بایگانی‌ها ماشین بردار پشتیبان - ایران متلب https://iran-matlab.ir/product-category/ماشین-بردار-پشتیبان/ بزرگترین مرجع فیلم های آموزشی دانشگاهی و مهندسی Wed, 07 Jan 2026 12:22:54 +0000 fa-IR hourly 1 https://iran-matlab.ir/wp-content/uploads/2022/11/cropped-icon512-32x32.png بایگانی‌ها ماشین بردار پشتیبان - ایران متلب https://iran-matlab.ir/product-category/ماشین-بردار-پشتیبان/ 32 32 یادگیری عمقی و یادگیری ماشین با پایتون https://iran-matlab.ir/product/%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%be%db%8c%d8%b4%d8%b1%d9%81%d8%aa%d9%87-%d9%88-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%a7-%d9%be%d8%a7%db%8c/ https://iran-matlab.ir/product/%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%be%db%8c%d8%b4%d8%b1%d9%81%d8%aa%d9%87-%d9%88-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%a7-%d9%be%d8%a7%db%8c/#respond Fri, 15 Dec 2017 14:24:20 +0000 https://iran-matlab.ir/?post_type=product&p=10318 یادگیری عمقی و یادگیری ماشین با پایتون 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 […]

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

]]> یادگیری عمقی و یادگیری ماشین با پایتون

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.

]]> https://iran-matlab.ir/product/%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%be%db%8c%d8%b4%d8%b1%d9%81%d8%aa%d9%87-%d9%88-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%a7-%d9%be%d8%a7%db%8c/feed/ 0 بهینه سازی ماشین بردار پشتیبان با الگوریتم ژنتیک با مرتب سازی نامغلوب https://iran-matlab.ir/product/%d8%a8%d9%87%db%8c%d9%86%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1-%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88-2/ https://iran-matlab.ir/product/%d8%a8%d9%87%db%8c%d9%86%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1-%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88-2/#respond Mon, 14 Aug 2017 07:10:07 +0000 https://iran-matlab.ir/?post_type=product&p=8730 بهینه سازی SVM با Non Dominated Sorting Genetic Algorithm NSGA

نوشته بهینه سازی ماشین بردار پشتیبان با الگوریتم ژنتیک با مرتب سازی نامغلوب اولین بار در ایران متلب پدیدار شد.

]]> بهینه سازی SVM با Non Dominated Sorting Genetic Algorithm NSGA

نوشته بهینه سازی ماشین بردار پشتیبان با الگوریتم ژنتیک با مرتب سازی نامغلوب اولین بار در ایران متلب پدیدار شد.

]]> https://iran-matlab.ir/product/%d8%a8%d9%87%db%8c%d9%86%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1-%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88-2/feed/ 0 بهینه سازی ماشین بردار پشتیبان با الگوریتم بهینه سازی تجمعی ذرات https://iran-matlab.ir/product/%d8%a8%d9%87%db%8c%d9%86%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1-%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88/ https://iran-matlab.ir/product/%d8%a8%d9%87%db%8c%d9%86%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1-%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88/#respond Sun, 13 Aug 2017 11:12:43 +0000 https://iran-matlab.ir/?post_type=product&p=8695 بهينه‏سازي تجمعي ذرات ، يک تکنيک بهينه‏سازي مبتني برجمعيت است که از حرکت و رفتار اجتماعي گروهي پرندگان و ماهي‏ها ، هنگامي که دنبال غذا مي‏گردند الهام گرفته شده است. اولين بار جميز کندي و راسل سي ابرهارت در سال 1995 روش بهينه‏سازي ازدحام ذرات را ارائه دادند .در الگوريتم بهينه‏سازي تجمعي ذرات، اعضاي جمعيت […]

نوشته بهینه سازی ماشین بردار پشتیبان با الگوریتم بهینه سازی تجمعی ذرات اولین بار در ایران متلب پدیدار شد.

]]> بهينه‏سازي تجمعي ذرات ، يک تکنيک بهينه‏سازي مبتني برجمعيت است که از حرکت و رفتار اجتماعي گروهي پرندگان و ماهي‏ها ، هنگامي که دنبال غذا مي‏گردند الهام گرفته شده است. اولين بار جميز کندي و راسل سي ابرهارت در سال 1995 روش بهينه‏سازي ازدحام ذرات را ارائه دادند .در الگوريتم بهينه‏سازي تجمعي ذرات، اعضاي جمعيت جواب‏ها، به صورت مستقيم با هم ارتباط دارند و از طريق تبادل اطلاعات، به حل مسئله مي‏رسند. الگوريتم بهينه‏سازي ازدحام ذرات براي انواع مسائل پيوسته و گسسته مناسب مي باشد و پاسخ‏هاي بسيار مناسبي براي مسائل بهينه‏سازي مختلف بدست مي آورد و همچنين در مسائل بهينه‏سازي پارامترهاي سيستم‏هاي هوشمند، نظير آموزش وزن‏هاي شبکه‏هاي عصبي و پارامترهاي سيستم‏هاي فازي مورد استفاده قرار گرفته است. اين استفاده از الگوريتم بهينه سازي تجمعي ذرات به کاربرد اين پايان نامه بسيار نزديک مي باشد و پارامترهاي ماشين بردار پشتيبان هم توسط اين الگوريتم بهينه مي شوند.
هر عضو از جمعيت يا راه حل که ذره نام دارد با يک موقعيت و سرعت اوليه در فضاي جستجوي مسئله براي جستجوي راه حل بهينه پرواز و حرکت مي‏نمايد.در الگوريتم بهينه‏سازي تجمعي ذرات هر ذره ، از حافظه‏اي جهت ذخيره‏سازي بهترين موقعيت مکاني که درحين فرآيند جستجو و حرکت در فضاي جستجو به آن رسيده است، برخوردار مي باشد و به عنوان بهترين تجربه شخصي خود ، آن را به خاطر مي‏سپارد. هر ذره ، اين اطلاعات را براي ديگر ذرات موجود ارسال مي‏نمايد و همچنين آن‏ها نيز مي‏توانند مشاهده نمايند که ديگر ذرات موجود در همسايگي در کجا بهترين موفقيت را داشته‏اند و بدين صورت از بهترين موقعيت در همسايگي خود يا در کل فضاي راه حل‏ها به عنوان بهترين تجربه ي گروهي آگاهي مي يابند. ذرات جمعيت ، در حين فرايند ، با انتقال و تبادل اطلاعات خود به يکديگر و با تنظيم و بهنگام‏سازي سرعت و موقعيت‏هاي خود، در فضاي جستجو حرکت مي‏نمايند. به عبارتي الگوريتم بهينه‏سازي تجمعي ذرات، روش جستجوي محلي را ازطريق تجربه خود ذره با روش‏هاي جستجوي سراسري از طريق تجربه همسايگان ذره ترکيب مي‏نمايد.
هريک از ذرات جمعيت سعي مي‏کنند به سمتي حرکت نمايندکه بهترين تجربه‏هاي شخصي و گروهي در آن نقاط روي داده است.سپس اين ذرات در فضاي جستجو حرکت مي‏نمايند، و نتايج حاصله برمبناي يک معيار شايستگي براساس تابع هدف پس از هر بازه زماني محاسبه مي‏گردد.يک فرايند تکراري با ارزيابي معيار شايستگي ذرات براي بهبود کانديداها به عنوان بهترين تجربه گروهي در طي حرکت ذرات در نظر گرفته شده و با گذشت زمان، ذرات به سمت بهترين تجربه گروهي که داراي معيار شايستگي بالاتري هست، شتاب مي‏گيرند و با تاثير پذيري از بهترين ذره جمعيت ، سرانجام به آن نزديک مي‏شوند.

الگوریتم بهینه سازی تجمعی ذرات Particle Swarm Optimization PSO Algorithm
کد متلب آماده اجرا

نوشته بهینه سازی ماشین بردار پشتیبان با الگوریتم بهینه سازی تجمعی ذرات اولین بار در ایران متلب پدیدار شد.

]]> https://iran-matlab.ir/product/%d8%a8%d9%87%db%8c%d9%86%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1-%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88/feed/ 0 بهینه سازی ماشین بردار پشتیبان با الگوریتم جستجوی هارمونی https://iran-matlab.ir/product/%d8%a7%d9%86%d8%aa%d8%ae%d8%a7%d8%a8-%d9%88%db%8c%da%98%da%af%db%8c-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%ac%d8%b3%d8%aa%d8%ac%d9%88%db%8c-%d9%87%d8%a7%d8%b1%d9%85%d9%88/ https://iran-matlab.ir/product/%d8%a7%d9%86%d8%aa%d8%ae%d8%a7%d8%a8-%d9%88%db%8c%da%98%da%af%db%8c-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%ac%d8%b3%d8%aa%d8%ac%d9%88%db%8c-%d9%87%d8%a7%d8%b1%d9%85%d9%88/#respond Sun, 13 Aug 2017 08:36:03 +0000 https://iran-matlab.ir/?post_type=product&p=8687 الگوريتم جستجوي هارموني يك الگوريتم تكاملي بنا شده بر مبناي عملكرد سازهاي موسيقي است . اين الگوريتم با مفهومي ساده و تعداد پارامتر هاي كم مي باشد. الگوريتم جستجوي هارموني بر اساس عملکرد موسيقيدانان براي ايجاد يک ملودي جديد و هماهنگي نت ها از نظر فرکانس و طول موج آنها استوار است. اين الگوريتم به […]

نوشته بهینه سازی ماشین بردار پشتیبان با الگوریتم جستجوی هارمونی اولین بار در ایران متلب پدیدار شد.

]]> الگوريتم جستجوي هارموني يك الگوريتم تكاملي بنا شده بر مبناي عملكرد سازهاي موسيقي است . اين الگوريتم با مفهومي ساده و تعداد پارامتر هاي كم مي باشد. الگوريتم جستجوي هارموني بر اساس عملکرد موسيقيدانان براي ايجاد يک ملودي جديد و هماهنگي نت ها از نظر فرکانس و طول موج آنها استوار است.
اين الگوريتم به صورت موفقيت آميزي براي انواع مسائل دنياي واقعي شامل مسئله فروشنده دوره گرد، بهينه سازي پارامتر هاي مدل رود خانه، طراحي شبكه هاي خط لوله و طراحي سازه ها بكار گرفته شده است گام هاي الگوريتم فوق عبارتند از:
گام اول: تعيين مقادير ابتدايي پارامتر هاي الگوريتم و مسئله
گام دوم : تعيين مقادير ابتداي حافظه هارموني
گام سوم: بهبود هارموني جديد
گام چهارم: بروزدرآوري حافظه هارموني
گام پنجم : تست قاعده توقف
حافظه هارموني ماتريسي است كه از راه حلهاي ممكن و غير ممكن تشكيل شده است .
پارامترهاي اين الگوريتم عبارتند از :
ميزان فضاي حافظه HMS
نرخ حافظه هارموني HMCR
نرخ اصلاح هارموني PAR
پارامتر شبيه سازي ECR
در اين روش با توجه به توصيه هاي محققين قبلي وگراف تحليل حساسيت شکل .. ،براي پارامتر ها مقادير مناسب تعيين مي شود وسپس براساس کد نويسي هاي برنامه، بهينه سازي انجام مي گيرد .

موسيقي يک پديده مصنوعي آرام بخش است که توسط انسان و طبيعت توليد ميشود، هارموني در موسيقي اصطلاحا به اجراي نتهاي متفاوت به صورت همزمان ميگويند که در نهايت تبديل به آهنگي موزون و زيبا از نظر شنيداري ميشود. الگوريتم جستجوي هارموني به عنوان يکي از روشهاي جديد بهينه سازي فراکاوشي که از پديده موسيقي الهام گرفته، معرفي شده است. مفاهيم پايه اي الگوريتم جستجوي هارموني براي اولين بار توسط يک فيلسوف يوناني و رياضيدان معروف، فيثاغورث پيشنهاد شد.
بعدها محققان زيادي در اين پديده تحقيق کردند. جين فليپ آهنگساز و موسيقيدان فرانسوي که در سالهاي 1764-1683 مي زيست، تئوري هارموني کلاسيک را ثابت کرد. تيرو موسيقيدان فرانسوي در سال 1977 تاريخچه جاز 2را در آمريکا به سنديت در آورد.
در کارهاي موسيقي جستجوي بهترين موقعيت (هارموني خارق العاده) به وسيله تخمين زيباشناسي تعيين ميشود. معمولا دًر الگوريتم هاي بهينه سازي کلاسيک، بهترين موقعيت (بهينه سراسري، مينيمم هزينه و ماکزيمم سود يا راندمان) به وسيله ارزيابي توابع هدف تعيين ميشود، در صورتي که تخمين زيباشناسي به وسيله ارزيابي توابع هدف که از مقادير ثبت شده ي مولفه ي متغيرها بدست مي آيد، انجام مي گيرد. در موسيقي، به منظور دستيابي به بهترين اجرا هر تمرين با تمرين قبل مورد مقايسه قرار مي گيرد. در حالي که در بهينه سازي ، توابع هدف در هر تکرار، نسبت به تکرارهاي قبل مقايسه مي شود.

الگوریتم جستجوی هارمونی Harmony Search Algorithm
کد متلب آماده اجرا

نوشته بهینه سازی ماشین بردار پشتیبان با الگوریتم جستجوی هارمونی اولین بار در ایران متلب پدیدار شد.

]]> https://iran-matlab.ir/product/%d8%a7%d9%86%d8%aa%d8%ae%d8%a7%d8%a8-%d9%88%db%8c%da%98%da%af%db%8c-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%ac%d8%b3%d8%aa%d8%ac%d9%88%db%8c-%d9%87%d8%a7%d8%b1%d9%85%d9%88/feed/ 0 بهینه سازی ماشین بردار پشتیبان با الگوریتم کرم شب تاب https://iran-matlab.ir/product/%d8%a7%d9%86%d8%aa%d8%ae%d8%a7%d8%a8-%d9%88%db%8c%da%98%da%af%db%8c-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%da%a9%d8%b1%d9%85-%d8%b4%d8%a8-%d8%aa%d8%a7%d8%a8/ https://iran-matlab.ir/product/%d8%a7%d9%86%d8%aa%d8%ae%d8%a7%d8%a8-%d9%88%db%8c%da%98%da%af%db%8c-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%da%a9%d8%b1%d9%85-%d8%b4%d8%a8-%d8%aa%d8%a7%d8%a8/#respond Sun, 13 Aug 2017 07:25:25 +0000 https://iran-matlab.ir/?post_type=product&p=8683 الگوريتم هوشمند كرم شب تاب نيز به عنوان يك الگوريتم هوشمند جديد از رفتار اجتماعي كرمهاي شب تاب الهام گرفته است .جمعيت تشكيل دهنده اين الگوريتم، كرم هاي شب تاب مي باشند كه هر كدام داراي مقداري روشنايي يا برازندگي هستند . اين روش نيز مانند بقيه روشهاي بهينه سازي هوشمند، با جمعيت اوليهاي از […]

نوشته بهینه سازی ماشین بردار پشتیبان با الگوریتم کرم شب تاب اولین بار در ایران متلب پدیدار شد.

]]> الگوريتم هوشمند كرم شب تاب نيز به عنوان يك الگوريتم هوشمند جديد از رفتار اجتماعي كرمهاي شب تاب الهام گرفته است .جمعيت تشكيل دهنده اين الگوريتم، كرم هاي شب تاب مي باشند كه هر كدام داراي مقداري روشنايي يا برازندگي هستند .
اين روش نيز مانند بقيه روشهاي بهينه سازي هوشمند، با جمعيت اوليهاي از حشرات آغاز مي شود. در اين روش حشرات دو به دو با هم مقايسه شده و حشره اي كه جذابيت كمتري دارد به سمت حشره ي جذاب تر حركت مي كند. نهايتا يك حشره به عنوان جذابترين حشره انتخاب مي شود كه همان پاسخ بهينه ي مسئله مورد نظر مي باشد.
دو موضوع قابل اهميت در اين الگوريتم، تغييرات شدت روشنايي و فرموله كردن جذابيت حشرات مي باشد. به منظور سادگي معمولا فرض ميشود كه جذابيت حشرات با شدت روشنايي آنها بيان مي شود. شدت روشنايي نيز متناسب با برازندگي حشره مي باشد.در حالت كلي جذابيت پارامتري نسبي بوده و از ديد حشرات ديگر سنجيده مي شود.همچنين به فاصله حشرات از يكديگر نيز بستگي دارد

الگوریتم کرم شب تاب Firefly Algorithm
کد متلب آماده اجرا

نوشته بهینه سازی ماشین بردار پشتیبان با الگوریتم کرم شب تاب اولین بار در ایران متلب پدیدار شد.

]]> https://iran-matlab.ir/product/%d8%a7%d9%86%d8%aa%d8%ae%d8%a7%d8%a8-%d9%88%db%8c%da%98%da%af%db%8c-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%da%a9%d8%b1%d9%85-%d8%b4%d8%a8-%d8%aa%d8%a7%d8%a8/feed/ 0 بهینه سازی ماشین بردار پشتیبان با الگوریتم استراتژی تکاملی https://iran-matlab.ir/product/%d8%a7%d9%86%d8%aa%d8%ae%d8%a7%d8%a8-%d9%88%db%8c%da%98%da%af%db%8c-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%a7%d8%b3%d8%aa%d8%b1%d8%a7%d8%aa%da%98%db%8c-%d8%aa%da%a9%d8%a7/ https://iran-matlab.ir/product/%d8%a7%d9%86%d8%aa%d8%ae%d8%a7%d8%a8-%d9%88%db%8c%da%98%da%af%db%8c-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%a7%d8%b3%d8%aa%d8%b1%d8%a7%d8%aa%da%98%db%8c-%d8%aa%da%a9%d8%a7/#respond Sat, 12 Aug 2017 12:26:29 +0000 https://iran-matlab.ir/?post_type=product&p=8669 استراتژيهاي تکاملي خانواده اي از الگوريتم هاي پردازش تکاملي هستند که معمولا براي بهينه سازيهاي عددي مورد استفاده قرار مي گيرند . اين الگوريتم ها اول بار توسط رشنبرگ و شفل در دهه 1970 در دانشگاه برلين آلمان معرفي گرديدند . اين خانواده از الگوريتم هاي تکاملي در قياس با ساير الگوريتم هاي تکاملي از […]

نوشته بهینه سازی ماشین بردار پشتیبان با الگوریتم استراتژی تکاملی اولین بار در ایران متلب پدیدار شد.

]]> استراتژيهاي تکاملي خانواده اي از الگوريتم هاي پردازش تکاملي هستند که معمولا براي بهينه سازيهاي عددي مورد استفاده قرار مي گيرند . اين الگوريتم ها اول بار توسط رشنبرگ و شفل در دهه 1970 در دانشگاه برلين آلمان معرفي گرديدند . اين خانواده از الگوريتم هاي تکاملي در قياس با ساير الگوريتم هاي تکاملي از سرعت به نسبت بالاتري برخوردار بوده و براي مسايل بهينه سازي مرتبط با اعداد حقيقي مي توانند پاسخ هاي مناسبي را دربر داشته باشند. همانند ساير الگوريتم هاي تکاملي در اين الگوريتم ها نيز هدف پيدا کردن مينيمم يا ماکزيمم مناسب بوده و تضميني براي يافتن بهترين جواب در مسايل چند قله اي و پيچيده وجود ندارد. از ويژگي هاي ديگر اين الگوريتم ها مي توان به پايه نظري قوي آنها اشاره نمود که در اين خصوص در مقابل عمده ساير رو شهاي تکاملي داراي اثبات رياضي مي باشند.

در اين خانواده از الگوريتم ها ، عملگر اصلي ايجاد تنوع، عملگر جهش مي باشد که با اضافه نمودن نويز کنترل شده به مجموعه والد فرزندان آنها توليد مي گردد. اين نويز معمولاً متغيري تصادفي با توزيع نرمال است که به هر يک از مولفه هاي جمعيت اضافه مي شود. از طريق تنظيم واريانس اين نويز به صورت همزمان با اجراي الگوريتم، مي توان جواب مناسب را با هزينه کمي بدست آورد. رو ش هاي گوناگوني براي تنظيم اين واريانس وجود دارد که دو روش يک پنجم موفقيت و خودتطبيقي از معروفترين روش هاي آن محسوب مي گردند. در روش خود تطبيقي که خود با توجه به روش هاي متفاوت منجر به توليد الگوريتم هاي متفاوت استراتژي تکاملي مي گردد، پارامترهاي جهش خود به عنوان عضوي از جمعيت در حال تکامل محسوب شده و به صورت خودکار در طي اجراي الگوريتم مورد اصلاح قرار مي گيرند. اين موضوع با توجه به ماهيت الگوريتم هاي تکاملي که در ابتداي فعاليت مي توانند به سرعت به جوابهاي محلي نزديک شده و در انتها نيازمند افزايش دقت تخمين مي باشند، داراي اهميت بسزايي است.

کد متلب آماده
بدون خطا

نوشته بهینه سازی ماشین بردار پشتیبان با الگوریتم استراتژی تکاملی اولین بار در ایران متلب پدیدار شد.

]]> https://iran-matlab.ir/product/%d8%a7%d9%86%d8%aa%d8%ae%d8%a7%d8%a8-%d9%88%db%8c%da%98%da%af%db%8c-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%a7%d8%b3%d8%aa%d8%b1%d8%a7%d8%aa%da%98%db%8c-%d8%aa%da%a9%d8%a7/feed/ 0 بهینه سازی ماشین بردار پشتیبان با الگوریتم تکامل تفاضلی https://iran-matlab.ir/product/%d8%a7%d9%86%d8%aa%d8%ae%d8%a7%d8%a8-%d9%88%db%8c%da%98%da%af%db%8c-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%aa%da%a9%d8%a7%d9%85%d9%84-%d8%aa%d9%81%d8%a7%d8%b6%d9%84%db%8c/ https://iran-matlab.ir/product/%d8%a7%d9%86%d8%aa%d8%ae%d8%a7%d8%a8-%d9%88%db%8c%da%98%da%af%db%8c-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%aa%da%a9%d8%a7%d9%85%d9%84-%d8%aa%d9%81%d8%a7%d8%b6%d9%84%db%8c/#comments Sat, 12 Aug 2017 12:06:39 +0000 https://iran-matlab.ir/?post_type=product&p=8666 الگوريتم تكامل تفاضلي نخستين بار در سال 1995توسط استورن و پرايس معرفي شد . اين الگوريتم در نخستين مسابقه بهينه سازي IEEE مقام اول را كسب كرد. استورن و پرايس در كار بعدي خود با استفاده از توابع محك بسيار متنوعي عملكرد الگوريتم خود را با تعدادي از مشهورترين روشهاي بهينه سازي مقايسه كردند. نتايج […]

نوشته بهینه سازی ماشین بردار پشتیبان با الگوریتم تکامل تفاضلی اولین بار در ایران متلب پدیدار شد.

]]> الگوريتم تكامل تفاضلي نخستين بار در سال 1995توسط استورن و پرايس معرفي شد . اين الگوريتم در نخستين مسابقه بهينه سازي IEEE مقام اول را كسب كرد. استورن و پرايس در كار بعدي خود با استفاده از توابع محك بسيار متنوعي عملكرد الگوريتم خود را با تعدادي از مشهورترين روشهاي بهينه سازي مقايسه كردند. نتايج آزمايش هاي آنها نشان دهنده ي برتري الگوريتم تکامل تفاضلي بود. از آن زمان تاكنون، اين الگوريتم موضوع بسياري از مقالات علمي در ادبيات الگوريتم هاي تكاملي بوده است. به عنوان مثال، برگي و ديگران با كنترل فشار انتخاب الگوريتم تکامل تفاضلي را از نظر سرعت همگرايي بهبود دادند.
آزمايش هاي آن ها بر روي توابع دييانگ نشان دهنده ي برتري روش آنها در برابر دو نسخه معروف الگوريتم تکامل تفاضلي يعني DE/rand/1/bin و DE/best/2/bin بود. سلمان و همکاران با استفاده از استراتژي خود تطبيقي الگوريتم تکامل تفاضلي را از نظر دقت همگرايي بهبود دادند.
کيان و ديگران ضمن تطبيق پارامتر جهش در هر نسل، از روش رتبه بندي مبتني بر پرتو و مرتب سازي تفاوت ازدحام براي انتخاب بازماندگان استفاده كردند.
گانگ و ديگران براي افزايش سرعت همگرايي الگوريتم تکامل تفاضلي از مدل طراحي متعامد و استراتژي خودتطبيقي استفاده كردند. تورديك آزمايشهايي را بر روي مدلهاي تطبيقي نسخه هاي مختلف الگوريتم تکامل تفاضلي انجام داد. او با استفاده از سه تابع محك، خصوصيات اين الگوريتم ها را با ساير الگوريتم هاي بهينه سازي مقايسه كرد. همچنين، زاهاريه اثر عملگرهاي مختلف بازتركيبي را بررفتار الگوريتم تکامل تفاضلي مورد بررسي قرار داد.
مهمترين ويژگي هاي الگوريتم تکامل تفاضلي سرعت بالا، سادگي و قدرتمند بودن آن است. اين روش تنها با تنظيم سه پارامتر شروع به كار ميكند. پارامتر CR (احتمال انجام بازتركيب)، پارامتر NP (اندازه جمعيت) و پارامتر F (وزن جهش) است كه در تفاضل دو بردار ضرب مي شود و به بردار سوم اضافه مي شود. به گفته استورن و پرايس، پارامتر F معمولا بين 0 تا 2 تنظيم مي شود. اين الگوريتم، ابتدا جمعيتي به اندازه NP با مقادير تصادفي در محدوده مقادير مسئله مربوطه ايجاد مي كند.

اگر قصد دارید از الگوریتم تکامل تفاضلی در پروژه خود استفاده کنید، یا میخواهید ماشین بردار پشتیبان را بهینه کنید ، این پروژه برای شما مناسب می باشد.

نوشته بهینه سازی ماشین بردار پشتیبان با الگوریتم تکامل تفاضلی اولین بار در ایران متلب پدیدار شد.

]]> https://iran-matlab.ir/product/%d8%a7%d9%86%d8%aa%d8%ae%d8%a7%d8%a8-%d9%88%db%8c%da%98%da%af%db%8c-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%aa%da%a9%d8%a7%d9%85%d9%84-%d8%aa%d9%81%d8%a7%d8%b6%d9%84%db%8c/feed/ 1 بهینه سازی ماشین بردار پشتیبان با الگوریتم کلونی زنبور عسل https://iran-matlab.ir/product/%d8%a7%d9%86%d8%aa%d8%ae%d8%a7%d8%a8-%d9%88%db%8c%da%98%da%af%db%8c-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%da%a9%d9%84%d9%88%d9%86%db%8c-%d8%b2%d9%86%d8%a8%d9%88%d8%b1-%d8%b9/ https://iran-matlab.ir/product/%d8%a7%d9%86%d8%aa%d8%ae%d8%a7%d8%a8-%d9%88%db%8c%da%98%da%af%db%8c-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%da%a9%d9%84%d9%88%d9%86%db%8c-%d8%b2%d9%86%d8%a8%d9%88%d8%b1-%d8%b9/#respond Sat, 12 Aug 2017 11:41:23 +0000 https://iran-matlab.ir/?post_type=product&p=8664 الگوريتم اجتماع زنبورهاي مصنوعي (ABC) يك تكنيك براي حل مسايل بهينه سازي مي باشد كه بر مبناي رفتار زنبورهاي عسل در طبيعت مي باشد. در اين روش هر يك از زنبورها با همكاري مستقيم و اشتراك گذاشتن اطلاعات سعي در به دست آوردن بهترين جواب بر حسب قوانين احتمال دارند . هر اجتماع در طبيعت […]

نوشته بهینه سازی ماشین بردار پشتیبان با الگوریتم کلونی زنبور عسل اولین بار در ایران متلب پدیدار شد.

]]> الگوريتم اجتماع زنبورهاي مصنوعي (ABC) يك تكنيك براي حل مسايل بهينه سازي مي باشد كه بر مبناي رفتار زنبورهاي عسل در طبيعت مي باشد. در اين روش هر يك از زنبورها با همكاري مستقيم و اشتراك گذاشتن اطلاعات سعي در به دست آوردن بهترين جواب بر حسب قوانين احتمال دارند .
هر اجتماع در طبيعت از سه بخش منابع غذايي، زنبورهاي كارگر و زنبورهاي غير كارگر تشكيل شده است .بيشترين وظيفه در هر كندو بر عهده زنبورهاي كارگر مي باشد كه شامل : پرورش بچه ها، مراقبت از ملكه و زنبورهاي نر، تميز كردن كندو، تنظيم دماي كندو، جمع آوري شهد، گرده افشاني و … مي باشد. زنبورهاي غير كارگر به دو دسته پيش آهنگ و تماشاگر تقسيم مي شوند . زنبورهاي پيش آهنگ محيط پيرامون را براي يافتن منابع غذايي جديد جستجو مي كنند و زنبورهاي تماشاگر در كندو منتظر رسيدن اطلاعات از سوي كارگرها مي باشند. زنبورهاي عسل از يك سيستم پيچيده براي يافتن اطلاعات در مورد محل و كيفيت منابع غذايي در بيرون كندو استفاده مي كنند .
ارتباط بين زنبورها توسط مراسمي كه اصطلاحا رقصيدن گفته مي شود، انجام مي گيرد. اين زبان ارتباطي بر اساس حركات پشت سر هم از سوي زنبور انجام مي گيرد . اين رقص كه اصطلاحا رقص چرخشي ناميده مي شود، حاوي اطلاعات در مورد مكان و كيفيت منبع غذايي مي باشد . در اين نوع رقصيدن تعداد چرخش نمايان گر فاصله و مدت زمان چرخش نشان گر ميزان كيفيت منبع غذايي ميباشد .در اين صورت زنبورهاي تماشاگر در كندو با ديدن ميزان چرخش، منبع با كيفيت را انتخاب مي نمايد . الگوريتم اجتماع زنبورهاي مصنوعي (ABC) بر اساس ميزان چرخش زنبور و حركت زنبور تماشاگر به سمت منبع با كيفيت استوار مي باشد .
در ابتدا مجموعه اي از منابع غذايي به طور تصادفي (جوابهاي اوليه) انتخاب شده و سپس زنبورهاي كارگر به منابع رجوع كرده و ميزان شهد و كيفيت آنها را بررسي كرده و به كندو بر مي گردند و اطلاعات خود را در اختيار زنبورهاي تماشاگر قرار مي دهند.
سپس هر زنبور به محل حركت مي كند و بر اساس اطلاعات يك منبع در همسايگي آن اختيار مي كند. يعني زنبور بر اساس نوع گل و ميزان شهد آن تصميم مي گيرد كه محل جديد بماند يا به محل قبلي برود . زماني كه مقدار منبع غذايي تمام شد به يك منبع جديد يافت شده توسط زنبورهاي پيش آهنگ، حركت مي كنند و اين روند تا بر آورده شدن نيازها تكرار مي شود .

اگر قصد دارید از الگوریتم کلونی زنبور عسل در پروژه خود استفاده کنید، یا میخواهید ماشین بردار پشتیبان را بهینه کنید ، این پروژه برای شما مناسب می باشد.

نوشته بهینه سازی ماشین بردار پشتیبان با الگوریتم کلونی زنبور عسل اولین بار در ایران متلب پدیدار شد.

]]> https://iran-matlab.ir/product/%d8%a7%d9%86%d8%aa%d8%ae%d8%a7%d8%a8-%d9%88%db%8c%da%98%da%af%db%8c-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%da%a9%d9%84%d9%88%d9%86%db%8c-%d8%b2%d9%86%d8%a8%d9%88%d8%b1-%d8%b9/feed/ 0 فیلم آموزشی libsvm https://iran-matlab.ir/product/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-libsvm/ https://iran-matlab.ir/product/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-libsvm/#comments Sat, 28 May 2016 18:24:34 +0000 https://iran-matlab.ir/?post_type=product&p=3381 ماشین بردار پشتیبان یک دسته بندی کننده باینری می باشد ، به عبارت دیگر تنها می تواند تنها دو کلاس را از هم دسته بندی کند اما LIBSVM حالت چند كلاسه را نيز پشتيباني مي كند، بنابراين از نظر ميزان دشواري انجام پروژه، تفاوتي بين مسائل دو كلاسه و چند كلاسه وجود دارد. تنها تفاوت […]

نوشته فیلم آموزشی libsvm اولین بار در ایران متلب پدیدار شد.

]]> ماشین بردار پشتیبان یک دسته بندی کننده باینری می باشد ، به عبارت دیگر تنها می تواند تنها دو کلاس را از هم دسته بندی کند اما LIBSVM حالت چند كلاسه را نيز پشتيباني مي كند، بنابراين از نظر ميزان دشواري انجام پروژه، تفاوتي بين مسائل دو كلاسه و چند كلاسه وجود دارد. تنها تفاوت اين است كه مجموعه هاي بزرگتر و يا حالت چند كلاسه ممكن است به زمان بيشتري براي آموزش و آزمايش نياز داشته باشند.

نرمافزار LIBSVM دو حالت كلي براي حل مسئله دسته بندي دارد: C-SVM و nu-SVM. تفاوت اين دو در چگونگي بيان مسئله به صورت يك مسئله بهينه سازي و همچنين پارامتر مورد تنظيم است. در اين پروژه بايد مسائل براي هسته هاي مختلف در هر دو حالت حل شود. براي حالت nu-SVM، براي پارامتر nu كه با –n مشخص مي شود، از مقادير 1/0، 25/0، 5/0، 75/0، 9/0 و 0/1 استفاده شود. براي حالت C-SVM نيز براي پارامتر C كه با –c مشخص مي شود از مقادير 001/0، 01/0، 1/0، 1، 10، 100 و 1000 استفاده شود.
اين نرم افزار چهار هسته مختلف را به صورت پيشفرض پشتيباني ميكند كه عبارتند از هستههاي خطي، چندجمله اي، RBF و Sigmoid. شما بايستي نتايج را براي هر هسته به صورت جداگانه به دست آوريد.
هسته خطي هيچ پارامتري ندارد و بنابراين تنها يك حالت اجرا دارد.
هسته چند جملهاي داراي دو پارامتر است. پارامتر اول درجه چند جملهاي است و با –d مشخص مي شود، به ازاي مقادير 1، 2، 3 و 4 بايد مسئله را حل كرد. براي پارامتر دوم نيز كه عدد ثابت جمع شونده است و با –r مشخص مي شود، سه حالت 0، 1- و 1+ را استفاده كنيد.
هسته RBF تنها يك پارامتر گاما دارد كه با –g مشخص مي شود. براي اين پارامتر يك بار مقدار پيشفرض يعني 1/k را (k تعداد ويژگيها است) استفاده كنيد (به عبارتي هيچ مقداري را براي گاما به برنامه ندهيد) و به علاوه مقادير 21/k و 1 را نيز تست كنيد.
در مورد هسته sigmoid با توجه به مسائلي كه معمولا از نظر همگرايي به جواب پيش ميآيد، تنها همان پيش فرض يعني مقدار ثابت 0 و گاما 1/k جواب را به دست آوريد.

توضیح فیلم آموزشی libsvm : 

یک فیلم آموزشی از نحوه استفاده از libsvm در متلب برای شما تهیه شده است که می توانید در همین صفحه آنرا سفارش دهید.

ما در این فیلم آموزشی از نحوه نصب libsvm و دانلود آن شروع می کنیم و در انتها با چند مثال نحوه استفاده از آنرا تشریح می کنیم. یکی از مثالها با kfold می باشد.

 

نوشته فیلم آموزشی libsvm اولین بار در ایران متلب پدیدار شد.

]]> https://iran-matlab.ir/product/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-libsvm/feed/ 2 ماشین بردار پشتیبان (Support Vector Machine) در پایتون https://iran-matlab.ir/product/%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1-%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86-support-vector-machine-%d8%af%d8%b1-%d9%be%d8%a7%db%8c%d8%aa%d9%88%d9%86/ https://iran-matlab.ir/product/%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1-%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86-support-vector-machine-%d8%af%d8%b1-%d9%be%d8%a7%db%8c%d8%aa%d9%88%d9%86/#respond Sat, 30 Apr 2016 11:04:38 +0000 https://iran-matlab.ir/?post_type=product&p=3091 پیش نیاز این فیلم آموزشی ، فیلم آموزشی برنامه نویسی پایتون می باشد. جهت دانلود بر روی تصویر زیر کلیک کنید. 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. ماشين بردار پشتيبان (Support vector machines) يکي از […]

نوشته ماشین بردار پشتیبان (Support Vector Machine) در پایتون اولین بار در ایران متلب پدیدار شد.

]]> پیش نیاز این فیلم آموزشی ، فیلم آموزشی برنامه نویسی پایتون می باشد. جهت دانلود بر روی تصویر زیر کلیک کنید.

python

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.

ماشين بردار پشتيبان (Support vector machines) يکي از روش‌هاي يادگيري بانظارت(Supervised learning) است . مبناي کاري دسته‌بندي کنندة SVM دسته‌بندي خطي داده‌ها است و در تقسيم خطي داده‌ها سعي مي‌کنيم خطي را انتخاب کنيم که حاشيه اطمينان بيشتري داشته باشد. حل معادلة پيدا کردن خط بهينه براي داده‌ها به وسيله روش‌هاي QP(Quadratic Programming) که روش‌هاي شناخته شده‌اي در حل مسائل محدوديت‌دار هستند صورت مي‌گيرد.

سرفصل مطالب :

معرفی ماشین بردار پشتیبان

برنامه نویسی ماشین بردار پشتیبان در پایتون

مثال 1 ماشین بردار پشتیبان در پایتون

مثال 2 ماشین بردار پشتیبان در پایتون (شناسایی کاراکتر)

Support Vector Machine in python

نوشته ماشین بردار پشتیبان (Support Vector Machine) در پایتون اولین بار در ایران متلب پدیدار شد.

]]> https://iran-matlab.ir/product/%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1-%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86-support-vector-machine-%d8%af%d8%b1-%d9%be%d8%a7%db%8c%d8%aa%d9%88%d9%86/feed/ 0