فرادرس

الگوریتم های فرا ابتکاری (metaheuristic algorithms) رویکرد مؤثری برای حل مسائل بهینه سازی پیچیده در علوم مختلف هستند. در سالهای اخیر، با الهام از رفتار موجودات زنده برای یافتن منابع مورد نیاز برای زندگی، الگوریتم های فرا ابتکاری جدید و متنوعی پیشنهاد شده اند. الگوریتم جهش قورباغه مخلوط شده (Shuffled Frog Leaping Algorithm)، که بر مبنای الگوریتم دیگری با نام الگوریتم تکامل مجتمع های مخلوط شده (Shuffled Complex Evolution Algorithm or SCE-UA) پیشنهاد شده است، از جمله همین روش های جدید است. این روش برای حل مسائل مختلفی از قبیل مدیریت شبکه های آبی، بهینه سازی سیستم های قدرت، و طراحی مهندسی با موفقیت به کار رفته است. این الگوریتم در اصل برای مسائل بهینه سازی با متغیرهای تصمیم گیری گسسته پیشنهاد شد؛ با این حال این الگوریتم در ادبیات فنی برای حل مسائلی با متغیرهای تصمیم گیری پیوسته، دودویی (binary)، و مخلوط (mixed-variable) با موفقیت به کار گرفته شده است.

مسائل تصمیم گیری و بهینه سازی، قسمت عمده ای از مسائلی را که هرفرد در زندگی علمی و یا کاری خود با آنها درگیر است، تشکیل می دهند. آشنایی با این الگوریتم، ابزاری جدید برای حل اینگونه مسائل در اختیار شما قرار خواهد داد. در مقایسه با روش های فرا ابتکاری دیگر، سهولت مفهومی، پیاده سازی و کاربرد این الگوریتم و همچنین قابلیت آن در کار با انواع مختلف متغیر تصمیم گیری (پیوسته، گسسته، دودویی) آن را برای مسائل دنیای واقعی (که در آنها انواع مختلف متغیر دخیل هستند)، مناسب می کند. همچنین، قابلیت توسعه و اصلاح این الگوریتم، آن را به گزینه مناسبی برای تحقیقات علمی بدل می کند.

هم اکنون این روش در کاربردهای متعددی در زمینه مدیریت منابع آب و شبکه های آبرسانی، مدیریت تخصیص منابع شبکه های قدرت، طراحی مهندسی، مسائل برنامه ریزی مدیریت و مهندسی صنایع (از قبیل مدیریت پروژه و مدیریت منابع)، مسائل داده کاوی، پردازش تصویر، و مسائل متنوع دیگر در زمینه های دیگر به کار رفته است. این کاربردهای متنوع با سرعت زیادی در حال گسترش هستند. با آموختن موضوعات این بسته آموزشی، به این ابزار قدرتمند دسترسی خواهید داشت و می توانید به این روند رو به رشد کمک کنید.

در "بسته طلایی الگوریتم جهش قورباغه (SFLA)"، بحث با معرفی تئوری و پیاده سازی عملی الگوریتم مادر آن، یعنی الگوریتم تکامل مجتمع های مخلوط شده (SCE-UA) آغاز خواهد شد. سپس نحوه استفاده از الگوریتم جهش قورباغه (Frog Leaping Algorithm) در چارچوب کلی الگوریتم SCE-UA و به دست آوردن الگوریتم SFLA به صورت تئوری شرح داده خواهد شد. پس از پیاده سازی عملی الگوریتم SFLA و آزمودن آن روی چند مسأله متداول بهینه سازی، نسخه های بهبود یافته آن بررسی و پیاده سازی خواهد شد. در پایان این کارگاه آموزشی، علاوه بر آشنایی و توانایی پیاده سازی الگوریتم SFLA، درک مناسبی از نحوه عملکرد آن پیدا خواهید کرد و قادر خواهید بود که علاوه بر حل مسائل بهینه سازی خود، الگوریتم SFLA را برای کابرد خاص مورد نظر خود اصلاح کنید.

 سرفصل های مهم در این فیلم آموزشی عبارتند از:

•  پیشنهاد دوان، سروشیان و گوپتا
• ایده اصلی
  • الگوریتم تکاملی مبتنی بر جمعیت
  • تقسیم جمعیت به تعدادی مجتمع (complex)
  • تکامل دادن (evolution) مستقل هر مجتمع از طریق اعمال مکرر جستجوی محلی به تعداد مشخص
  • کنار هم قرار دادن مجتمع ها و مخلوط کردن (shuffle) آنها برای تبادل اطلاعات سراسری

مطالب و مباحث این فیلم های آموزشی به زبان فارسی روان، و توسط مجتبی خلیجی ارائه شده است.

الگوریتم های فرا ابتکاری (metaheuristic algorithms) رویکرد مؤثری برای حل مسائل بهینه سازی پیچیده در علوم مختلف هستند. در سالهای اخیر، با الهام از رفتار موجودات زنده برای یافتن منابع مورد نیاز برای زندگی، الگوریتم های فرا ابتکاری جدید و متنوعی پیشنهاد شده اند. الگوریتم جهش قورباغه مخلوط شده (Shuffled Frog Leaping Algorithm)، که بر مبنای الگوریتم دیگری با نام الگوریتم تکامل مجتمع های مخلوط شده (Shuffled Complex Evolution Algorithm or SCE-UA) پیشنهاد شده است، از جمله همین روش های جدید است. این روش برای حل مسائل مختلفی از قبیل مدیریت شبکه های آبی، بهینه سازی سیستم های قدرت، و طراحی مهندسی با موفقیت به کار رفته است. این الگوریتم در اصل برای مسائل بهینه سازی با متغیرهای تصمیم گیری گسسته پیشنهاد شد؛ با این حال این الگوریتم در ادبیات فنی برای حل مسائلی با متغیرهای تصمیم گیری پیوسته، دودویی (binary)، و مخلوط (mixed-variable) با موفقیت به کار گرفته شده است.

مسائل تصمیم گیری و بهینه سازی، قسمت عمده ای از مسائلی را که هرفرد در زندگی علمی و یا کاری خود با آنها درگیر است، تشکیل می دهند. آشنایی با این الگوریتم، ابزاری جدید برای حل اینگونه مسائل در اختیار شما قرار خواهد داد. در مقایسه با روش های فرا ابتکاری دیگر، سهولت مفهومی، پیاده سازی و کاربرد این الگوریتم و همچنین قابلیت آن در کار با انواع مختلف متغیر تصمیم گیری (پیوسته، گسسته، دودویی) آن را برای مسائل دنیای واقعی (که در آنها انواع مختلف متغیر دخیل هستند)، مناسب می کند. همچنین، قابلیت توسعه و اصلاح این الگوریتم، آن را به گزینه مناسبی برای تحقیقات علمی بدل می کند.

هم اکنون این روش در کاربردهای متعددی در زمینه مدیریت منابع آب و شبکه های آبرسانی، مدیریت تخصیص منابع شبکه های قدرت، طراحی مهندسی، مسائل برنامه ریزی مدیریت و مهندسی صنایع (از قبیل مدیریت پروژه و مدیریت منابع)، مسائل داده کاوی، پردازش تصویر، و مسائل متنوع دیگر در زمینه های دیگر به کار رفته است. این کاربردهای متنوع با سرعت زیادی در حال گسترش هستند. با آموختن موضوعات این بسته آموزشی، به این ابزار قدرتمند دسترسی خواهید داشت و می توانید به این روند رو به رشد کمک کنید.

در "بسته طلایی الگوریتم جهش قورباغه (SFLA)"، بحث با معرفی تئوری و پیاده سازی عملی الگوریتم مادر آن، یعنی الگوریتم تکامل مجتمع های مخلوط شده (SCE-UA) آغاز خواهد شد. سپس نحوه استفاده از الگوریتم جهش قورباغه (Frog Leaping Algorithm) در چارچوب کلی الگوریتم SCE-UA و به دست آوردن الگوریتم SFLA به صورت تئوری شرح داده خواهد شد. پس از پیاده سازی عملی الگوریتم SFLA و آزمودن آن روی چند مسأله متداول بهینه سازی، نسخه های بهبود یافته آن بررسی و پیاده سازی خواهد شد. در پایان این کارگاه آموزشی، علاوه بر آشنایی و توانایی پیاده سازی الگوریتم SFLA، درک مناسبی از نحوه عملکرد آن پیدا خواهید کرد و قادر خواهید بود که علاوه بر حل مسائل بهینه سازی خود، الگوریتم SFLA را برای کابرد خاص مورد نظر خود اصلاح کنید.

 سرفصل های مهم در این فیلم آموزشی عبارتند از:

•  پیشنهاد یوسف و لنزی
• ایده اصلی
  • ساختار کلی الگوریتم SCE-UA
  • ایده استفاده از بهترین راه حل سراسری از PSO
  • استفاده از عمل گرد کردن برای حل مسائل بهینه سازی با متغیرهای صحیح
  • تغییر نحوه نمونه برداری فضای جستجو نسبت به الگوریتم SCE-UA

مطالب و مباحث این فیلم های آموزشی به زبان فارسی روان، و توسط مجتبی خلیجی ارائه شده است.

الگوریتم های فرا ابتکاری (metaheuristic algorithms) رویکرد مؤثری برای حل مسائل بهینه سازی پیچیده در علوم مختلف هستند. در سالهای اخیر، با الهام از رفتار موجودات زنده برای یافتن منابع مورد نیاز برای زندگی، الگوریتم های فرا ابتکاری جدید و متنوعی پیشنهاد شده اند. الگوریتم جهش قورباغه مخلوط شده (Shuffled Frog Leaping Algorithm)، که بر مبنای الگوریتم دیگری با نام الگوریتم تکامل مجتمع های مخلوط شده (Shuffled Complex Evolution Algorithm or SCE-UA) پیشنهاد شده است، از جمله همین روش های جدید است. این روش برای حل مسائل مختلفی از قبیل مدیریت شبکه های آبی، بهینه سازی سیستم های قدرت، و طراحی مهندسی با موفقیت به کار رفته است. این الگوریتم در اصل برای مسائل بهینه سازی با متغیرهای تصمیم گیری گسسته پیشنهاد شد؛ با این حال این الگوریتم در ادبیات فنی برای حل مسائلی با متغیرهای تصمیم گیری پیوسته، دودویی (binary)، و مخلوط (mixed-variable) با موفقیت به کار گرفته شده است.

مسائل تصمیم گیری و بهینه سازی، قسمت عمده ای از مسائلی را که هرفرد در زندگی علمی و یا کاری خود با آنها درگیر است، تشکیل می دهند. آشنایی با این الگوریتم، ابزاری جدید برای حل اینگونه مسائل در اختیار شما قرار خواهد داد. در مقایسه با روش های فرا ابتکاری دیگر، سهولت مفهومی، پیاده سازی و کاربرد این الگوریتم و همچنین قابلیت آن در کار با انواع مختلف متغیر تصمیم گیری (پیوسته، گسسته، دودویی) آن را برای مسائل دنیای واقعی (که در آنها انواع مختلف متغیر دخیل هستند)، مناسب می کند. همچنین، قابلیت توسعه و اصلاح این الگوریتم، آن را به گزینه مناسبی برای تحقیقات علمی بدل می کند.

هم اکنون این روش در کاربردهای متعددی در زمینه مدیریت منابع آب و شبکه های آبرسانی، مدیریت تخصیص منابع شبکه های قدرت، طراحی مهندسی، مسائل برنامه ریزی مدیریت و مهندسی صنایع (از قبیل مدیریت پروژه و مدیریت منابع)، مسائل داده کاوی، پردازش تصویر، و مسائل متنوع دیگر در زمینه های دیگر به کار رفته است. این کاربردهای متنوع با سرعت زیادی در حال گسترش هستند. با آموختن موضوعات این بسته آموزشی، به این ابزار قدرتمند دسترسی خواهید داشت و می توانید به این روند رو به رشد کمک کنید.

در "بسته طلایی الگوریتم جهش قورباغه (SFLA)"، بحث با معرفی تئوری و پیاده سازی عملی الگوریتم مادر آن، یعنی الگوریتم تکامل مجتمع های مخلوط شده (SCE-UA) آغاز خواهد شد. سپس نحوه استفاده از الگوریتم جهش قورباغه (Frog Leaping Algorithm) در چارچوب کلی الگوریتم SCE-UA و به دست آوردن الگوریتم SFLA به صورت تئوری شرح داده خواهد شد. پس از پیاده سازی عملی الگوریتم SFLA و آزمودن آن روی چند مسأله متداول بهینه سازی، نسخه های بهبود یافته آن بررسی و پیاده سازی خواهد شد. در پایان این کارگاه آموزشی، علاوه بر آشنایی و توانایی پیاده سازی الگوریتم SFLA، درک مناسبی از نحوه عملکرد آن پیدا خواهید کرد و قادر خواهید بود که علاوه بر حل مسائل بهینه سازی خود، الگوریتم SFLA را برای کابرد خاص مورد نظر خود اصلاح کنید.

 سرفصل های مهم در این فیلم آموزشی عبارتند از:

•  مروری بر روابط تولید نمونه در SFLA استاندارد
• الگوریتم جهش قورباغه با خطاهای حسی و حرکتی (نویز) 
• الگوریتم جهش قورباغه با رفتار شناختی (cognitive) 
• الگوریتم جهش قورباغه با بهبود عملکرد بهترین عضو مجتمع
• ترکیب SFLA با تکامل تفاضلی (Differential Evolution) 

مطالب و مباحث این فیلم های آموزشی به زبان فارسی روان، و توسط مجتبی خلیجی ارائه شده است.

 الگوریتم های فرا ابتکاری (metaheuristic algorithms) رویکرد مؤثری برای حل مسائل بهینه سازی پیچیده در علوم مختلف هستند. در سالهای اخیر، با الهام از رفتار موجودات زنده برای یافتن منابع مورد نیاز برای زندگی، الگوریتم های فرا ابتکاری جدید و متنوعی پیشنهاد شده اند. الگوریتم جهش قورباغه مخلوط شده (Shuffled Frog Leaping Algorithm)، که بر مبنای الگوریتم دیگری با نام الگوریتم تکامل مجتمع های مخلوط شده (Shuffled Complex Evolution Algorithm or SCE-UA) پیشنهاد شده است، از جمله همین روش های جدید است. این روش برای حل مسائل مختلفی از قبیل مدیریت شبکه های آبی، بهینه سازی سیستم های قدرت، و طراحی مهندسی با موفقیت به کار رفته است. این الگوریتم در اصل برای مسائل بهینه سازی با متغیرهای تصمیم گیری گسسته پیشنهاد شد؛ با این حال این الگوریتم در ادبیات فنی برای حل مسائلی با متغیرهای تصمیم گیری پیوسته، دودویی (binary)، و مخلوط (mixed-variable) با موفقیت به کار گرفته شده است.

مسائل تصمیم گیری و بهینه سازی، قسمت عمده ای از مسائلی را که هرفرد در زندگی علمی و یا کاری خود با آنها درگیر است، تشکیل می دهند. آشنایی با این الگوریتم، ابزاری جدید برای حل اینگونه مسائل در اختیار شما قرار خواهد داد. در مقایسه با روش های فرا ابتکاری دیگر، سهولت مفهومی، پیاده سازی و کاربرد این الگوریتم و همچنین قابلیت آن در کار با انواع مختلف متغیر تصمیم گیری (پیوسته، گسسته، دودویی) آن را برای مسائل دنیای واقعی (که در آنها انواع مختلف متغیر دخیل هستند)، مناسب می کند. همچنین، قابلیت توسعه و اصلاح این الگوریتم، آن را به گزینه مناسبی برای تحقیقات علمی بدل می کند.

هم اکنون این روش در کاربردهای متعددی در زمینه مدیریت منابع آب و شبکه های آبرسانی، مدیریت تخصیص منابع شبکه های قدرت، طراحی مهندسی، مسائل برنامه ریزی مدیریت و مهندسی صنایع (از قبیل مدیریت پروژه و مدیریت منابع)، مسائل داده کاوی، پردازش تصویر، و مسائل متنوع دیگر در زمینه های دیگر به کار رفته است. این کاربردهای متنوع با سرعت زیادی در حال گسترش هستند. با آموختن موضوعات این بسته آموزشی، به این ابزار قدرتمند دسترسی خواهید داشت و می توانید به این روند رو به رشد کمک کنید.

 در "بسته طلایی الگوریتم جهش قورباغه (SFLA)"، بحث با معرفی تئوری و پیاده سازی عملی الگوریتم مادر آن، یعنی الگوریتم تکامل مجتمع های مخلوط شده (SCE-UA) آغاز خواهد شد. سپس نحوه استفاده از الگوریتم جهش قورباغه (Frog Leaping Algorithm) در چارچوب کلی الگوریتم SCE-UA و به دست آوردن الگوریتم SFLA به صورت تئوری شرح داده خواهد شد. پس از پیاده سازی عملی الگوریتم SFLA و آزمودن آن روی چند مسأله متداول بهینه سازی، نسخه های بهبود یافته آن بررسی و پیاده سازی خواهد شد. در پایان این کارگاه آموزشی، علاوه بر آشنایی و توانایی پیاده سازی الگوریتم SFLA، درک مناسبی از نحوه عملکرد آن پیدا خواهید کرد و قادر خواهید بود که علاوه بر حل مسائل بهینه سازی خود، الگوریتم SFLA را برای کابرد خاص مورد نظر خود اصلاح کنید.

 سرفصل های مهم در این فیلم آموزشی عبارتند از:

• کاربرد الگوریتم جهش قورباغه در طراحی مهندسی
• کاربرد الگوریتم جهش قورباغه در داده کاوی 

مطالب و مباحث این فیلم های آموزشی به زبان فارسی روان، و توسط مجتبی خلیجی  ارائه شده است.

 در بازارهای مالی، اطلاعات و داده های قیمت و بازده سهام در هر لحظه گزارش می شود و با توجه به تعدد سهام ها استفاده از تکنیک های کامپیوتری و روش های ریاضی برای رسیدن به حداکثر مطلوبیت امری اجتناب ناپذیر است. نرم افزار متلب با داشتن جعبه ابزارهای مالی و بهینه سازی نرم افزاری مناسب برای تحلیل های مالی می باشد.

سرفصل های مهم مورد بحث در این فیلم آموزشی عبارتند از:

• بارگذاری دادهای سری زمانی و نمایش آن ها
  • طریقه بارگذاری داده ها ی سری زمانی در متلب (از طریق اینترنت، ...)
  • نحوه محاسبه بازده از روی قیمت
• مشخصات آماری سری زمانی
  • محاسبه میانگین، واریانس و کوواریانس نمونه
• معرفی توزیع احتمال نرمال 
• تست نرمال بودن داده های بازده
• برازش تابع توزیع بر روی بازده
• شبیه سازی بازده دارایی
  • تولید داده برای متغیرهای مستقل
  • تولید داده برای متغیرهای وابسته
• سناریو سازی بازده
  • معرفی روش k-means برای خوشه بندی داده ها
  • سناریو سازی بازده با استفاده از خوشه بندی
• نظریه سبد دارایی: مدل میانگین – واریانس (مدل مارکوئیتز)
  • ورودی های مدل مارکوئیتز
  • بیان محدودیت ها
  • بازده سبد دارایی
  • ریسک سبد دارایی
  • منطقه موجه و مرز کارا

مدرس: رضا نریمانی کالی

مدرس: فاطمه درگه

زبان برنامه نویسی و نرم افزار متلب، بدون شک، امروزه یکی از ابزارهای حیاتی برای مطالعات علمی در رشته های مختلف علمی و فنی به حساب می آید. با توجه به نیاز کاربران متلب در ایران، که شامل تعداد قابل توجهی از دانشجویان و متخصصین کشور است، برای دسترسی به منابع آموزشی مناسب و کامل، مجموعه کاملی از فیلم های آموزشی برنامه نویسی متلب تولید و در اختیار مخاطبان محترم قرار گرفته است.

در این مجموعه آموزشی، جوانب مختلفی از برنامه نویسی متلب مورد بحث و بررسی قرار می گیرند که قطعا برای همه کاربران متلب، حاوی نکات آموزشی فراوانی می باشد. شیوه آموزشی منحصر به فردی که در این مجموعه آموزشی در پیش گرفته شده است، همانند سایر آموزش های ارائه شده در فرادرس، آن را به یک مرجع بسیار قوی برای آموزش برنامه نویسی متلب تبدیل کرده است. در این مجموعه آموزشی، به جای بیان مطالب به صورت فهرست وار و صرفا تئوری، به صورت کاملا عملی از قابلیت های نرم افزار و زبان برنامه نویسی متلب برای حل مسائل عملی و کاربردی استفاده شده است، و از این طریق، نکات تئوری و عملی به طور همزمان آموزش داده می شوند. مدرس این مجموعه آموزشی، مهندس سید مصطفی کلامی هریس می باشد.

در «بسته طلایی فیلم های آموزشی برنامه نویسی متلب پیشرفته»، متدها، ابزارها و رویکردهای پیشرفته و حرفه ای موجود در نرم افزار و زبان برنامه نویسی متلب مورد بحث و بررسی واقع شده اند، و سعی شده است با ارائه یک چارچوب کاری جامع و کامل، نحوه استفاده از این امکانات در پیاده سازی پروژه های مختلف، بررسی شود. این بسته آموزشی، از این نظر که حاوی نکات پیشرفته برنامه نویسی متلب است و تا کنون مشابهی برای آن (حتی به صورت مکتوب) ارائه نشده است، یک مرجع بی نظیر برای آموزش حرفه ای برنامه نویسی متلب محسوب می شود. قطعا استفاده از ابزارهای معرفی شده در این بسته آموزشی، توانایی های ویژه ای را به یادگیرنده خواهد داد که امکان پیاده سازی سریع و حرفه ای برنامه های کاربردی متلب، تنها یک جنبه از آن است.

فصل های تشکیل دهنده این بسته آموزشی، که البته به صورت جداگانه قابل تهیه هستند، در ادامه آمده اند. برای دریافت اطلاعات تکمیلی در خصوص هر یک از بخش ها، بر روی لینک مربوطه کلید کنید.

• فیلم آموزشی مباحث پیشرفته ساختارها و آرایه های سلولی در متلب (کسب اطلاعات بیشتر +)
• فیلم آموزشی عبارات قانونمند یا Regular Expressions و کاربردهای آن ها در متلب (کسب اطلاعات بیشتر +)
• فیلم آموزشی رویکردهای پیشرفته تعریف و پیاده سازی توابع در متلب (کسب اطلاعات بیشتر +)
• فیلم آموزشی تعریف آرایه های توسعه یافته با Container Map در متلب (کسب اطلاعات بیشتر +)
• فیلم آموزشی مدیریت خطا و حالات استثنائی برنامه ها در متلب (کسب اطلاعات بیشتر +)
• فیلم آموزشی تایمرها و کاربرد آن ها در متلب (کسب اطلاعات بیشتر +)
• فیلم آموزشی برنامه نویسی شی گرا یا Object-Oriented Programming در متلب (کسب اطلاعات بیشتر +)

در کنار استفاده از «بسته طلایی فیلم های آموزشی برنامه نویسی متلب پیشرفته»، دو بسته آموزش دیگر نیز توصیه می شوند:

• بسته طلایی فیلم های آموزشی برنامه نویسی متلب لینک (+)
• بسته طلایی فیلم های آموزشی برنامه نویسی متلب برای مهندسی و علوم در این لینک (+)

زبان برنامه نویسی و نرم افزار متلب، بدون شک، امروزه یکی از ابزارهای حیاتی برای مطالعات علمی در رشته های مختلف علمی و فنی به حساب می آید. با توجه به نیاز کاربران متلب در ایران، که شامل تعداد قابل توجهی از دانشجویان و متخصصین کشور است، برای دسترسی به منابع آموزشی مناسب و کامل، مجموعه کاملی از فیلم های آموزشی برنامه نویسی متلب تولید و در اختیار مخاطبان محترم قرار گرفته است.

در این مجموعه آموزشی، جوانب مختلفی از برنامه نویسی متلب مورد بحث و بررسی قرار می گیرند که قطعا برای همه کاربران متلب، حاوی نکات آموزشی فراوانی می باشد. شیوه آموزشی منحصر به فردی که در این مجموعه آموزشی در پیش گرفته شده است، همانند سایر آموزش های ارائه شده در فرادرس، آن را به یک مرجع بسیار قوی برای آموزش برنامه نویسی متلب تبدیل کرده است. در این مجموعه آموزشی، به جای بیان مطالب به صورت فهرست وار و صرفا تئوری، به صورت کاملا عملی از قابلیت های نرم افزار و زبان برنامه نویسی متلب برای حل مسائل عملی و کاربردی استفاده شده است، و از این طریق، نکات تئوری و عملی به طور همزمان آموزش داده می شوند. مدرس این مجموعه آموزشی، مهندس سید مصطفی کلامی هریس می باشد.

به طور ویژه، در «بسته طلایی فیلم های آموزشی متلب برای علوم و مهندسی»، تاکید بر روی ابزارهای کاربردی و محاسباتی متلب است که در علوم و مهندسی کاربردهای فراوانی دارند. تقریبا هیچ رشته از میان رشته های علوم پایه و رشته های فنی-مهندسی بی نیاز از ابزارهای معرفی شده در این بسته آموزشی نیستند و از این رو، این بسته، که البته مشابهی نیز برای آن تا کنون ارائه نشده است، یک مرجع بی نظیر آموزشی برای دانشجویان، دانشپژوهان و علاقه مندان به متلب و کاربردهای علمی و مهندسی آن است.

فصل های تشکیل دهنده این بسته آموزشی، که البته به صورت جداگانه قابل تهیه هستند، در ادامه آمده اند. برای دریافت اطلاعات تکمیلی در خصوص هر یک از بخش ها، بر روی لینک مربوطه کلید کنید.

• فیلم آموزشی حل معادلات جبری و ریشه یابی در متلب (کسب اطلاعات بیشتر +)
• فیلم آموزشی اعداد تصادفی، محاسبات و تحلیل آماری در متلب (کسب اطلاعات بیشتر +)
• فیلم آموزشی انتگرال گیری و مشتق گیری عددی در متلب (کسب اطلاعات بیشتر +)
• فیلم آموزشی محاسبات نمادین در متلب (کسب اطلاعات بیشتر +)
• فیلم آموزشی جبر خطی در متلب (کسب اطلاعات بیشتر +)
• فیلم آموزشی درون یابی، تقریب تابع، و برازش منحنی و سطح در متلب (کسب اطلاعات بیشتر +)
• فیلم آموزشی بهینه سازی کلاسیک در متلب (کسب اطلاعات بیشتر +)
• فیلم آموزشی جامع حل انواع مختلف معادلات دیفرانسیل در متلب (کسب اطلاعات بیشتر +)

در کنار استفاده از «بسته طلایی فیلم های آموزشی برنامه نویسی متلب برای علوم و مهندسی»، دو بسته آموزش دیگر نیز توصیه می شوند:

• بسته طلایی فیلم های آموزشی برنامه نویسی متلب در این لینک (+)
• بسته طلایی فیلم های آموزشی برنامه نویسی متلب پیشرفته در این لینک (+)

زبان برنامه نویسی و نرم افزار متلب، بدون شک، امروزه یکی از ابزارهای حیاتی برای مطالعات علمی در رشته های مختلف علمی و فنی به حساب می آید. با توجه به نیاز کاربران متلب در ایران، که شامل تعداد قابل توجهی از دانشجویان و متخصصین کشور است، برای دسترسی به منابع آموزشی مناسب و کامل، مجموعه کاملی از فیلم های آموزشی برنامه نویسی متلب تولید و در اختیار مخاطبان محترم قرار گرفته است.

در «بسته طلایی فیلم های آموزشی برنامه نویسی متلب»، جوانب مختلفی از برنامه نویسی متلب مورد بحث و بررسی قرار می گیرند که قطعا برای همه کاربران متلب، حاوی نکات آموزشی فراوانی می باشد. شیوه آموزشی منحصر به فردی که در این مجموعه آموزشی در پیش گرفته شده است، همانند سایر آموزش های ارائه شده در فرادرس، آن را به یک مرجع بسیار قوی برای آموزش برنامه نویسی متلب تبدیل کرده است. در این مجموعه آموزشی، به جای بیان مطالب به صورت فهرست وار و صرفا تئوری، به صورت کاملا عملی از قابلیت های نرم افزار و زبان برنامه نویسی متلب برای حل مسائل عملی و کاربردی استفاده شده است، و از این طریق، نکات تئوری و عملی به طور همزمان آموزش داده می شوند. مدرس این مجموعه آموزشی، مهندس سید مصطفی کلامی هریس می باشد.

فصل های تشکیل دهنده این بسته آموزشی، که البته به صورت جداگانه قابل تهیه هستند، در ادامه آمده اند. برای دریافت اطلاعات تکمیلی در خصوص هر یک از بخش ها، بر روی لینک مربوطه کلید کنید.

• فیلم آموزشی آشنایی با نرم افزار و زبان برنامه نویسی متلب - (کسب اطلاعات بیشتر +)
• فیلم آموزشی انواع داده در متلب - (کسب اطلاعات بیشتر +)
• فیلم آموزشی ساختارهای کنترل برنامه در متلب - (کسب اطلاعات بیشتر +)
• فیلم آموزشی تعریف و استفاده از توابع در متلب - (کسب اطلاعات بیشتر +)
• فیلم آموزشی گرافیک و ترسیم نمودار در متلب - (کسب اطلاعات بیشتر +)
• فیلم آموزشی مدیریت فایل ها و اطلاعات در متلب - (کسب اطلاعات بیشتر +)

در کنار استفاده از «بسته طلایی فیلم های آموزشی برنامه نویسی متلب»، دو بسته آموزش دیگر نیز توصیه می شوند:

• بسته طلایی فیلم های آموزشی برنامه نویسی متلب برای مهندسی و علوم در این لینک (+)
• بسته طلایی فیلم های آموزشی برنامه نویسی متلب پیشرفته در این لینک (+)

در فیلم آموزشی سیستم های دینامیکی خطی با پارامترهای تنظیم پذیر، امکانات و ابزارهایی که در تولباکس (جعبه ابزار) مهندسی کنترل برای تعریف پارامترهای تنظیم پذیر یا Tunable Parameters تعبیه شده اند، مورد بررسی قرار گرفته اند و مثالهایی از کاربردهای این موضوع مورد اشاره واقع شده اند. این فیلم که بخش از بسته طلایی فیلم های آموزشی کاربرد متلب در مهندسی کنترل است، به رایگان برای دانلود ارائه شده است.

مطالب و مباحث این فیلم آموزشی به زبان فارسی روان، و توسط مهندس سید مصطفی کلامی هریس ارائه شده است.

ترکیب رگولاتور درجه دو خطی یا LQR (که یک فیدبک حالت بهینه است) و فیلتر کالمن (که یک رویتگر حالت تعمیم یافته است)، منجر به ایجاد نوعی از کنترل کننده می شود که به نام Linear Quadratic Gaussian یا LQG شناخته می شود. این کنترل کننده این قابلیت را دارد که یک فیدبک حالتی را فقط با در دست داشتن خروجی های آلوده به نویز ایجاد می کند، که در نهایت منجر به کمینه شدن یک تابع عملکرد (Performance Index) می شود. از این آرایش می توان برای تعقیب ورودی دلخواه (LQG Tracker) و همچنین تنظیم خروجی برای تعقیب صفر (LQG Regulator) استفاده نمود.

در فیلم آموزشی طراحی کنترل درجه دو گوسی برای سیستم های خطی در متلب، ابزارهای و امکاناتی که در تولباکس (جعبه ابزار) مهندسی کنترل نرم افزار متلب برای پیاده سازی انواع کنترل کننده LQG تعبیه شده اند، به صورت کاملا عملی مورد بررسی قرار گرفته اند و نکات مهمی در خصوص استفاده از این ابزارها در کاربردهای عملی، ارائه شده اند.

مطالب و مباحث این فیلم آموزشی به زبان فارسی روان، و توسط مهندس سید مصطفی کلامی هریس ارائه شده است.

سرفصل های مهم مورد بحث در این فیلم آموزشی عبارتند از:

• تشریح ساختار LQG
• معرفی توابع اساسی برای پیاده سازی انواع ساختارهای LQG
• حل یک مثال عملی برای پیاده سازی LQG Tracker با استفاده از lqgtrack
• حل یک مثال عملی برای پیاده سازی LQG Regulator با استفاده از lqgreg
• بررسی عملکرد کنترل کننده ها در تعقیب ورودی مرجع و حذف نویز و اغتشاش 
• تشریح کاربردهای عملی آرایش LQG

ايده Particle Swarm Optimization، براي اولين بار توسط کندي و ابرهارت در سال 1995 مطرح شد. PSO، يک الگوريتم محاسبه اي تکاملي الهام گرفته از طبيعت و براساس تکرار مي‌باشد. منبع الهام اين الگوريتم، رفتار اجتماعي حيوانات، همانند حرکت دسته جمعي پرندگان و ماهي‌ها بود. از اين جهت که PSO نيز با يک ماتريس جمعيت تصادفي اوليه، شروع مي‌شود، شبيه بسیاری دیگر از الگوریتم های تکاملی همچون الگوريتم ژنتيک پيوسته و الگوریتم رقابت استعماری است. در کنار نسخه استاندارد و پیوسته این الگوریتم، نسخه گسسته (باینری اش) نیز در حل مسائل مختلفی مورد استفاده قرار می گیرد. متلب سایت با اتکا به توان بالای متخصصین داخل و خارج کشور و در پاسخ به درخواست های مکرر پژوهشگران این حوزه، اقدام به تهیه یک بسته کامل آموزش الگوریتم گسسته ازدحام ذرات (پرندگان) کرده است. در صورتی که به این حوزه از هوش مصنوعی علاقه مندید، پیشنهاد می کنیم، استفاده از این محصول ارزشمند را از دست ندهید.

اهم مطالبی که در این بسته آموزشی به آن ها پرداخته شده است، در ادامه آمده اند:

• ابتدا تعریفی از بهینه سازی ارائه می شود.
• سپس به دسته بندی مسائل بهینه سازی اشاره می شود.
• در مرحله بعد، مروری بر روش های مختلف بهینه سازی صورت می پذیرد.
• در ادامه، الگوریتم ازدحام ذرات (PSO) استاندارد (پیوسته) به صورت اجمالی مورد بررسی قرار می گیرد.
• پس از مرور الگوریتم پیوسته، نحوه تبدیل این الگوریتم به نسخه گسسته (باینری) بیان می شود.
• در نهایت پس از آشنایی کامل با مباحث تئوریک، نحوه کد نویسی و پیاده سازی عملی به صورت کامل بیان می شود. روش ایجاد تغییرات در برنامه برای گسترش و توسعه آن به مسائل اختصاصی نیز مورد بررسی واقع می شود.

این محصول به گونه ای تهیه شده است که در کنار ارائه کاربردی و برنامه نویسی عملی الگوریتم گسسته ازدحام ذرات، آن را با زبان ساده برای افراد مبتدی نیز مفید می کند.

استفاده از این محصول نیاز به داشتن هیچ پیشنیازی ندارد. تنها آشنایی با زبان برنامه نویسی متلب برای درک بخش آموزش برنامه نویسی آن توصیه می شود.

برخی از سرفصل های مورد بحث:

• تعریف بهینه سازی
• دسته بندی مسائل بهینه سازی
• مرور کوتاهی بر روش های مختلف بهینه سازی
• بررسی الگوریتم ازدحام ذرات (PSO) استاندارد (پیوسته)
• نحوه تبدیل الگوریتم الگوریتم پیوسته، به نسخه گسسته (باینری)
• نحوه کد نویسی و پیاده سازی عملی و بیان روش ایجاد تغییرات در برنامه برای گسترش و توسعه آن به مسائل اختصاصی

مدرس: سید مصطفی کلامی هریس

مسائل بهینه سازی از نظر تعداد توابع هدف و معیارهای بهینه سازی، به دو نوع تقسیم پذیر هستند: (1) مسائل بهینه سازی تک هدفه و (2) مسائل بهینه سازی چند هدفه. در مسائل بهینه سازی تک هدفه، هدف از حل مسأله بهبود یک شاخص عملکرد (Performance Index) یگانه است که مقدار کمینه یا بیشینه آن، کیفیت پاسخ به دست آمده را به طور کامل منعکس می کند. اما در برخی موارد، نمی توان صرفا با اتکا به یک شاخص، یک پاسخ فرضی برای مسأله بهینه سازی را امتیازدهی نمود. در این نوع مسائل، ناگزیریم که چندین تابع هدف یا شاخص عملکرد را تعریف نماییم و به طور همزمان، مقدار همه آن ها را بهینه کنیم.

 بهینه سازی چند هدفه، یکی از زمینه های بسیار فعال و پرکاربرد تحقیقاتی در میان مباحث بهینه سازی است. غالبا بهینه سازی چند هدفه (یا Multi-objective Optimization) به نام های بهینه سازی چند معیاره (یا Multi-criteria Optimization) و بهینه سازی برداری (یا Vector Optimization) نیز شناخته می شود. روش های فراوانی تا کنون برای حل این مسائل ارائه شده اند که در حالت کلی می توان آن ها را به دو دسته تقسیم نمود:

• روش های کلاسیک، که اغلب مسأله چند هدفه را به یک مسأله یک هدفه تقلیل می دهند، و
• روش های تکاملی، که اغلب مسأله بهینه سازی چند هدفه را واقعا به صورت چند هدفه حل می نمایند.

 موضوع بحث فیلم آموزشی که در این پست قصد معرفی آن را داریم، مبانی تئوری بهینه سازی چند هدفه و روش های بهینه سازی چند هدفه کلاسیک است. روش های کلاسیک، در برخی متون به نام روش های تجزیه یا Decomposition نیز شناخته می شوند.

 مطالب و مباحث این فیلم آموزشی به زبان فارسی روان، و توسط مهندس سید مصطفی کلامی هریس ارائه شده است.

سرفصل های مهم مورد بحث در این فیلم آموزشی عبارتند از:

• مبانی بهینه سازی چند هدفه و بیان تفاوت های آن با مسأله بهینه سازی یک هدفه
• تقسیم بندی روش های بهینه سازی چند هدفه
• روش های بهینه سازی چند هدفه کلاسیک
  • روش مجموع وزن دار یا Weighted Sum، مزایا و معایب آن
  • روش برنامه ریزی آرمانی یا Goal Programming
  • روش نیل به آرمان یا Goal Attainment
  • روش چبیشف، به عنوان حالت کلی روش های مبتنی بر آرمان
  • روش تبدیل به قید یا ε-Constrainet (بخوانید Epsilon Constraint)
• مقدمه سازی برای طرح الگوریتم های تکاملی چند هدفه
• جمع بندی و نتیجه گیری های نهایی

الگوریتم ژنتیک (Genetic Algorithm) یا GA، به طور قطع شناخته شده ترین روش بهینه سازی هوشمند و الگوریتم تکاملی است، که کاربردهای فراوانی در رشته های مختلف علمی و مهندسی دارد. اهمیت این الگوریتم در محاسبات تکاملی و هوش محاسباتی به قدری است که اولین کلمه ای که پس از عبارت "الگوریتم تکاملی" به ذهن می رسد، الگوریتم ژنتیک است. تا کنون محصولات متنوعی برای آموزش مباحث تئوری و عملی الگوریتم های ژنتیک، بر روی متلب سایت ارائه شده اند. در این پست قصد داریم محصول جدیدی را که مربوط به حل مسأله کوله پشتی یا Knapsack Problem با استفاده از الگوریتم ژنتیک است، به حضور مخاطبین محترم متلب سایت، معرفی کنیم.

مسأله کوله پشتی یا Knapsack Problem یکی از مسائل معروف در ریاضیات کاربردی و تحقیق در عملیات است، که به نام Backpack Problem نیز شناخته می شود. این مسأله دارای نسخه های مختلفی است و حالات پیچیده تر آن، در حل مسائل روزمره و صنعتی، کاربردهای فراوانی دارد. گذشته از اهمیت عملی این مسأله، نسخه های استانداردی نیز برای این مسأله تعریف شده اند که برای ارزیابی عملکرد الگوریتم های بهینه سازی، مورد استفاده قرار می گیرد. در این فیلم آموزشی با استفاده از الگوریتم ژنتیک به حل مسأله کوله پشتی باینری پرداخته شده است.

این فیلم آموزشی ارزشمند، به زبان فارسی روان تهیه شده است و مدرس آن، مهندس سید مصطفی کلامی هریس است.

الگوریتم ژنتیک (Genetic Algorithm) یا GA، به طور قطع شناخته شده ترین روش بهینه سازی هوشمند و الگوریتم تکاملی است، که کاربردهای فراوانی در رشته های مختلف علمی و مهندسی دارد. اهمیت این الگوریتم در محاسبات تکاملی و هوش محاسباتی به قدری است که اولین کلمه ای که پس از عبارت "الگوریتم تکاملی" به ذهن می رسد، الگوریتم ژنتیک است. بسیاری از افراد، سایر روش های بهینه سازی هوشمند را، نسخه های تغییر یافته ای از الگوریتم ژنتیک می شناسند و قائل به اصالت وجود و ماهوی سایر الگوریتم ها نیستند. این ابزار محاسباتی، در اوایل دهه 1970 از دل نتایجی پدید آمد، که از تلاش های مهندسین و دانشمندان آن روزگار برای شبیه سازی فرایند تکامل، صورت پذیرفته بود. مبتکر ایده الگوریتم های ژنتیک، جان هالند بود و پس از وی، یکی از شاگرادنش به نام دیوید گولدبرگ، تلاش فراوانی برای توسعه الگوریتم های ژنتیک انجام داده است.

این محصول شامل همه مطالبی است که شما باید در مورد الگوریتم ژنتیک بدانید و از نظر برنامه نویسی نیز، کامل ترین محصولی است که تا کنون در مورد الگوریتم های ژنتیکی ارائه شده است.

فیلم جامع آموزش عملی الگوریتم های ژنتیک در متلب، به زبان فارسی تهیه شده است و مدرس آن، مهندس سید مصطفی کلامی هریس است.

سرفصل های پوشش داده شده در این دو فیلم آموزشی، در ادامه آمده اند:

سرفصل های مورد بحث در بخش تئوری:

• مروری بر مبانی علم ژنتیک و منشاء الهام الگوریتم های تکاملی و الگوریتم های ژنتیک
• معرفی اجزا و ساختار پایه الگوریتم های ژنتیک
• بررسی جامع انواع شرایط خاتمه در روش های بهینه سازی و الگوریتم های عددی
• بررسی جامع انواع ساختارهای ممکن برای تلفیق و انتخاب اعضای جمعیت جدید
  • روش تلفیق، مرتب سازی و حذف
  • روش سهم های از پیش تعیین شده
  • روش تلفیق و انتخاب تصادفی
  • روش اعمال همزمان تقاطع و جهش بر روی اعضای جمعیت
• بررسی جامع انواع روش های انتخاب والدین
  • انتخاب تصادفی
  • انتخاب بر اساس شایستگی
    • مفاهیم ابتدایی و شرایط توزیع احتمالی گسسته برای انجام انتخاب
    • روش های مختلف برای تعریف توزیع احتمالی، از جمله روش بولتزمان
    • فشار انتخاب و قواعد عملی برای تنظیم آن
    • چرخه رولت یا Roulette Wheel و شیوه عملکرد آن
    • ساده سازی مکانیزم چرخه رولت به همراه بیان نکات مهم برای پیاده سازی
  • انتخاب رقابتی یا Touament Selection
    • بررسی تاثیر اندازه تورنومنت در عملکرد این عملگر انتخاب
    • فشار انتخاب در انتخاب رقابتی
• انواع اپراتورها برای مسائل مختلف
  • مسائل باینری و گسسته
    • بررسی انواع تقاطع قابل استفاده در مسائل باینری و گسسته
    • چگونگی انجام جهش در فضای باینری و گسسته
  • مسائل پیوسته (اعداد حقیقی)
    • اپراتور تقاطع حسابی برای مسائل پیوسته
    • بهبود عملگر تقاطع با افزودن پارامتر برون گرایی
    • چگونگی انجام عمل جهش در فضای پیوسته
    • جهش نرمال (گوسی)
    • تنظیم گام جهش بر اساس قانون یک پنجم یا One Fifth Rule
• بررسی مفهوم تعداد دفعات فراخوانی تابع یا Number of Function Evaluations و یا به اختصار NFE
• جمع بندی و نتیجه گیری های نهایی

سرفصل های مورد بحث در بخش عملی:

• پیاده سازی الگوریتم ژنتیک باینری
  • پیاده سازی برای حل یک مسأله باینری نمونه
  • پیاده سازی انواع روش های تقاطع
    • تقاطع تک نقطه ای یا Single Point Crossover
    • تقاطع دو نقطه ای یا Double Point Crossover
    • تقاطع یکنواخت یا Uniform Crossover
    • ترکیب تصادفی سه نوع تقاطع به صورت ساده و با استفاده از چرخه رولت
  • پیاده سازی جهش برای مسائل باینری
  • پیاده سازی روش های مختلف انتخاب والد
    • انتخاب تصادفی
    • انتخاب توسط چرخه رولت یا Roulette Wheel
    • انتخاب رقابتی یا Touament Selection
    • ایجاد رابط گرافیک کاربری برای انتخاب یکی از سه روش انتخاب در هنگام اجرای برنامه
  • افزودن محاسبه تعداد دفعات فراخوانی تابع هدف یا NFE به الگوریتم ژنتیک
• پیاده سازی الگوریتم ژنتیک پیوسته
  • پیاده سازی برای حل یک مسأله پیوسته نمونه
  • پیاده سازی تقاطع حسابی یا Arithmetic Crossover و بهبود عملکرد آن
  • پیاده سازی جهش نرمال یا گوسی
• جمع بندی و نتیجه گیری های نهایی

در بسیاری از رشته های علمی و فنی، در نهایت ما با مجموعه ای از داده ها روبرو هستیم که حجم کم یا زیادی را دارند؛ اما مهم ترین کار، به دست آوردن چنین پایگاه داده ای نیست. بلکه باید بتوانیم، سطح بالاتری از دانش را با توجه به پایگاه داده مذکور به دست بیاوریم؛ این یعنی نتیجه گیری و جمع بندی تمام تلاش هایی که برای جمع آوری آن داده ها صرف شده است.

اکثر دانشمندان و محققین سرشناس هر رشته علمی یا فنی، در کنار عامل خلاقیت و تخصص، یک ویژگی مشترک و بسیار مهم دارند، و آن نتیجه گیری های مهمی است که از مشاهدات و داده های جمع آوری شده ارائه کرده اند. در رشته های مختلف علمی، نظریه های بسیار مهمی که با مطالعات میدانی به دست آمده اند، همگی دارای این مولفه مشترک هستند: به دست آوردن قواعد و قوانینی که توضیحی فشرده و مفهومی از داده های در دسترس را ارائه می دهند. این عملیات، و مجموعه دیگری از کارهای مرتبط با آن، موضوع بحث یکی از زیر شاخه های مشترک علوم کامپیوتر و آمار، به نام داده کاوی یا Data Mining است. فرآیند کلی استخراج دانش از داده، معنای عام تری از داده کاوی را در بر دارد که به Knowledge Discovery from Data یا KDD معروف است.

در جهت تکمیل مباحث مطرح شده در جلسات پیشین مجموعه آموزشی داده کاوی در متلب، چند مسأله کاربردی با استفاده از داده های واقعی حل و بررسی شده اند.

فهرست این مثال در ادامه آمده است:

• حل مسأله رگرسیون یا Regression روش ها: کمترین مربعات، شبکه عصبی MLP و شبکه عصبی RBFموضوع: تخمین درصد چربی موجود در بدن (Body Fat Percentage) با توجه به 13 عامل فیزیکی و قابل اندازه گیری در همه جا

• حل مسأله طبقه بندی یا Classification روش ها: طبقه بندی کننده درخت تصمیم یا Decision Tree Classifierموضوع: تحلیل نتایج به دست آمده از انتخابات ریاست جمهوری آمریکا در سال 2008

• حل مسأله کاوش قواعد وابستگی یا Association Rule Mining روش ها: الگوریتم های Apriori و FP-Growthموضوع: تحلیل سفارش های انجام شده در یک رستوران ارائه دهنده انواع غذاها و نوشیدنی ها

مدرس: سید مصطفی کلامی هریس

در بسیاری از رشته های علمی و فنی، در نهایت ما با مجموعه ای از داده ها روبرو هستیم که حجم کم یا زیادی را دارند؛ اما مهم ترین کار، به دست آوردن چنین پایگاه داده ای نیست. بلکه باید بتوانیم، سطح بالاتری از دانش را با توجه به پایگاه داده مذکور به دست بیاوریم؛ این یعنی نتیجه گیری و جمع بندی تمام تلاش هایی که برای جمع آوری آن داده ها صرف شده است.

اکثر دانشمندان و محققین سرشناس هر رشته علمی یا فنی، در کنار عامل خلاقیت و تخصص، یک ویژگی مشترک و بسیار مهم دارند، و آن نتیجه گیری های مهمی است که از مشاهدات و داده های جمع آوری شده ارائه کرده اند. در رشته های مختلف علمی، نظریه های بسیار مهمی که با مطالعات میدانی به دست آمده اند، همگی دارای این مولفه مشترک هستند: به دست آوردن قواعد و قوانینی که توضیحی فشرده و مفهومی از داده های در دسترس را ارائه می دهند. این عملیات، و مجموعه دیگری از کارهای مرتبط با آن، موضوع بحث یکی از زیر شاخه های مشترک علوم کامپیوتر و آمار، به نام داده کاوی یا Data Mining است. فرآیند کلی استخراج دانش از داده، معنای عام تری از داده کاوی را در بر دارد که به Knowledge Discovery from Data یا KDD معروف است.

کاوش قواعد وابستگی یا Association Rule Mining رده ای از مسائل داده کاوی را شامل می شود که در آن به دنبال استخراج و تعریف قواعد و الگوهایی هستیم که توصیف دقیق تری را از فضای حاکم بر داده ها ارائه می دهند. کاربردهای گسترده این روش ها در هوش تجاری (هوشمندی کسب و کار یا Business Intelligence)، شبکه های اجتماعی و مجازی، تجارت الکترونیک، صنعت بانکداری، وب کاوی (Web Mining)، و ده ها زمینه دیگر، اهمیت دو چندانی به این روش ها اعطا کرده است. از جمله کاربردهای مهم این روش ها، می توان به  طراحی و پیاده سازی سیستم های پیشنهادگر یا Recommender Systems اشاره نمود، که هر روز در دنیای وب، شاهد ظهور و بروز آن ها هستیم.

سرفصل های مهم‌ترین مباحث مطرح شده در این فیلم آموزشی در ادامه آمده اند:

• بررسی انواع الگوهای تکرار شونده
• ارائه مثال های پایه از تحلیل سبد خرید یا Market Basket Analysis
• معرفی قواعد توصیف کننده و خواص آن ها
• معرفی معیارهای تشخیص قاعده های قوی یا Strong Rules
• معرفی و بررسی کامل الگوریتم Apriori برای استخراج و کاوش قواعد وابستگی
• پیاده سازی گام به گام الگوریتم Apriori در محیط متلب به همراه حل یک مثال عملی
• بررسی ضعف های الگوریتم Apriori و مشکلات موجود در مسیر اجرای آن
• بررسی عوامل و معیارهای بهتر برای توصیف قواعد مهم و جالب توجه در پایگاه داده
• معرفی و بررسی الگوریتم رشد الگوی متداول یا Frequent Patte Growth (به اختصار FP-Growth)
• بررسی مفاهیم تشکیل درخت FP-Tree و مزایای آن در مقایسه با Apriori
• پیاده سازی گام به گام الگوریتم FP-Growth در محیط متلب به همراه حل یک مثال عملی 

مدرس: مهندس سیدمصطفی کلامی هریس

در بسیاری از رشته های علمی و فنی، در نهایت ما با مجموعه ای از داده ها روبرو هستیم که حجم کم یا زیادی را دارند؛ اما مهم ترین کار، به دست آوردن چنین پایگاه داده ای نیست. بلکه باید بتوانیم، سطح بالاتری از دانش را با توجه به پایگاه داده مذکور به دست بیاوریم؛ این یعنی نتیجه گیری و جمع بندی تمام تلاش هایی که برای جمع آوری آن داده ها صرف شده است.

اکثر دانشمندان و محققین سرشناس هر رشته علمی یا فنی، در کنار عامل خلاقیت و تخصص، یک ویژگی مشترک و بسیار مهم دارند، و آن نتیجه گیری های مهمی است که از مشاهدات و داده های جمع آوری شده ارائه کرده اند. در رشته های مختلف علمی، نظریه های بسیار مهمی که با مطالعات میدانی به دست آمده اند، همگی دارای این مولفه مشترک هستند: به دست آوردن قواعد و قوانینی که توضیحی فشرده و مفهومی از داده های در دسترس را ارائه می دهند. این عملیات، و مجموعه دیگری از کارهای مرتبط با آن، موضوع بحث یکی از زیر شاخه های مشترک علوم کامپیوتر و آمار، به نام داده کاوی یا Data Mining است. فرآیند کلی استخراج دانش از داده، معنای عام تری از داده کاوی را در بر دارد که به Knowledge Discovery from Data یا KDD معروف است.

تشخیص داده های پرت می تواند به عنوان یک مرحله پیش پردازش در مسیر داده کاوی، و یا مستقلا به عنوان یک عملیات داده کاوی مطرح شود. روش های متعددی برای تشخیص داده های پرت وجود دارد، که در فیلم آموزشی تشخیص داده های پرت، سعی شده است مروری کلی بر روی این موارد انجام شود و در نهایت یک مورد که کاربرد بیشتری دارد، یعنی آنالیز مبتنی بر معیار T² مفصلا مورد بررسی واقع شده است و در محیط متلب پیاده سازی شده است.

سرفصل های مهم‌ترین مباحث مطرح شده در این فیلم آموزشی در ادامه آمده اند:

• بررسی انواع الگوها و داده های پرت و ناسازگاری ها
• معرفی روش های کلی تشخیص داده های پرت
• معرفی معیار T2 برای تشخیص ناسازگاری ها
• بررسی هندسی معیار T2 و پیاده سازی آن در محیط متلب
• معرفی معیار Q یا باقیمانده برای تشخیص داده های پرت

مدرس: مهندس سیدمصطفی کلامی هریس

در بسیاری از رشته های علمی و فنی، در نهایت ما با مجموعه ای از داده ها روبرو هستیم که حجم کم یا زیادی را دارند؛ اما مهم ترین کار، به دست آوردن چنین پایگاه داده ای نیست. بلکه باید بتوانیم، سطح بالاتری از دانش را با توجه به پایگاه داده مذکور به دست بیاوریم؛ این یعنی نتیجه گیری و جمع بندی تمام تلاش هایی که برای جمع آوری آن داده ها صرف شده است.

اکثر دانشمندان و محققین سرشناس هر رشته علمی یا فنی، در کنار عامل خلاقیت و تخصص، یک ویژگی مشترک و بسیار مهم دارند، و آن نتیجه گیری های مهمی است که از مشاهدات و داده های جمع آوری شده ارائه کرده اند. در رشته های مختلف علمی، نظریه های بسیار مهمی که با مطالعات میدانی به دست آمده اند، همگی دارای این مولفه مشترک هستند: به دست آوردن قواعد و قوانینی که توضیحی فشرده و مفهومی از داده های در دسترس را ارائه می دهند. این عملیات، و مجموعه دیگری از کارهای مرتبط با آن، موضوع بحث یکی از زیر شاخه های مشترک علوم کامپیوتر و آمار، به نام داده کاوی یا Data Mining است. فرآیند کلی استخراج دانش از داده، معنای عام تری از داده کاوی را در بر دارد که به Knowledge Discovery from Data یا KDD معروف است.

کاهش ابعاد یا Dimensionality Reduction یکی از مراحلی است که در برخی مواقع به عنوان یک مرحله پیش پردازش در ابتدای یک فرآیند داده کاوی انجام می شود. کاهش ابعاد، از طرفی می تواند به عنوان یک کار انتخاب یا استخراج ویژگی یا Feature Selection or Extraction در نظر گرفته شود. در فیلم آموزشی جامع کاهش ابعاد، روش های مختلفی برای کاهش ابعاد و انتخاب ویژگی معرفی شده اند، و پس از پیاده سازی در محیط متلب، در کاربردهای عملی مورد استفاده قرار گرفته اند.

سرفصل های مهم‌ترین مباحث مطرح شده در این فیلم آموزشی در ادامه آمده اند:

• مروری بر مفاهیم پایه کاهش ابعاد
• معرفی و بررسی کامل تحلیل مولفه اساسی یا Principal Component Analysis (به اختصار PCA)
• بررسی ارتباط PCA با تجزیه مقادیر تکین یا SVD
• پیاده سازی PCA در محیط متلب و کاربرد آن در کاهش ابعاد
• معرفی رویکردهای تعمیمی برای روش PCA
• معرفی روش تحلیل تفکیک فیشر یا Fisher Discriminant Analysis (به اختصار FDA)
• بررسی تفاوت های PCA و FDA
• پیاده سازی الگوریتم FDA در محیط متلب و کاربرد آن در کاهش ابعاد و طبقه بندی
• معرفی شبکه های عصبی و حافظه های انجمنی یا Auto-Associative Neural Networks
• معرفی و کاربرد تولباکس NLPCA برای کاهش ابعاد غیر خطی در متلب
• حل و بررسی مسائل کاهش ابعاد غیر خطی
• بررسی کاربرد نگاشت های خود-سازمان ده یا SOM در کاهش ابعاد

مدرس: مهندس سیدمصطفی کلامی هریس

در بسیاری از رشته های علمی و فنی، در نهایت ما با مجموعه ای از داده ها روبرو هستیم که حجم کم یا زیادی را دارند؛ اما مهم ترین کار، به دست آوردن چنین پایگاه داده ای نیست. بلکه باید بتوانیم، سطح بالاتری از دانش را با توجه به پایگاه داده مذکور به دست بیاوریم؛ این یعنی نتیجه گیری و جمع بندی تمام تلاش هایی که برای جمع آوری آن داده ها صرف شده است.

اکثر دانشمندان و محققین سرشناس هر رشته علمی یا فنی، در کنار عامل خلاقیت و تخصص، یک ویژگی مشترک و بسیار مهم دارند، و آن نتیجه گیری های مهمی است که از مشاهدات و داده های جمع آوری شده ارائه کرده اند. در رشته های مختلف علمی، نظریه های بسیار مهمی که با مطالعات میدانی به دست آمده اند، همگی دارای این مولفه مشترک هستند: به دست آوردن قواعد و قوانینی که توضیحی فشرده و مفهومی از داده های در دسترس را ارائه می دهند. این عملیات، و مجموعه دیگری از کارهای مرتبط با آن، موضوع بحث یکی از زیر شاخه های مشترک علوم کامپیوتر و آمار، به نام داده کاوی یا Data Mining است. فرآیند کلی استخراج دانش از داده، معنای عام تری از داده کاوی را در بر دارد که به Knowledge Discovery from Data یا KDD معروف است.

بسیاری از مسائل داده کاوی را می توان به صورت یک مسأله رگرسیون یا Regression بیان نمود، که در آن در نهایت یک یک مدلپیش بینی کننده تربیت و طراحی می شود که می تواند با در دست داشتن نقاطی از یک رابطه ریاضی مخفی یا موجود، تمامی آن رابطه را بازسازی و یا شبیه سازی کند، و به ما در یافتن ارتباطهای موجود میان متغیرها و خروجی ها، کمک کند. در فیلم آموزشی جامع رگرسیون یا Regression، پس از مرور کلی بر مفاهیم رگرسیون و مدل سازی، تعدادی از روش های پر کاربرد معرفی و در محیط متلب پیاده سازی شده اند.

سرفصل های مهم‌ترین مباحث مطرح شده در این فیلم آموزشی در ادامه آمده اند:

• بررسی مفاهیم بنیادی رگرسیون و مدل سازی و رویکردهای کلی حل این مسائل
• بررسی ساختار مسأله یادگیری نظارت شده برای مدل سازی و رگرسیون
• بررسی و معرفی انواع روش های رگرسیون
• روش کمترین مربعات یا Least Squares (به اختصار LS) و پیاده سازی آن در محیط متلب
• تعمیم روش کمترین مربعات برای مدل سازی غیر خطی
• مروری بر شبکه های عصبی پرسپترون چند لایه یا MLP
• مدل سازی و رگرسیون با شبکه عصبی MLP در متلب
• مروری بر شبکه های عصبی مبتنی بر توابع شعاعی یا RBF
• مدل سازی و رگرسیون با شبکه عصبی RBF در متلب

مدرس: مهندس سیدمصطفی کلامی هریس