در این آموزش قصد داریم، از یک دانش جدیدتر در پیش بینی سریهای زمانی استفاده کنیم. در بسته یادگیری عمیق در مورد مفاهیم و برنامه نویسی آن در متلب صحبت کردیم. اکنون میخواهیم اختصاصی در مورد نحوه استفاده از یادگیری عمیق در داده های یک بعدی یا همان سری زمانی صحبت کنیم.

اگر به مقالات متعدد در زمینه یادگیری عمیق مراجعه کنید، بیشتر آنها از داده های تصاویری برای ورودی آن استفاده می کنند. شبکه های یادگیری عمیق پیش ساخته هم ورودی آنها 2 بعدی می باشد و بسیار مهم است که اندازه تصویری ورودی منطبق با اندازه تصویر دو بعدی باشد که شبکه یادگیرعمیق پیش ساخته متناسب با ان طراحی شده است. اکنون میخواهیم شبکه های یادگیری عمیقی را بررسی کنیم که سریهای زمانی را به عنوان ورودی از شما می گیرند.

سرفصل :

معرفی شبکه LSTM

ساختار شبکه LSTM

LSTM برای دسته بندی

LSTM برای رگرسیون

پیاده سازی LSTM برای دسته بندی در متلب

دسته بندی sequence-to-label

نمایش و آنالیز شبکه LSTM  در متلب  با analyzeNetwork

آنالیز ساختار شبکه LSTM متلب

دسته بندی sequence-to-sequence

مفهوم Sequence

تفاوت رگرسیون sequence-to-one و sequence-to-sequence

کد متلب رگرسیون sequence-to-one

برنامه نویسی متلب sequence-to-sequence

پیش بینی حلقه باز و حلقه بسته

برنامه نویسی پروژه 1

توضیح مفهوم بسیار مهم آماده‌سازی داده ها برای پیش بینی (بیشتر بچه ها در این قسمت مشکل دارند، با یادگیری این قسمت شما می توانید از هر مدلی برای پیش بینی استفاده کنید)

نرماسازی

کد متلب نرمالسازی

ساخت لایه به لایه شبکه

تنظیم پارامترهای تابع آموزش

موقعیت padding و truncation

تعریف shuffle

آموزش شبکه

تست شبکه

محاسبه RMSE

نمایش هیستوگرام RMSE

تایع resetState

تابع predictAndUpdateState

برنامه نویسی پروژه 2

نوشته آموزش فارسی پیش بینی سریهای زمانی با یادگیری عمیق اولین بار در ایران متلب پدیدار شد.

مدلهای رگرسیون ارتباط بین یک متغیر پاسخ (خروجی) با یک یا چند متغیر ورودی را بیان می کند. رگرسیون یک عبارت کلی است که برای روشهای آماری بکار می رود که می خواهند یک مدل را بر روی یک سری دیتا بیان کنند. این مدل ارتباط بین متغییرهای خروجی (وابسته) و متغییرهای ورودی (غیروابسته) را بیان می کند. مثلا فرض کنید شما بخواهید مقدار بارش باران در یک منطقه را مدلسازی کنید. در این مدل مقدار بارش در روزهای قبل به عنوان ورودی مدل می باشد و مقدار بارش در روز آینده به عنوان خروجی لحاظ می شود.

رگرسیون در متلب :

تولباکس یادگیری ماشین متلب به شما این امکان را می دهد که مدلهای رگرسیون خطی، خطی عمومی و غیرخطی و مدلهای پله ای و مدلهای ترکیبی را برای پروژه خود تعریف کنید. شما همچنین می توانید مدلهای رگرسیون سفارشی و دلخواه نیز تعریف کنید. روشهای رگرسیون غیرپارامتری با منحنی های رگرسیون پیچیده را نیز می توان در این تولباکس طراحی کرد. مدلهای رگرسیون گایوسین را نیز می توانید برای محاسبه بازه های پیش بینی مورد استفاده قرار داد.

لیست مدلهای رگرسیون در متلب :

رگرسیون خطی (Linear Regression)

مدلهای خطی عمومی (Generalized Linear Models)

Logistic regression, multinomial regression, Poisson regression, and more

مدلهای غیرخطی (Nonlinear Regression)

Nonlinear fixed- and mixed-effects regression models

رگرسیون ماشین بردار پشتیبان  (Support Vector Machine Regression)

رگرسیون فرایند گایوسین Gaussian process regression models (kriging)

رگرسیون درخت تصمیم ( Regression Trees ) و رگرسیون درخت تصمیم باینری  ( Binary decision trees ) و مجموعه درخت رگرسیون ( Regression Tree Ensembles ) و درخت Random forests و boosted و bagged .

نوشته آموزش جامع رگرسیون Regression اولین بار در ایران متلب پدیدار شد.

تکنیک های علوم داده ای برای دانش آموزان وحرفه ای ها، برای یادگیری رگرسیون منطقی و کدنویسی در پایتون

در این دوره چه چیزهایی یاد خواهید گرفت ؟

• رگرسیون منطقی از ابتدا در پایتون
• توضیح اینکه چگونه رگرسیون منطقی در علوم داده مفید است
• بدست آوردن خطاها و آپدیت قانون ها برای رگرسیون منطقی
• درک اینکه چگونه رگرسیون منطقی به عنوان یک شاخص برای بیولوژیک عصبی  کار می کند
• استفاده از رگرسیون منطقی برای حل مشکلات تجاری دنیای واقعی مانند پیش بینی عملکردهای کاربر از داده های تجارت الکترونیک و تشخیص حالت چهره
• درک اینکه چرا تنظیم در آموزش ماشین استفاده می شود

در این دوره به چه چیزهایی نیاز دارید ؟

• شما باید بلد باشید که چگونه مشتق بگیرید
• شما باید برخی از برنامه های پایه پایتون را بلد باشید
• نصب numpy و matplotlib

توضیحات :

این دوره منجر به یادگیری عمیق  و شبکه های عصبی می شود – رگرسیون منطقی  یک تکنیک محبوب و بنیادی مورد استفاده در یادگیری ماشین، علوم داده ها و آمار است .ما این تئوری را از ابتدا به شما آموزش میدهیم استخراج  راه حل و برنامه های کاربردی برای رفع مشکلات در دنیای واقعی . ما به شما نشان می دهیم چگونه می توانیم مدل  رگرسیون منطقی خود را در پایتون بصورت کد بنویسیم. این دوره  به هیچ گونه عناصر خارجی  نیازی ندارد. همه چیز مورد نیاز (پایتون و برخی از کتابخانه های پایتون) را می توان به صورت رایگان دریافت کرد.این دوره بسیاری از نمونه های عملی را برای شما  فراهم می کند، بنابراین شما واقعا می توانید ببینید که چگونه یادگیری عمیق را می توان در هر چیزی استفاده کرد.در طول این دوره ما یک پروژه را  انجام میدهیم تا به شما نشان دهیم که آیا کاربری که وارد وبسایتی شده با موبایل وارد شده یا خیر و رفتار آنها را پیش بینی میکنیم و همچنین به شما نشان میدهیم که کاربر چه محصولاتی را دیده است و چه بازه زمانی در وبسایت مانده است یا اینکه آیا این کاربران بعنوان کاربران همیشگی هستند و چه روزهایی از سایت بازدید کرده اند. یک پروژه دیگر در انتهای دوره نشان می دهد که چگونه می توانید از یادگیری عمیق برای شناخت صورت استفاده کنید. تصور کنید قادر به پیش بینی احساسات یک فرد باشید.اگر شما یک برنامه نویس هستید و می خواهید با مهارت های برنامه نویسی خود را با یادگیری در مورد علوم داده ها افزایش دهید، این دوره برای شما مناسب است. اگر یک پس زمینه فنی یا ریاضی داشته باشید و می خواهید بدانید که چگونه مهارت های خود را به عنوان یک مهندس نرم افزار یا “هکر” اعمال کنید، این دوره برای شما مفید است

نوشته پیش نیازهای یادگیری ماشین : رگرسیون منطقی در پایتون اولین بار در ایران متلب پدیدار شد.

از ابتدا رگرسیون خطی را بیاموزید و برنامه کاری خود را در تجزیه و تحلیل داده ها در پایتون ایجاد کنید

در این دوره چه چیزهایی یاد خواهید گرفت ؟

• یک مدل رگرسیون خطی ایجاد و آن را حل کنید و آن را به طور مناسب برای رفع  مشکلات علم داده ای اعمال کنید
• یک مدل از رگرسیون خطی خود تهیه کنید

در این دوره به چه چیزهایی نیاز دارید ؟

• چگونه می توان با استفاده از محاسبات ، مشتق گرفت
• برنامه نویسی پایه پایتون
• برای بخش پیشرفته دوره، شما باید احتمالات  را بدانید
• برای بخش پیشرفته دوره، شما باید از توزیع گوس  استفاده کنید

توضیحات :

این دوره به شما  یکی از روش های محبوب مورد استفاده در یادگیری ماشین، علوم داده ها و آمار را می آموزد : مدل رگرسیون خطی

ما این تئوری را از ابتدا به شما آموزش میدهیم استخراج  راه حل و برنامه های کاربردی برای رفع  مشکلات در دنیای واقعی . ما به شما نشان می دهیم چگونه می توانیم مدل  رگرسیون خطی خود را در پایتون بصورت کد بنویسیم رگرسیون خطی ساده ترین مدل یادگیری ماشین است که می توانید یاد بگیرید، اگر شما علاقه مند به یادگیری اولیه در زمینه های زیر هستید این دوره مقدماتی عالی است :

• یادگیری عمقی
• یادگیری ماشین
• علم اطلاعات
• امارشناسی

در بخش اول، به شما نشان خواهم داد که چگونه از رگرسیون خطی 1-D  استفاده کنید برای اثبات قانون مور (Moore’s Law)

در این دوره چه خبر است؟ آیا قانون مور خطی نیست؟ درست حدس زدید !!!در این دوره به شما یاد خواهم داد که چگونه رگرسیون خطی میتواند اعمال شود.در بخش بعد، ما یک رگرسیون خطی 1-D را به رگرسیون خطی چندبعدی گسترش خواهیم داد – به عبارت دیگر، چگونه یک مدل یادگیری ماشین ایجاد کنیم که بتواند ورودی های چندگانه  را یاد بگیرد. ما به رگرسیون خطی چند بعدی برای پیش بینی فشار خون سیستولیک بیمار از نظر سن و وزن استفاده خواهیم کرد. در نهایت، ما برخی از مسائل مربوط به یادگیری ماشین را هنگامی که میخواهبد داده ها را آنالیز کنید مورد بحث قرار میدهیم از جمله تعمیم، overfitting، تقسیم train-test  و… این دوره هیچ گونه عناصر خارجی  نیازی ندارد. همه چیز مورد نیاز (پایتون و برخی از کتابخانه های پایتون) را می توان به صورت رایگان دریافت کرد. اگر شما یک برنامه نویس هستید و می خواهید با مهارت های برنامه نویسی خود را با یادگیری در مورد علوم داده ها افزایش دهید، این دوره برای شما مناسب است. اگر یک پس زمینه فنی یا ریاضی داشته باشید و می خواهید بدانید که چگونه مهارت های خود را به عنوان یک مهندس نرم افزار یا “هکر” اعمال کنید، این دوره برای شمامناسب  است. این دوره تمرکز بر “چگونه ساختن و درک”،دارد و فقط مختص به “چگونگی استفاده ” نیست هر کس می تواند یاد بگیرد که یک API را در 15 دقیقه پس از خواندن توضیحات آن استفاده کند

نوشته پیش نیاز های یادگیری عمیق : رگرسیون خطی در پایتون اولین بار در ایران متلب پدیدار شد.

دستیابی به شبکه عصبی ، هوش مصنوعی و تکنیک های یادگیری ماشین که بعضی از افراد به دنبال آن هستند

در این دوره چه چیزهایی یاد خواهید گرفت ؟

• گسترش استفاده از نوت بوک ipython
• یادگیری اقدامات آماری مانند انحراف استاندارد
• تجسم توزییع داده ها ، توابع احتمال و توابع چگالی
• تجسم داده با plotlib
• استفاده از کواریانس و معیار های همبستگی
• اعمال احتمال شرطی برای یافتن ویژگی های همبستگی
• استفاده از قضیه Bayes  برای شناسایی خطاها و درستی ها
• پیش بینی با استفاده از رگرسیون خطی، رگرسیون چندگانه و رگرسیون چند متغیره انجام میشود
• یادگیری کامل مدل های پیجیده چند سطحی
• استفاده از train/test و در مقابل آن استفاده از K-Fold cross برای یافتن مدل مناسب
• ایجاد یک طبقه بندی اسپم با استفاده از Naive Bayes
• استفاده از درختان تصمیم گیری برای پیش بینی
• خوشه بندی داده ها با استفاده از خوشه بندی k-means و ماشین پشتیبان بردار (SVM)
• ایجاد ایجاد فیلم سیستم پیشنهاد گر با استفاده از فیلترینگ مبتنی بر کاربر
• پیش بینی طبقه بندی با استفاده از KNN (نزدیک ترین همسایه به K)
• اعمال کاهش کیفیت با استفاده از آنالیز مولفه های اصلی (PCA)
• آموزش تقویت یادگیری و نحوه ساخت یک Pac-Man bot
• داده های ورودیتان را تا قبل از حذف شدن پاک کنید
• یادگیری ماشین و خوشه بندی را با استفاده از TF/IDF در مقیاس بزرگ با استفاده از Spark’s MLLib اجرا کنید
• طراحی واریانس تست A/B با استفاده از T-Tests  و  P-Values

در این دوره به چه چیزهایی نیاز دارید ؟

• یک یارانه رومیز با سیستم عامل ویندوز،مک یا لینوکس که قادر به اجرای Enthought Canopy 1.6.2 یا ورژن های بالاتر باشد( نصب برنامه ها در این دوره بصورت رایگان است)
• داشتن تجربه در حیطه کد نویسی و script
• داشتن حداقل مهارت های ریاضی در سطح دبیرستان

این دوره براساس یک رایانه رومیزی مبتنی بر ویندوز مایکروسافت راه اندازی میشود در حالی که کد نویسی در سیستم عامل های دیگر اجرا میشود به همین دلیل است که نمیتوانیم یک پشتیبان سیستم عامل ارائه دهیم

توضیحات :

دانشمندان علوم داده از یک شغل با درآمد بالا استفاده میکنند طبق گفته Glassdoor حقوق متوسط این شغل 120 هزار دلار است این مبلغ فقط بصورت میانگین است و فقط در حیطه پول نیست و کاری جالب است.اگر شما تجربه برنامه نویسی و اسکریپت را داشته باشید این دوره تکنینک هایی که توسط دانشمندان علم اطلاعات استفاده میشود را به شما آموزش میدهد و شما برای آموزش دیدن این حرفه آماده میشوید این دوره شامل بیش از 80 سخنرانی که شامل 12 ساعت ویدیو است میباشد اکثر موضوعات نمونه های کد پایتون است که میتوانید بر ای تمرین خودتان از آن استفاده کنید  من با 9 سال تچربه در آمازون و IMDb نکات مهم را به شما آموزش میدهم .هر مفهوم زبان انگلیسی بدون استفاده از علائم ریاضی گنگ و مبهم است که با استفاده از کدنویسی پایتون این مشکل را حل میکنیم در این دوره شما بصورت پیشرفته ریاضی این الگوریتم ها را میبینیدو در نهایت یک پروژه نهایی از آنچه آموخته اید را به شما میدهد

دراین دوره آنالیز نیاز های واقعی که در لیست کارهای دانشمندان علم داده برای یادگیری ماشین قرار دارد را ، یاد میگیرید  که شامل :

• یادگیری عمقی  و شبکه های عصبی (MLP’s, CNN’s, RNN’s)
• آنالیز رگرسیون خوشه بندی k-means
• آنالیز اجزای اصلی
• Train/Testو اعتبار سنجی متقابل آن
• روش های Bayesian
• درختان تصمیمی گیری و جنگل های تصادفی
• رگرسیون چند متغیره
• مدل های چند سطحی
• ماشین بردار پشتیبان (svm)
• تقویت آموزش
• فیلتر همکاری
• نزدیک ترین همسایه K
• Bias/Variance  اشتباه
• آموزش گروهی
• فرکانس و عکس فرکانس داده
• طراحی تجربی و آزمون A/B

نوشته یادگیری عمقی و یادگیری ماشین با پایتون اولین بار در ایران متلب پدیدار شد.

آنالیز رگرسیون کمک می کند تا چگونگی تغییر متغییرهای وابسته همزمان با تغییر یکی از متغییرهای مستقل را بتوانیم به خوبی داشته باشیم.

مدلهای رگرسیون ارتباط بین یک متغییر پاسخ (response) و یک یا چند متغییر ورودی را بیان می کنند. تولباکس یادگیری ماشین و آمار متلب (Statistics and Machine Learning Toolbox) به شما این اجازه را می دهد که مدلهای رگرسیون خطی و غیرخطی (شامل مدلهای stepwise و مدلهای ترکیبی) و خطی عمومی را برای داده های دلخواه استفاده کنید. شما همچنین با این تولباکس می توانید تست های فرضیه (hypothesis) را انجام دهید و نمودارهای مختلف برای آنالیز باقیمانده و مدل رگرسیون خود رسم کنید.

آنالیز رگرسیون به طور گسترده ای در پیش بینی استفاده می شود. در این کاربرد با یادگیری ماشین هم پوشانی دارد.

در این فیلم آموزشی در ابتدا رگرسیون به طور کامل تئوری آن معرفی شده است. سپس برنامه نویسی متلب MATLAB رگرسیون با مثالهای گوناگون آموزش داده شده است.

قسمت اول فیلم آموزشی :

 دانلود قسمت اول

خلاصه اول :

 دانلود خلاصه اول

خلاصه دوم :

 دانلود خلاصه دوم

خلاصه سوم :

 دانلود خلاصه سوم

خلاصه چهارم :

 دانلود خلاصه چهارم

تصاویری از این فیلم آموزشی :

نوشته فیلم آموزش فارسی رگرسیون regression اولین بار در ایران متلب پدیدار شد.

زبان برنامه نویسی پایتون یکی از زبان های برنامه نویسی است که به سرعت در حال افزایش محبوبیت و کاربرد در بین برنامه نویسان می باشد.

تحليل رگرسيوني فن و تکنيکي آماري براي بررسي و مدل سازي ارتباط بين متغيرها است. رگرسيون تقريباً در هر زمينه اي از جمله مهندسي، فيزيک، اقتصاد، مديريت، علوم زيستي، بيولوژي و علوم اجتماعي برای برآورد و پیشبینی مورد نیاز است .

مي توان گفت تحليل رگرسيوني، پرکاربردترین روش در بين تکنيک هاي آماري است. شمايي کلي و خلاصه شده از يک تحليل رگرسيوني ساده به صورت زير مي باشد:
در ابتدا تحليل گر حدس مي زند که بين دو متغير نوعي ارتباط وجود دارد ، در حقيقت حدس مي زند که يک رابطه به شکل يک خط بين دو متغير وجود دارد و سپس به جمع آوري اطلاعات کمي از دو متغير مي پردازد و اين داده ها را به صورت نقاطي در يک نمودار دو بعدي رسم مي کند.

سرفصل مطالب :

معرفی رگرسیون خطی

مثالی از رگرسیون خطی

معرفی رگرسیون لوجستیک logistic

مفهوم cross validation

برنامه نویسی پایتون رگرسیون خطی

برنامه نویسی پایتون رگرسیون لوجستیک

مثال 1 برنامه نویسی پایتون رگرسیون : تابع سیگمویید

مثال 2 برنامه نویسی پایتون رگرسیون

مثال 3 برنامه نویسی پایتون رگرسیون : امتیازدهی اعتبار credit scoring

نوشته رگرسیون (regression) در پایتون اولین بار در ایران متلب پدیدار شد.

استاد این آموزش دارای سابقه نه ساله در کدنویسی متلب در پروژه های مختلف دانشجویی و صنعتی می باشد. ایشان تاکنون بیش از چند میلیون خط کد متلب را نوشته است و با بیشتر قسمت ها و دستورات متلب آشنایی دارند.

این مجموعه فیلم آموزشی 48 قسمت است. 

دانلود رایگان ده قسمت اول :

دانلود قسمت اول

دانلود قسمت دوم

دانلود قسمت سوم

دانلود قسمت چهارم

دانلود قسمت پنجم

دانلود قسمت ششم

دانلود قسمت هفتم

دانلود قسمت هشتم

دانلود قسمت نهم

نوشته سیر تا پیاز متلب MATLAB اولین بار در ایران متلب پدیدار شد.