آموزش شبکه عصبی در متلب به صورت فیلم از موسسه Udemy

learning neural networks in matlab 193 آموزش شبکه عصبی در متلب به صورت فیلم از موسسه Udemy

فیلم آموزش شبکه عصبی در متلب

در این بخش فیلم آموزش شبکه عصبی در نرم افزار MATLAB را به صورت رایگان از موسسه یودمی به زبان انگلیسی آماده کره ایم که در قالب ۶ فصل به مدت ۲ ساعت با کیفت بالا ارائه شده است. در ادامه به معرفی این آموزش پرداخته و سرفصل های آن به همراه لینک دانلود رایگان و پیش نمایشی از آموزش قرار داده شده است.

معرفی نرم افزار MATLAB

نرم افزار MATLAB یا آزمایشگاه ماتریس، یک محیط محاسبات عددی چند الگو و زبان برنامه نویسی نسل چهارم است که توسط شرکت MathWorks طراحی و ارائه شده است. اگرچه نرم افزار MATLAB عمدتا برای محاسبات عددی طراحی شده است، اما با استفاده از جعبه ابزار (تولباکس ها) اختیاری و به کمک موتور نمادین MuPAD، به قابلیت های محاسباتی نمادین نیز دسترسی دارد.

تولباکس شبکه عصبی در متلب

یکی از این جعبه ابزارهای آماده متلب، تولباکس شبکه عصبی است که یک ابزار رایگان و اپن سورس برای شبیه سازی مدل مغز و سیستم عصبی مرکزی، بر اساس پلتفرم محاسباتی MATLAB می باشد. در این فیلم آموزش شبکه عصبی در متلب ، اصول کلی کار با ابزار عصبی طراحی شده در MATLAB را خواهید آموخت و می توانید از این جعبه ابزار استفاده کنید.

لیست محتویات این دوره به صورت کلی عبارتند از:

۱- مقدمه

در این فصل، به معرفی تولباکس شبکه عصبی پرداخته خواهد شد و یک مرور کلی بر روی عملکرد این ابزار و روند آموزش شبکه عصبی برای تشخیص الگو، عملکرد تطبیق و خوشه بندی داده ها خواهیم داشت.

۲- مدل های نورون

در این فصل توصیف مدل نورون ارائه شده است؛ از جمله نورون های ساده، توابع انتقال و ورودی های بردار و نورون های تک لایه و چندگانه توضیح داده شده است. فرمت ساختار داده های ورودی در نتایج شبیه سازی شبکه های استاتیک و پویا بسیار موثر است. بنابراین این اثر در این فصل نیز مورد بحث قرار گرفته است و در نهایت، قانون آموزش دسته ای به شبکه بیان می شود.

۳- شبکه های پرسپترون (Perceptron)

در این فصل معماری پرسپترون نشان داده شده و تشریح می شود که چگونه می توان یک پرسپترون را در جعبه ابزار شبکه عصبی ایجاد کرد. قانون یادگیری پرسپترون و الگوریتم آموزش آن بحث شده است و در نهایت رابط گرافیکی (GUI) این تولباکس و مدیریت داده ها توضیح داده شده است.

۴- فیلتر های خطی

در این فصل شبکه های خطی و تابع طراحی خطی سیستم مورد بحث قرار گرفته است. همچنین خطوط تاخیری و فیلتر های خطی مورد بحث قرار گرفته و در پایان الگوریتم LMS و الگوریتم طبقه بندی خطی مورد استفاده برای فیلتر های خطی توضیح داده شده است.

۵- شبکه‌ های عصبی پس انتشار (Back-propagation)

معماری شبیه سازی و چندین الگوریتم آموزش پس انتشار در این فصل مورد بحث قرار گرفته است.

۶- نتیجه گیری

در این فصل، حافظه و سرعت الگوریتم های مختلف آموزش پس انتشار نشان داده شده و در پایان فصل تمامی این الگوریتم ها برای کمک به انتخاب بهترین الگوریتم مقایسه می شوند.

در این دوره آموزشی شبکه عصبی، شما با برخی از ساختار های شبکه و ساختار مهم مورد استفاده در جعبه ابزار عصبی را خواهید آموخت. با پایان دوره، شما با انواع مختلف آموزش شبکه های عصبی و استفاده از هر الگوریتم آشنا خواهید بود و همچنین می آموزید که چگونه کدگذاری ها را در MATLAB تغییر دهید تا جعبه ابزار خود را به طوری که مورد نظرتان است آموزش دهید.

سرفصل های دوره آموزشی شبکه عصبی:

  • نحوه کار با متلب (به صورت جزئی)
  • کار با توابع
  • نحوه الگو شناسی
  • کار با کلاستر ها
  • آشنایی با معماری شبکه
  • کار با ساختار داده ها
  • کار با شبکه های عصبی پرسپترون
  • آشنایی و ساخت رابط کاربری گرافیکی (GUI)
  • معرفی مدل خطی بر اساس فیلتر ها
  • بهبود عملکرد طبقه بندی شبکه
  • مقدمه ای بر روند آموزش به شبکه
  • مدیریت خطا ها
  • معرفی الگوریتم ها
  • کار با تکنیک های بهینه سازی
  • معرفی قانون نیوتن
  • مقایسه الگوریتم های عددی
  • و …

مشاهده ویدئو در این باره

خوشحال خواهیم شد اگر نظر خودتون رو درباره این مطلب ثبت کنید

خطا!دکمه ریفریش را بزنید
  1. تصویر آواتار کاربر 0
    مهدی یاری زاده چهارشنبه , ۱۵ شهریور

    ممنون از فیلم آموزش شبکه عصبی توی سایت های دیگه اینو به صورت پولی ترجمه کردن گذاشتن آیا دوبله فارسی این مجموعه آموزشی رو هم دارین؟

    • تصویر آواتار کاربر 1
      یعثوب سیفی زادهپنج شنبه , ۱۶ شهریور

      به زودی فیلم آموزش شبکه عصبی به زبان فارسی رو هم توی سایت قرار خواهیم داد.

  2. تصویر آواتار کاربر 0
    الهام نعیمی سه شنبه , ۱۸ مهر

    سلام یه مقاله معتبر در مورد شبکه عصبی واسه پایان نامم می خواستم میشه از سایت شما مطالبی در این مورد بدست آورد.