دوره آموزشی شبکه عصبی MLP با متلب

آخرین بروزرسانی مهر 19, 1404
5.0 /5
(1)

درباره این دوره

در بخش اول آموزش مباحث پایه و محیط نرم افزار متلب توضیح داده می شود. همچنین با ساختار داده های سلولی استراکچری (مورد نیاز برای کار با شبکه ها عصبی) آشنا می شویم.

اصول اولیه نرون های عصبی و ساخت شبکه های عصبی پرسپترون از جلسه دوم بررسی می شود.  تئوری یادگیری گرادیان نزولی به طور کامل آموزش داده شده است. یادگیری تئوری در کنار شبیه سازی متلب به شما هم در درک و هم در توانایی شبیه سازی مقالات کمک خواهد کرد.

شما با یاد داشتن پرسپترون و شبکه چند لایه پرسپترونی (MLP) به راحتی قادر خواهید بود مقالات دسته بندی و رگرسیون داده همچنین پیش بینی سری زمانی را طراحی و حل نمایید. 

اهداف یادگیری

در دوره MLP (شبکه‌های عصبی چندلایه) شما یاد می‌گیرید چگونه یک مدل شبکه عصبی بسازید، آن را آموزش دهید، ارزیابی کنید و برای مسائل واقعی به کار ببرید.
این دوره مناسب همه افراد می باشد چرا که که مباحث پایه‌ای یادگیری ماشین همچون رگرسیون، طبقه‌بندی پایهو اصول برنامه نویسی نرم افزار MATLAB نیز آموزش داده خواهد شد.
در پایان دوره شما قادر خواهید بود یک شبکه عصبی چندلایه برای حل مسأله‌ای مثل پیش بینی داده های سری زمانی، کلاس بندی و رگرسیون بسازید و آن را بهینه 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

Requirements

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

مخاطبان هدف

  • تمام دانشجویان، پژوهشگران، علاقه‌مندان به هوش مصنوعی

سرفصل ها

6 درس9 ساعت

برنامه ریزی

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

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، بر روی داده های شخصی خودتان نیز مشاوره بگیرید!

نحوه تهیه دوره

هزینه دوره مبلغ 599 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 9 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

مینا ناصری نسب

مدرس

5.0/5
4 Courses
3 Reviews
23 Students

برنامه نویس

مشاهده بیشتر

بازخورد دانشجو

5.0
1 امتیاز
100%
0%
0%
0%
0%

دیدگاه (1)

test

MLP WITH MATLAB

599,000 تومان

سطح دوره
همه سطح‌ها
مدت زمان دوره 9 ساعت
درس ها
6 درس
موضوع

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
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

یا ورود با