شبکه عصبیشبکه کانولوشنی

دوره آموزشی شبکه پرسپترون و شبکه های عصبی کانولوشنی با متلب

مینا ناصری نسب
مینا ناصری نسب
آخرین بروزرسانی مهر 19, 1404

درباره این دوره

در این دوره‌ی آموزشی، مفاهیم پایه و پیشرفته‌ی شبکه‌های عصبی مصنوعی با نرم‌افزار MATLAB به‌صورت گام‌به‌گام و کاربردی آموزش داده می‌شود.
از ساخت شبکه‌های پرسپترون تک‌لایه و چندلایه تا طراحی شبکه‌های عصبی کانولوشنی (CNN) برای طبقه‌بندی و تشخیص اشیا، همه در قالب مثال‌های واقعی و پروژه‌های عملی پیاده‌سازی می‌شوند.

هدف این دوره، آموزش مفاهیم عمیق شبکه‌های عصبی به شکلی است که دانشجو بتواند پس از پایان دوره، مدل‌های مختلف یادگیری عمیق را برای کلاس‌بندی، برازش توابع، پیش‌بینی سری‌های زمانی و بینایی ماشین طراحی و پیاده‌سازی کند.

آموزش‌ها به دو صورت کدنویسی MATLAB و واسط گرافیکی (GUI) ارائه می‌شوند تا فراگیران با هر سطحی از مهارت در برنامه‌نویسی بتوانند از دوره استفاده کنند.

این دوره مناسب دانشجویان، پژوهشگران و علاقه‌مندان به هوش مصنوعی، یادگیری عمیق و پردازش تصویر است که می‌خواهند با مفاهیم پرسپترون و CNN در MATLAB به‌صورت عملی آشنا شوند.

برچسب ها

MATLAB, MNIST, RCNN, Transfer Learning, برازش منحنی

اهداف یادگیری

در این دوره با مفاهیم پایه و پیشرفته‌ی شبکه‌های عصبی مصنوعی در محیط **MATLAB** آشنا می‌شوید. ابتدا مبانی کدنویسی در متلب و ساختارهای کنترلی مرور می‌شود و سپس نحوه‌ی طراحی و آموزش **شبکه‌های پرسپترون تک‌لایه و چندلایه (MLP)** برای حل مسائل طبقه‌بندی، برازش توابع و پیش‌بینی سری‌های زمانی آموزش داده می‌شود. در ادامه، با الگوریتم **پس‌انتشار خطا (Backpropagation)**، مفهوم گرادیان نزولی و روش‌های ارزیابی عملکرد شبکه آشنا خواهید شد.
در بخش پیشرفته‌تر، مفاهیم **شبکه‌های عصبی کانولوشنی (CNN)** و **یادگیری عمیق** مورد بررسی قرار می‌گیرد. در این قسمت یاد می‌گیرید چگونه داده‌های تصویری مانند مجموعه **MNIST** و **CIFAR** را با استفاده از MATLAB پردازش و مدل‌سازی کنید، شبکه‌های کانولوشنی طراحی کنید و از **یادگیری انتقالی (Transfer Learning)** برای تشخیص اشیاء استفاده نمایید. این دوره ترکیبی از آموزش مفهومی و پروژه‌محور است تا شما بتوانید پس از اتمام آن، به‌صورت عملی مدل‌های هوش مصنوعی را برای داده‌های عددی و تصویری پیاده‌سازی کنید.

Material Includes

  • جلسه اول: آشنایی اجمالی با متلب و ساختارهای کنترلی
  • معرفی محیط MATLAB
  • مرور دستورات پایه و ساختار داده‌ها
  • کار با حلقه‌ها و شرط‌ها برای آماده‌سازی کدنویسی شبکه‌ها
  • جلسه دوم: شبکه عصبی تک‌لایه (Single Layer Perceptron)
  • ساخت شبکه تک‌لایه با MATLAB
  • آموزش و کلاس‌بندی داده‌ها با پرسپترون ساده
  • تحلیل عملکرد و خطا
  • جلسه سوم: شبکه عصبی چندلایه (MLP) و مفهوم پس‌انتشار خطا
  • معرفی ساختار چندلایه
  • الگوریتم Backpropagation
  • آموزش مدل برای داده‌های طبقه‌بندی
  • جلسه چهارم: برازش توابع با شبکه عصبی چندلایه
  • مفهوم گرادیان نزولی (Gradient Descent)
  • برازش داده‌های پیوسته با MLP
  • نمایش نمودارهای خطا و عملکرد مدل
  • جلسه پنجم: پیش‌بینی سری‌های زمانی با MLP
  • مفاهیم سری زمانی و ورودی-خروجی تاخیری
  • طراحی مدل پرسپترون برای پیش‌بینی داده‌های زمانی
  • ارزیابی عملکرد مدل با نمودارهای پیش‌بینی
  • جلسه ششم: رابط گرافیکی شبکه عصبی در MATLAB (بدون کدنویسی)
  • آموزش کار با Neural Network Fitting / Pattern / Time Series Apps
  • انجام برازش تابع و کلاس‌بندی به‌صورت گرافیکی
  • تحلیل نموداری خروجی‌ها
  • جلسه هفتم: ورود به شبکه‌های عصبی کانولوشنی (CNN)
  • معرفی مفاهیم پایه‌ی CNN
  • بررسی لایه‌های کانولوشن، Pooling و Fully Connected
  • معرفی ساختارهای رایج CNN
  • جلسه هشتم: کلاس‌بندی تصاویر MNIST با شبکه Fully Connected
  • بارگذاری داده‌های MNIST
  • ساخت شبکه عصبی چندلایه برای تصاویر عددی
  • آموزش و ارزیابی دقت مدل
  • جلسه نهم: پیاده‌سازی CNN برای داده‌های تصویری
  • طراحی شبکه CNN در MATLAB
  • آموزش مدل کانولوشنی بر روی داده‌های MNIST
  • مقایسه عملکرد CNN و MLP
  • جلسه دهم: تشخیص اشیا و یادگیری انتقالی (Transfer Learning)
  • معرفی مفاهیم Detection و شبکه RCNN
  • استفاده از شبکه‌های ازپیش‌آموزش‌داده‌شده (مثل AlexNet و ResNet)
  • آموزش مجدد شبکه بر روی داده‌های CIFAR
  • پیاده‌سازی پروژه‌ی تشخیص علائم راهنمایی رانندگی با یادگیری انتقالی

Requirements

  • پیش نیاز ندارد
  • تمام مباحث برنامه نویسی از پایه گفته خواهد شد.

مخاطبان هدف

  • تمام دانشجویان، پژوهشگران، علاقه‌مندان به هوش مصنوعی و پردازش تصویر (تشخیص شی)

سرفصل ها

10 درس15 ساعت

سرفصل های دوره

آشنایی اجمالی با متلب و حلقه های شرطی
شبکه عصبی تک لایه با کد نویسی پایه برای کلاس بندی
شبکه عصبی چند لایه و کلاس بندی داده ها و مفهوم پس انتشار خطا
شبکه عصبی چند لایه و برازش تابع و مفاهیم گرادیان نزولی
پیش بینی سری های زمانی با پرسپترون چند لایه
واسط های گرافیکی (پیاده سازی بدون کد نویسی) در برازش توابع و مساله کلاس بندی و تحلیل نموداری
معرفی لایه های شبکه کانولوشنی و مفاهیم اولیه دیپ لرنینگ
پیاده سازی کلاس بندی داده های تصاویر mnist با لایه fullyconnected
پیاده سازی کلاس بندی داده های تصاویر mnist با شبکه کانولوشنی
مفاهیم تشخیص اشیا، یادگیری انتقال و شبکه RCNN با توضیح پروژه عملی
فعالیت ها

مزیت دوره

پس از خرید دوره شما به مدت 3 ماه از پشتیبانی دوره بر خودار می شوید. می توانید در پیام رسان تلگرام با مدرس دوره برای راهنمایی پیاده سازی شبکه های MLP,CNN، بر روی داده های شخصی خودتان نیز مشاوره بگیرید!

تهیه دوره

هزینه دوره مبلغ 999 هزار تومان می باشد. پس از واریز هزینه دوره به کارت 5144_3216_9971_6037 (بانک ملی به نام مینا ناصری نسب) اسکرین پرداخت را به شماره 09919870462 ارسال نمایید. لینک تمامی 15 ساعت ویدیوهای آموزشی و کد های آموزش داده شده با پرداخت هزینه دوره و ثبت رسید، به جیمیل شما ارسال خواهد شد. با تشکر از حسن اعتماد شما

مدرس دوره

photo_2025-10-22_18-30-39

مینا ناصری نسب

مدرس

5.0/5
4 Courses
3 Reviews
23 Students

برنامه نویس

مشاهده بیشتر
MLP CNN MATLAB

999,000 تومان

سطح دوره
متوسط
مدت زمان دوره 15 ساعت
درس ها
10 درس
موضوع
شبکه عصبیشبکه کانولوشنی

Material Includes

  • جلسه اول: آشنایی اجمالی با متلب و ساختارهای کنترلی
  • معرفی محیط MATLAB
  • مرور دستورات پایه و ساختار داده‌ها
  • کار با حلقه‌ها و شرط‌ها برای آماده‌سازی کدنویسی شبکه‌ها
  • جلسه دوم: شبکه عصبی تک‌لایه (Single Layer Perceptron)
  • ساخت شبکه تک‌لایه با MATLAB
  • آموزش و کلاس‌بندی داده‌ها با پرسپترون ساده
  • تحلیل عملکرد و خطا
  • جلسه سوم: شبکه عصبی چندلایه (MLP) و مفهوم پس‌انتشار خطا
  • معرفی ساختار چندلایه
  • الگوریتم Backpropagation
  • آموزش مدل برای داده‌های طبقه‌بندی
  • جلسه چهارم: برازش توابع با شبکه عصبی چندلایه
  • مفهوم گرادیان نزولی (Gradient Descent)
  • برازش داده‌های پیوسته با MLP
  • نمایش نمودارهای خطا و عملکرد مدل
  • جلسه پنجم: پیش‌بینی سری‌های زمانی با MLP
  • مفاهیم سری زمانی و ورودی-خروجی تاخیری
  • طراحی مدل پرسپترون برای پیش‌بینی داده‌های زمانی
  • ارزیابی عملکرد مدل با نمودارهای پیش‌بینی
  • جلسه ششم: رابط گرافیکی شبکه عصبی در MATLAB (بدون کدنویسی)
  • آموزش کار با Neural Network Fitting / Pattern / Time Series Apps
  • انجام برازش تابع و کلاس‌بندی به‌صورت گرافیکی
  • تحلیل نموداری خروجی‌ها
  • جلسه هفتم: ورود به شبکه‌های عصبی کانولوشنی (CNN)
  • معرفی مفاهیم پایه‌ی CNN
  • بررسی لایه‌های کانولوشن، Pooling و Fully Connected
  • معرفی ساختارهای رایج CNN
  • جلسه هشتم: کلاس‌بندی تصاویر MNIST با شبکه Fully Connected
  • بارگذاری داده‌های MNIST
  • ساخت شبکه عصبی چندلایه برای تصاویر عددی
  • آموزش و ارزیابی دقت مدل
  • جلسه نهم: پیاده‌سازی CNN برای داده‌های تصویری
  • طراحی شبکه CNN در MATLAB
  • آموزش مدل کانولوشنی بر روی داده‌های MNIST
  • مقایسه عملکرد CNN و MLP
  • جلسه دهم: تشخیص اشیا و یادگیری انتقالی (Transfer Learning)
  • معرفی مفاهیم Detection و شبکه RCNN
  • استفاده از شبکه‌های ازپیش‌آموزش‌داده‌شده (مثل AlexNet و ResNet)
  • آموزش مجدد شبکه بر روی داده‌های CIFAR
  • پیاده‌سازی پروژه‌ی تشخیص علائم راهنمایی رانندگی با یادگیری انتقالی
LOBEMATLAB LOGO

تمامی حقوق برای Lobematlab.ir محفوظ است.

شرایط استفاده
سیاست حفظ حریم خصوصی

درباره ما

درباره ما
دوره های آموزشی
مدیریت سایت
رویداد
مدرس شو
زمینه‌های نمایش داده شده را انتخاب نمایید. بقیه مخفی خواهند شد. برای تنظیم مجدد ترتیب، بکشید و رها کنید.
  • تصویر
  • شناسۀ محصول
  • امتیاز
  • قيمت
  • موجودی
  • دسترسی
  • افزودن به سبد خرید
  • توضیح
  • محتوا
  • وزن
  • اندازه
  • اطلاعات اضافی
برای مخفی‌کردن نوار مقایسه، بیرون را کلیک نمایید
مقایسه

حساب کاربری ندارید ؟ به صورت رایگان ثبت نام کنید

رمز عبور خود را فراموش کرده اید ؟

یا ورود با