده برای حل سایر مشکلات عملی می توان استفاده کرد. مطالب و مباحث این آموزش به زبان انگلیسی روان است و توسط دکتر سید مصطفی کلامی هریس (فارغ التحصیل دکترای مهندسی کنترل انرژی از دانشگاه صنعتی خواجه نصیرالدین طوسی) ارائه شده است.
در زیر لیستی از مباحث موجود در این آموزش آمده است:

مبانی نظریه سیستم های پویا
مروری بر مفاهیم اساسی نقاط تعادل و نقش آنها در تجزیه و تحلیل عملکرد سیستم های پویا
معرفی و بررسی قانون Lypunov برای تجزیه و تحلیل ثبات سیستم های پویا
رابطه بین شبکه عصبی هافیلد و نظریه سیستم های دینامیکی غیرخطی
بررسی ساختار و عملکرد شبکه عصبی هاپفیلد
رویکرد طراحی شبکه عصبی هافیلد
با استفاده از عملکرد newhop در متلب ، یک شبکه Hopfield طراحی کنید
نمایش نتایج و دامنه جذابیت برای یک شبکه هاپفیلد
تعریف یک مسئله شناخت شخصیت به عنوان یک مشکل یادگیری بدون نظارت
اجرای مرحله به مرحله یک برنامه جامع تشخیص شخصیت (الگوی) با استفاده از شبکه عصبی هاپفیلد در MATLAB
همگرایی مرحله به مرحله در شبکه هاپفیلد را نشان دهید
معرفی دستگاه بولتزمن یا ارتباط آن با شبکه عصبی هاپفیلد
رابطه بین دستگاه بولتزمن و شبیه سازی آنیلینگ یا SA
مشکلات بهینه سازی ترکیبی را با استفاده از شبکه Hopfield حل کنید
روش حل مشکل TSP (فروشنده مسافرتی) را با استفاده از شبکه Hopfield معرفی کنید

این مطلب صرفا جهت معرفی اثر می باشد لطفا از ناشر اصلی اثر را خریداری فرمایید