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
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
توجه: این فیلم آموزشی، بخشی از یک محصول بزرگ تر، یعنی بسته طلایی فیلم های آموزشی داده کاوی یا Data Mining در متلب است. برای دریافت اطلاعات بیشتر در خصوص این بسته آموزشی ارزشمند، به این لینک (+) مراجعه نمایید.
برچسب: Data Mining, Data Mining in MATLAB, KDD, Knowledge Discovery, Knowledge Discovery from Data, Least Squares, Linear Regression, Nonlinear Regression, Regression, استخراج دانش, داده کاوی, داده کاوی در متلب, روش های رگرسیون, رگرسیون, رگرسیون خطی, رگرسیون غیر خطی, شبکه عصبی, شبکه عصبی MLP در متلب, شبکه عصبی RBF, شبکه عصبی RBF در متلب, شبکه عصبی مصنوعی, شبکه عصبی پرسپترون چند لایه یا MLP, مبانی داده کاوی, مدل سازی, کاوش دانش, کشف دانش, کمترین مربعات, کمترین مربعات برای رگرسیون, کمترین مربعات برای رگرسیون غیر خطی, یادگیری نظارت شده,
نویسنده: فرادرس |FaraDars