فیلم آموزش عملی پیش بینی سریهای زمانی با استفاده از شبکه های عصبی

 

 

دانستن دمای هوای در یک ماه آینده، آنقدر دم دستی و روزانه شده است که ما فراموش می کنیم که چه پروسه های علمی در پس زمینه این موضوع روزمره در حال اجرا هستند. اما در مقابل، اگر می دانستید قیمت دلار و ارزهای دیگر یک ماه دیگر و حتی همین فردا چقدر خواهد بود، شما نیز می توانستید تصمیم هایی را بگیرید که فقط آینده و زمان می تواند آنها را بگیرند! پروسه پیش بینی آینده از روی اطلاعات گذشته در هر دوی این مسئله ها، ساختار مشابهی دارد.

آینده در هر حوزه ای، در دست آنهایی است که نگاهی رو به جلو در محور زمان دارند. فیلم آموزش عملی پیش بینی سریهای زمانی  با استفاده از شبکه های عصبی، این نگاه رو به جلو در زمان را به صورت علمی و به ساده ترین شیوه بیان بر مبنای تجربه بالای کادر علمی سایت، به شما آموزش می دهد. با استفاده از این محصول آموزشی ناب، مثلاً می توانید با دسترسی به داده های هواشناسی چند سال اخیر، میزان بارندگی را در سال آینده پیش بینی کنید. یا مثلاً اگر مدیر یک پروژه نیروگاهی هستید، باید پیش بینی مناسبی از میزان مصرف برق ایران در ۴ سال آینده داشته باشید. تنها مشکل شما شاید در این راه این باشد، که پایه های علمی لازم در این کار را نداشته باشید، که در این صورت مخاطب اصلی این محصول هستید، زیرا که در این فیلم آموزشی، شبکه های عصبی نیز به زبان ساده و تا حدی که نیاز عملی شما را برطرف کند، به شما آموزش داده می شود.

 

خلاصه و سرفصل آنچه در این فیلم آموزشی خواهیم دید:

  • مقدمه، اهداف و اهمیت مسئله
  • مروری بر شبکه های عصبی (پرسپترون چند لایه)
    • دلیل استفاده و خاستگاه شبکه های عصبی
    • ساختار شبکه عصبی پرسپترون چند لایه و یادگیری
  • مروری بر پیش بینی سریهای زمانی توسط شبکه عصبی
    • ابتدا به موضوع پیش بینی سری زمانی اشاره می شود و سپس ارتباط آن با شبکه عصبی مورد بررسی قرار می گیرد.
  • پیاده سازی شبکه عصبی برای پیش بینی سری زمانی
    • آماده سازه دیتاها برای اهداف پیش بینی
    • نرمایزه کردن داده ها
    • جداسازی دیتاهای آموزش و تست
    • تعیین ساختار شبکه
    • آموزش شبکه
    • بررسی و آنالیز نتایج
  • انتهای بحث و پیشنهاد برای کارهای آینده

 

برای کسب اطلاعات بیشتر، ادامه مطلب را ببینید.

ادامه مطلب >>

فیلم آموزش عملی ترکیب شبکه عصبی و الگوریتم رقابت استعماری ICA (به فارسی)

 

 

برخلاف سالهای اولیه پیدایش، این روزها دیگر الگوریتم رقابت استعماری، نیاز به معرفی ندارد و عنوان آن به تنهایی به عنوان نماد یکی از جذاب ترین، کاراترین، به روزترین و پراستفاده ترین الگوریتم های بهینه سازی هوشمند مطرح است. همین به تنهایی کافی است تا متلب سایت، به عنوان یک اولویت آموزشی، فیلم آموزش عملی ترکیب شبکه عصبی و الگوریتم رقابت استعماری (ICA) را در عالی ترین کیفیت آموزشی و فنی تهیه کرده و در اختیار مخاطبین سایت قرار دهد. در این فیلم آموزشی، پایه های اصلی شبکه های عصبی و الگوریتم رقابت استعماری به ساده ترین و علمی ترین زبان آموزش داده شده اند. اگر با شبکه های عصبی مصنوعی آشنایی ندارید، این محصول به خاطر نگرش ویژه و ساده اش به این حوزه، برای همیشه دیدگاه شما را نسبت به این حوزه تغییر خواهد داد. اگر هم با شبکه های عصبی و الگوریتم رقابت آشنا هستید، ترکیب این دو حوزه و روش با هم، شاید ادامه مسیر پژوهشی حال حاضر شما باشد. این محصول آموزشی و علمی ناب، دریچه ورود شما به حوزه محاسبات تکاملی و شبکه های عصبی خواهد بود. صرف حدود دو ساعت زمان برای آموزش این حوزه علمی در ساده ترین زبان بیان، پرصرفه ترین سرمایه گذاری زمانی شما خواهد بود.

 

خلاصه و سرفصل آنچه در این فیلم آموزشی خواهیم دید:

  • مقدمه، اهداف و اهمیت مسئله
  • مروری بر شبکه های عصبی (پرسپترون چند لایه)
    • دلیل استفاده و خاستگاه شبکه های عصبی
    • ساختار شبکه عصبی پرسپترون چند لایه و یادگیری
  • مروری بر الگوریتم رقابت استعماری – ICA
  • برنامه نویسی و آماده سازی شبکه عصبی برای اتصال به الگوریتم رقابت استعماری – ICA
    • نوشتن یک برنامه شبکه عصبی ساده
    • آماده سازه دیتاها
    • نرمایزه کردن داده ها
    • جداسازی دیتاهای آموزش و تست
    • تعیین ساختار شبکه
    • آموزش شبکه
    • بررسی و آنالیز نتایج
  • ایجاد تغییرات در برنامه آماده الگوریتم رقابت استعماری  برای اتصال آن به شبکه عصبی
  • اجرای برنامه و بررسی نتایج
  • انتهای بحث و پیشنهاد برای کارهای آینده

 

برای کسب اطلاعات بیشتر، ادامه مطلب را ببینید.

ادامه مطلب >>

فیلم آموزش عملی ترکیب شبکه عصبی و الگوریتم ازدحام ذرات PSO (به فارسی)

 

 

اگر به حوزه شبکه های عصبی مصنوعی علاقه مند هستید و تمایل دارید، نحوه ترکیب آن با یکی از موفق ترین الگوریتم های بهینه سازی را به زبان ساده و به صورت عملی یاد بگیرید، در حال خواندن مناسبت ترین مطلبی هستید که در این لحظه می توانستید مطالعه نمایید. فیلم آموزش ترکیب شبکه عصبی و الگوریتم ازدحام ذرات PSO (به فارسی)، یک محصول آموزشی ناب و در بالاترین حد استاندارد آموزشی می باشد که در پاسخ به نیازهای روزافزون آموزشی دانشجویان و پژوهشگران به فراگیری بخش های مختلف هوش مصنوعی به صورت انحصاری به مخاطبین محترم متلب سایت عرضه می شود. ایده ترکیب شبکه های عصبی با الگوریتم ازدحام ذرات PSO، بسیار کارا، ساده و نیز مهم می باشد. همانگونه که می دانید (و یا اگر نمی دانید به زودی در این فیلم به ساده ترین و کامل ترین زبان، فراخواهید گرفت)، آموزش شبکه های عصبی در نهایت به یک مسئله بهینه سازی ختم می شود. اینجاست که الگوریتم ازدحام ذرات PSO، به عنوان یک روش کارامد، وارد بازی می شود و می تواند به ما در یادگیری و تعیین وزنهای شبکه عصبی کمک کند. اینکه این کار از صفر تا صد به چه صورتی انجام می شود را می توانید در کمتر از سه ساعت به صورت عملی یاد گرفته و مثال آموزشی حل شده با آن را به صورت قدم به قدم دنبال نمایید.

 

خلاصه و سرفصل آنچه در این فیلم آموزشی خواهیم دید:

  • مقدمه، اهداف و اهمیت مسئله
  • مروری بر شبکه های عصبی (پرسپترون چند لایه)
    • دلیل استفاده و خاستگاه شبکه های عصبی
    • ساختار شبکه عصبی پرسپترون چند لایه و یادگیری
  • مروری بر الگوریتم ازدحام ذرات – PSO
  • برنامه نویسی و آماده سازی شبکه عصبی برای اتصال به الگوریتم ازدحام ذرات – PSO
    • نوشتن یک برنامه شبکه عصبی ساده
    • آماده سازه دیتاها
    • نرمایزه کردن داده ها
    • جداسازی دیتاهای آموزش و تست
    • تعیین ساختار شبکه
    • آموزش شبکه
    • بررسی و آنالیز نتایج
  • ایجاد تغییرات در برنامه آماده الگوریتم ازدحام ذرات برای اتصال آن به شبکه عصبی
  • اجرای برنامه و بررسی نتایج
  • انتهای بحث و پیشنهاد برای کارهای آینده

 

برای کسب اطلاعات بیشتر، ادامه مطلب را ببینید.

ادامه مطلب >>

فیلم آموزش عملی ترکیب شبکه عصبی و الگوریتم ژنتیک (به فارسی)

 

 

فیلم آموزش عملی ترکیب شبکه عصبی و الگوریتم ژنتیک (به فارسی) محصول جدیدی از متلب سایت می باشد که در جهت پر کردن خلأ علمی و آموزشی دانشجویان و پژوهشگران و مخاطبین سایت عرضه می شود. این فیلم آموزشی عالی ترین و به روز ترین سطح مطالب مرتبط با شبکه عصبی و الگوریتم ژنتیک را به ساده ترین زبان بر مبنای سالها تجربه آموزشی و پژوهشی کادر علمی سایت، در اختیار پژوهشگران و مشتاقان این حوزه علمی قرار می دهد. مهم ترین ویژگی این مجموعه، سادگی بیان و شیوه نگرش منحصر به فرد و فارغ از پیچیدگی آن به موضوع شبکه های عصبی و الگوریتم های ژنتیک می باشد. به گونه ای که فرد مبتدی و بدون دانش در این حوزه ها نیز می تواند از این فرصت ناب آموزشی بهره مند شود. پرداختن به موضوع به صورت عملی و آموزش برنامه نویسی عملی نیز دیگر ویژگی مهم این بسته آموزشی می باشد. آنچه در این فیلم آموزشی می بینیم.

 

خلاصه و سرفصل آنچه در این فیلم آموزشی خواهیم دید:

  • مقدمه، اهداف و اهمیت مسئله
  • مروری بر شبکه های عصبی (پرسپترون چند لایه)
    • دلیل استفاده و خاستگاه شبکه های عصبی
    • ساختار شبکه عصبی پرسپترون چند لایه و یادگیری
  • مروری بر الگوریتم ژنتیک – GA
  • برنامه نویسی و آماده سازی شبکه عصبی برای اتصال به الگوریتم ژنتیک – GA
    • نوشتن یک برنامه شبکه عصبی ساده
    • آماده سازه دیتاها
    • نرمایزه کردن داده ها
    • جداسازی دیتاهای آموزش و تست
    • تعیین ساختار شبکه
    • آموزش شبکه
    • بررسی و آنالیز نتایج
  • ایجاد تغییرات در برنامه آماده الگوریتم ژنتیک برای اتصال آن به شبکه عصبی
  • اجرای برنامه و بررسی نتایج
  • انتهای بحث و پیشنهاد برای کارهای آینده

 

برای کسب اطلاعات بیشتر، ادامه مطلب را ببینید.

ادامه مطلب >>

فیلم آموزش برنامه نویسی الگوریتم ازدحام ذرات (PSO) گسسته باینری (به زبان فارسی)

فیلم آموزش برنامه نویسی الگوریتم ازدحام ذرات (PSO) گسسته باینری (به زبان فارسی) 

ایده Particle Swarm Optimization، برای اولین بار توسط کندی و ابرهارت در سال ۱۹۹۵ مطرح شد. PSO، یک الگوریتم محاسبه ای تکاملی الهام گرفته از طبیعت و براساس تکرار می‌باشد. منبع الهام این الگوریتم، رفتار اجتماعی حیوانات، همانند حرکت دسته جمعی پرندگان و ماهی‌ها بود. از این جهت که PSO نیز با یک ماتریس جمعیت تصادفی اولیه، شروع می‌شود، شبیه بسیاری دیگر از الگوریتم های تکاملی همچون الگوریتم ژنتیک پیوسته و الگوریتم رقابت استعماری است. در کنار نسخه استاندارد و پیوسته این الگوریتم، نسخه گسسته (باینری اش) نیز در حل مسائل مختلفی مورد استفاده قرار می گیرد. متلب سایت با اتکا به توان بالای متخصصین داخل و خارج کشور و در پاسخ به درخواست های مکرر پژوهشگران این حوزه، اقدام به تهیه یک بسته کامل آموزش الگوریتم گسسته ازدحام ذرات (پرندگان) کرده است. در صورتی که به این حوزه از هوش مصنوعی علاقه مندید، پیشنهاد می کنیم، استفاده از این محصول ارزشمند را از دست ندهید.

ادامه مطلب >>

فرصت کاری – دعوت به همکاری در توسعه نسخه انگلیسی وبسایت محاسبات تکاملی

 

http://files.matlabsite.com/eag/icasite/site_i/join-us.jpg

در متلب سایت، در مواردی، فرصت های کاری و شغلی مرتبط با حوزه برنامه نویسی و هوش مصنوعی را نیز به اطلاع مخاطبین می رسانیم. در این پست، یک فرصت کاری-علمی موجود در وبسایت محاسبات تکاملی را معرفی می نماییم. اگر علاقه و توانایی نگارش متون علمی و نیمه علمی به زبان انگلیسی را دارید، این فرصت عالی برای یک تجربه جدید و متفاوت از کار علمی و نیز کسب درآمد از دانش علمی خود را از دست ندهید.

 

لینک زیر را می توانید برای کسب اطلاعات بیشتر ببینید.

دانلود رایگان کد متلب نسخه دوم الگوریتم ژنتیک با مرتب سازی نا مغلوب یا NSGA-II

 


دانلود رایگان کد متلب نسخه دوم الگوریتم ژنتیک با مرتب سازی نا مغلوب یا NSGA-II

 

مسائل بهینه سازی از نظر تعداد توابع هدف و معیارهای بهینه سازی، به دو نوع تقسیم پذیر هستند: (۱) مسائل بهینه سازی تک هدفه و (۲) مسائل بهینه سازی چند هدفه. در مسائل بهینه سازی تک هدفه، هدف از حل مسأله بهبود یک شاخص عملکرد (Performance Index) یگانه است که مقدار کمینه یا بیشینه آن، کیفیت پاسخ به دست آمده را به طور کامل منعکس می کند. اما در برخی موارد، نمی توان صرفا با اتکا به یک شاخص، یک پاسخ فرضی برای مسأله بهینه سازی را امتیازدهی نمود. در این نوع مسائل، ناگزیریم که چندین تابع هدف یا شاخص عملکرد را تعریف نماییم و به طور همزمان، مقدار همه آن ها را بهینه کنیم.

 

بهینه سازی چند هدفه، یکی از زمینه های بسیار فعال و پرکاربرد تحقیقاتی در میان مباحث بهینه سازی است. غالبا بهینه سازی چند هدفه (یا Multi-objective Optimization) به نام های بهینه سازی چند معیاره (یا Multi-criteria Optimization) و بهینه سازی برداری (یا Vector Optimization) نیز شناخته می شود. تا کنون، روش های متعددی برای حل مسائل بهینه سازی چند هدفه معرفی شده اند که از میان آن ها، روش های بهینه سازی هوشمند (الگوریتم های تکاملی) جایگاه ویژه ای دارند. زیرا اغلب، بر خلاف روشهای کلاسیک در ریاضیات کاربردی، مسائل بهینه سازی چندهدفه را به همان شکل که هستند، مورد حل قرار می دهند و از تبدیلات هندسی و مشابه آن استفاده نمی کنند. البته اخیرا روش های بهینه سازی هوشمندی نیز ارائه شده اند که از ایده های موجود در ریاضیات کاربردی (مانند تجزیه چبیشف یا Tchebycheff Decomposition) بهره می برند. از میان الگوریتم های تکاملی و هوشمند که برای حل مسائل بهینه سازی چند هدفه ارائه شده اند، می توان به موارد زیر اشاره نمود:

 

  • الگوریتم ژنتیک چند هدفه یا Multi-objective Genetic Algorithm (به اختصار MOGA)
  • الگوریتم ژنتیک با ارزیابی برداری یا Vector Evaluated Genetic Algorithm (به اختصار VEGA)
  • الگوریتم ژنتیک مبتنی بر نیچینگ (همسایگی) پارتو یا Niched Pareto Genetic Algorithm (به اختصار NPGA)
  • الگوریتم ژنتیک با مرتب سازی نا مغلوب یا Non-dominated Sorting Genetic Algorithm (به اختصار NSGA) و نسخه دوم آن NSGA-II
  • الگوریتم ژنتیک میکرو یا Micro Genetic Algorithm (به اختصار μGA) و نسخه دوم آن μGA2
  • بهینه سازی ازدحام ذرات چند هدفه یا Multi-objective Particle Swarm Optimization (به اختصار MOPSO)
  • استراتژی تکاملی با آرشیو پارتو یا Pareto Archived Evolution Strategy (به اختصار PAES)
  • الگوریتم انتخاب مبتنی بر الگوی پارتو یا Pareto Envelope-based Selection Algorithm (به اختصار PESA) و نسخه دوم آن PESA-II
  • الگوریتم تکاملی مبتنی بر شدت پارتو یا Pareto Strength Evolutionary Algorithm (به اختصار PSEA) و نسخه دوم آن PSEA
  • الگوریتم تکاملی چند هدفه مبتنی بر تجزیه یا Multi-objective Evolutionary Algorithm based on Decomposition (به اختصار MOEA/D)

 

در این پست قصد داریم برنامه آماده متلب برای پیاده سازی نسخه دوم الگوریتم ژنتیک با مرتب سازی نا مغلوب یا NSGA-II را به حضور مخاطبین محترم متلب سایت ارائه نماییم. الگوریتم NSGA-II یکی از پرکاربردترین و قدرتمندترین الگوریتم های موجود برای حل مسائل بهینه سازی چند هدفه است و کارایی آن در حل مسائل مختلف، به اثبات رسیده است. لازم به ذکر است، گروه برنامه نویسان متلب سایت قصد دارد در آینده، کدهای متلب مربوط به الگوریتم های بهینه سازی چند هدفه را در متلب سایت منتشر نماید.

 

 

برای آموزش عمیق مباحث تئوری و عملی بهینه سازی چند هدفه،

بسته طلایی فیلم های آموزشی بهینه سازی چند هدفه را به شما پیشنهاد می کنیم.

برای کسب اطلاعات بیشتر بر روی این لینک (+) کلیک کنید.

 

 

برای دریافت برنامه و مشاهده اطلاعات تکمیلی، بر روی لینک ادامه مطلب کلیک نمایید.
ادامه مطلب >>

روشی جدید در خوشه بندی اطلاعات با استفاده از ترکیب الگوریتم کشورهای استعماری و k-means – پایان نامه

 

 

خانم الهه طاهریان فرد، در پایان نامه کارشانسی ارشد خود در دانشگاه شیراز زیر نظر دکتر نیکنام و دکتر روستا، با ترکیب الگوریتم رقابت استعماری و روش k-means، روش جدید و کارآمدی برای خوشه یابی (کلاسترینگ – Clustering)، معرفی کرده است. نتایج حاصل از این کار پژوهشی در قالب چندین مقاله در معتبرترین ژورنالهای مرتبط با این حوزه منتشر شده اند. در ادامه این پست، بخشهای خلاصه شده ای از متن پایان نامه ایشان را منتشر می کنیم.

ادامه مطلب >>