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 مهم ترین 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 مهم ترین 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 مهم ترین 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 مهم ترین 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

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 خوشه بندی یا Clustering بیان نمود، که در آن یک عامل هوشمند یا نیمه-هوشمند باید بتواند بدون در دست داشتن هیچ اطلاعات زمینه ای، طبقه بندی منطقی از یک سری موارد در دسترس را داشته باشد. در واقع مسأله خوشه بندی، یک مسأله یادگیری غیر نظارت شده است. در فیلم آموزشی جامع خوشه بندی یا Clustering، پس از مرور کلی بر مفاهیم پایه خوشه بندی و تفاوت های آن با مسأله طبقه بندی یا Classification، چندین روش مهم و پرکاربرد در حوزه آنالیز خوشه معرفی و به صورت عملی در محیط متلب پیاده سازی شده اند.

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

• مروری بر مفاهیم پایه خوشه بندی یا Clustering
• مروری بر تفاوت های خوشه بندی و طبقه بندی
• ارائه چند مثال از کاربردهای خوشه بندی در داده کاوی و مسائل عملی
• بررسی انواع روش های خوشه بندی
• روش های خوشه بندی مبتنی بر تقسیم بندی یا Partitioning Methods
• بررسی روش k-Means (الگوریتم Lloyd) به همراه پیاده سازی در متلب
• بررسی روش k-Medoids به همراه پیاده سازی در متلب
• بررسی روش Fuzzy C-Means یا FCM و پیاده سازی آن در متلب
• معرفی نگاشت های خود سازمان ده یا SOM و پیاده سازی آن ها در محیط متلب
• روش های خوشه بندی سلسله مراتبی یا Hierarchical Clustering
• بررسی روش های بالارونده یا AGNES و پایین رونده یا DIANA
• پیاده سازی رویکرد AGNES در محیط متلب
• روش های خوشه بندی مبتنی بر چگالی یا توزیع
• بررسی الگوریتم DBSCAN یا Density-Based Spatial Clustering of Applications with Noise
• پیاده سازی الگوریتم DBSCAN در محیط متلب
• روش های خوشه بندی جدولی یا Grid-based Clustering
• بررسی رویکردهای استفاده از الگوریتم های تکاملی و بهینه سازی در خوشه بندی

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 طبقه بندی یا Classification بیان نمود، که در آن در نهایت یک عامل پیش بین تربیت می شود که می تواند با در دست داشتن دانش موجود برای طبقه بندی یک مجموعه از موارد، آن دانش را به طبقه بندی سایر موارد تعمیم دهد. در واقع مسأله طبقه بندی، یک مسأله یادگیری نظارت شده است. در فیلم آموزشی جامع طبقه بندی یا Classification، پس از مرور کلی بر مفاهیم طبقه بندی و شیوه تربیت یک عامل طبقه بندی کننده یا Classifier، چند روش پر کاربرد معرفی و در محیط متلب پیاده سازی شده اند.

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

• مفاهیم پایه طبقه بندی یا Classification
• کاربرد درخت تصمیم یا Decision Tree در طبقه بندی
• پیاده سازی طبقه بندی درخت تصمیم باینری در متلب
• مفاهیم تقسیم بندی اطلاعات به سه گروه آموزش یا Train، آزمایش یا Test و اعتبارسنجی یا Validation
• بررسی مفهوم Overtraining
• روش اعتبارسنجی چند لایه ای یا k-Fold Cross-Validation
• طبقه بندی کننده پایه بیزی یا Naive Bayesian Classifier
• پیاده سازی طبقه بندی پایه بیزی در متلب
• الگوریتم k-Nearest Neighbors یا KNN
• پیاده سازی KNN در محیط متلب
• معرفی روش پیشرفته تر حل مسائل طبقه بندی

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.

در فیلم آموزشی روش های پیش پردازش داده ها برای شروع فرایند داده کاوی مورد بررسی واقع شده اند. برای نتیجه گیری بهتر از بسیاری از الگوریتم های داده کاوی، لازم است تغییرات و یا اصلاحاتی بر روی داده های خام انجام شوند، تا کیفیت الگوها و قواعد کاوش شده از داده ها، به بیشترین حد ممکن افزایش یابد.

عناوین مهم ترین سرفصل های مهم مورد بحث در این فیلم آموزشی در ادامه آمده است:

• مروری بر لزوم پیش پردازش و آماده سازی داده ها
• روش های پاک سازی داده ها یا Data Cleaning
• پاک سازی داده های آلوده به نویز یا Noisy Data
• برخورد با داده های ناموجود یا Missing Data
• روش های تجمیع داده ها یا Data Integration
• روش های کاهش داده ها یا Data Reduction
• کاهش ابعاد یا Dimensionality Reduction
• کاهش تعداد یا Numerosity reduction
• فشرده سازی داده ها یا Data Compression
• روش های تبدیل داده ها یا Data Transformation
• هموار سازی یا Smoothing
• استخراج ویژگی یا Feature Extraction
• نرمال سازی یا Normalization
• و ده ها مبحث دیگر ...

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.

در فیلم آموزشی مبانی داده کاوی، با مروری بر مفاهیم پایه داده کاوی و مسائلی که در این حوزه مطرح است، تصویری جامع از عملیات داده کاوی و کاربردهای آن در زمینه های مختلف ارائه شده است. این موضوع، به ویژه با طرح مثال های متنوع از حوزه های مختلف، این فیلم آموزشی را تبدیل به یک مرجع آموزشی جامع و کاربردی برای اکثر مخاطبین کرده است. تمامی برنامه های این فیلم آموزشی، همچون سایر محصولات آموزشی ارائه شده در متلب سایت (فرادرس)، به صورت گام به گام و به ساده ترین شکل ممکن ارائه شده اند. مطالب این فیلم آموزشی توسط مهندس سیدمصطفی کلامی هریس ارائه شده است.

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

• تعریف مسأله داده کاوی و استخراج دانش از داده یا KDD
• تاریخچه پیاگاه های داده و روش های داده کاوی
• مراحل موجود در مسیر کشف و استخراج دانش یا Knowledge Discovery
• معرفی انواع داده ها و پایگاه های داده که می توان بر روی آن ها داده کاوی انجام داد
• بررسی انواع الگوهای قابل شناسایی در داده ها
• بررسی روش های موجود برای حل انواع مسائل داده کاوی
• معرفی ویژگی های مهم و مطلوب در الگوهای کاوش پذیر
• بررسی دشواری ها و مشکلات موجود در مسیر داده کاوی

بسته طلایی شبکه عصبی متلب سایت، شامل پنج فیلم آموزشی در زمینه شبکه های عصبی مصنوعی و کاربردهای آنها، حتماً یکی از بهترین انتخاب های علمی شما برای ورود به این حوزه علمی خواهد بود. این بسته طلایی شامل فیلم های آموزشی با مجموع 13 ساعت آموزش در این زمینه می باشد. عناوین فیلم های آموزشی در این بسته عبارتند از:

بسته طلایی شبکه عصبی متلب سایت، شامل پنج فیلم آموزشی در زمینه شبکه های عصبی مصنوعی و کاربردهای آنها، حتماً یکی از بهترین انتخاب های علمی شما برای ورود به این حوزه علمی خواهد بود. این بسته طلایی شامل فیلم های آموزشی با مجموع 13 ساعت آموزشی در این زمینه می باشد. عناوین فیلم های آموزشی در این بسته عبارتند از:

• فیلم آموزش عملی طبقه بندی و بازشناسی الگو  با استفاده از شبکه های عصبی (به فارسی)

• فیلم آموزش عملی پیش بینی سریهای زمانی  با استفاده از شبکه های عصبی (به فارسی)

• فیلم آموزش عملی ترکیب شبکه عصبی و الگوریتم رقابت استعماری ICA (به فارسی)

• فیلم آموزش عملی ترکیب شبکه عصبی و الگوریتم ازدحام ذرات PSO (به فارسی)

• فیلم آموزش عملی ترکیب شبکه عصبی و الگوریتم ژنتیک (به فارسی)

مدرس: اسماعیل آتش پز گرگری 

شبکه های عصبی مصنوعی یا Artificial Neural Networks (به اختصار ANN) ابزارهایی مهم در میان مباحث هوش محاسباتی (Computational Intelligence) به حساب می آیند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند، که عمدتا در کاربردهایی همچون طبقه بندی، خوشه بندی، تشخیص الگو، مدل سازی و تقریب توابع، کنترل، تخمین و بهینه سازی مورد استفاده قرار می گیرند.

ماشین بردار پشتیبان یا Support Vector Machine (به اختصار SVM) نوع خاصی از شبکه های عصبی هستند که بر خلاف سایر انواع شبکه عصبی (مانند MLP و RBF) به جای کمینه کردن خطا، اقدام به کمینه کردن ریسک عملیاتی طبقه بندی یا مدل سازی می کند. این ابزار، بسیار قدرتمند است و در زمینه های مختلفی چون طبقه بندی، خوشه بندی و مدل سازی (رگرسیون) می تواند مورد استفاده قرار بگیرد.

در این پست قصد داریم فیلم آموزشی جامع ماشین های بردار پشتیبان یا SVM در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به ماشین های بردار پشتیبان یا SVM، پیاده سازی عملی این نوع شبکه ها در محیط متلب نیز به طور کامل، مورد بررسی قرار گرفته است. برنامه هایی که در این فیلم پیاده سازی شده اند، به حل مسائل طبقه بندی باینری (Binary Classification)، تخمین و تقریب توابع (Function Approximation) و پیش بینی سری های زمانی (Time-Series Prediction) اختصاص دارند. در این فیلم آموزشی، سه الگوریتم مهم از میان ماشین های بردار پشتیبان مورد بررسی قرار گرفته اند:

• ماشین بردار پشتیبان پایه برای طبقه بندی باینری یا SVM
• کلاسترینگ بردار پشتیبان یا Support Vector Clustering (به اختصار SVC)
• رگرسیون بردار پشتیبان یا Support Vector Regression (به اختصار SVR)

رویکردهای ارائه شده در این فیلم آموزشی بسیار فراگیر و عمومی هستند و می توان از نکات تئوری و عملی بیان شده، برای حل سایر مسائل کاربردی استفاده نمود. 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:

• توضیح تفاوت های اساسی SVM با سایر انواع شبکه عصبی
• بیان ریاضی ریسک عملیاتی برای طبقه بندی باینری داده ها
• استخراج روابط اساسی SVM به صورت یک مسأله بهینه سازی درجه دو یا QP
• تبدیل حالت حاشیه سخت (Hard Margin) به حالت حاشیه نرم (Soft Margin)
• پیاده سازی عملی SVM باینری در محیط متلب
• شیوه استفاده از تابع quadprog برای حل مسائل بهینه سازی درجه 2 یا Quadratic Programming
• استفاده از Keel Trick برای اعمال SVM در فضای غیر خطی
• بررسی انواع هسته ها یا Keel ها
• پیاده سازی SVM غیر خطی در محیط متلب با استفاده از Keel Trick
• استفاده از شبکه عصبی RBF برای پیش بینی سری زمانی
• استفاده از توابع svmtrain و svmclassify از تولباکس بیوانفورماتیک (Bioinformatics Toolbox)
• بررسی مبانی تئوری کلاسترینگ بردار پشتیبان یا SVC
• توصیف ریسک در مسائل رگرسیون و مدل سازی
• فرمول بندی رگرسیون بردار پشتیبان یا SVR و استخراج مدل QP
• تعمیم به حالت غیر خطی با استفاده از Keel Trick
• پیاده سازی SVR در متلب برای تقریب تابع
• پیاده سازی SVR برای پیش بینی سری زمانی
• جمع بندی و نتیجه گیری های نهایی