فرادرس
درباره سایت
آخرین مطالب
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و ششم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و پنجم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و چهارم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و سوم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و دوم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و یکم
- وبلاگ های فرادرس
- فراردس – کلمات کلیدی جستجو شده – بخش نهم
- فراردس – کلمات کلیدی جستجو شده – بخش هشتم
- فراردس – کلمات کلیدی جستجو شده – بخش هفتم
امکانات وب
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
توجه: این محصول بخشی از بسته زرین فیلم های آموزشی شبکه های عصبی مصنوعی است.
برای کسب اطلاعات بیشتر بر روی این لینک (+) کلیک کنید.
برچسب: ANN, Artificial Neural Networks, RBF, Support Vector Machine, SVM, SVR, آموزش شبکه عصبی, آموزش متلب, توابع شعاعی پایه, تولباکس شبکه عصبی, رگرسیون بردار پشتیبان, رگرسیون غیر خطی, شبکه عصبی, شبکه عصبی مصنوعی, شبکه های عصبی, شبکه های عصبی مصنوعی, شبکه های عصبی مصنوعی در متلب, طراحی شبکه عصبی در متلب, فیلم آموزشی, فیلم آموزشی شبکه عصبی, فیلم آموزشی شبکه عصبی در متلب, ماشین بردار پشتیبان,
نویسنده: فرادرس |FaraDars