شاید برای شما چنین ایده ای خیلی جدید باشد، ولی هم اکنون شرکت های خیلی بزرگ دنیا مثل تویوتا بخشی از کارخانه خود در ژاپن را اختصاص به ساخت یک شهر تمام هوشمند داده است. در این شهر هوشمند که به اسم Woven City شناخته می شود، هر چی تکنولوژی هوش مصنوعی که به گوشتون رسیده و نرسیده در حال امتحان شدن در یک شهر واقعی هستند. تمامی خودروها بدون راننده هستند و کارشناسان می خواهند نحوه استفاده بشر از این تکنولوژی ها و نقاط ضعف و قوتشون را شناسایی کنند. اگر یک روزی این ایده در دانشگاه ها و مراکز تحقیقاتی در حال کار بود، اکنون در حال تست عملی در دنیای واقعی هستند و خیلی از شهرهای دنیا هم اکنون از خودروهای هوشمند در حال استفاده هستند اما درجه هوشمندی هنوز پایین است و راننده بر عملکرد خودرو کنترل دارد. در این فیلم آموزشی ایران متلب ، سطح های خودران را توضیح خواهیم داد.

این آموزش مخصوص علاقه مندان به خودروهای بدون راننده می باشد.

مدت زمان : 51 دقیقه

سرفصل مطالب :

تعداد تصادف ها در جهان

معرفی Waymo

فایده های ماشین های بدون راننده

عیب های ماشین های بدون راننده

موانع استفاده از ماشین های بدون راننده

Tesla Autopilot

کشته های ماشین های بدون راننده

تاکسی های بدون راننده

تحقیقات در حال انجام در  Tesla Autopilot و Waymo و Uber و Google و Delphi و Audi A8 و University of Michigan

پیش بینی ها

خودرو راننده مرکز

شش سطح خودروهای بدون راننده

تکنولوژی های رانندگی بدون راننده

موقعیت سنسورهای خودرو بدون راننده

ارتباط های در حوزه خودرو بدون راننده

بینایی

دوربین

رادار

LiDAR

ترکیب دوربین و LiDAR

مقایسه سنسورهای خودرو بدون راننده

موقعیت یابی

object detection and scene segmentation

تشخیص اشیاء و تقسیم بندی صحنه

Full-Scene Semantic Segmentation

تقسیم بندی معنایی تمام صحنه

روش Region Proposal-Based

Path Aggregation Network (PAN)

شبکه تجمیع مسیر (PAN)

Masking-Based Method

روش مبتنی بر پوشش

Comparison of the Full-Scene Segmentation Algorithms

مقایسه الگوریتم های تقسیم بندی تمام صحنه

Movement Planning

برنامه ریزی حرکتی

Deep reinforcement learning

یادگیری تقویتی عمیق

How does an autonomous car actually work?

یک ماشین خودران واقعا چگونه کار می کند؟

نوشته آموزش فارسی ماشین های خودران یا بدون راننده autonomous vehicle اولین بار در ایران متلب پدیدار شد.

دوره اتومبیل رانندگی خودکار

یکی از موضوعات جالب در دهه اخیر ماشین های بدون راننده می باشند که هم اکنون شرکت های بزرگ خودروسازی ، پیشرفت های چشمگیری در این زمینه داشته اند. 

در حدود یک سال است که قصد داشتیم یک دوره جامع و پیشرفته مهندسی این خودرو ها را تهیه کنیم که حاصل شد این دوره آموزشی که مشاهده می کنید.

این دوره آموزشی بسیار جامع و کامل و حرفه ای می باشد و به عبارت دیگر بچه بازی نیست. شما در این دوره با مفاهیم بسیار زیادی آشنا می شوید و همزمان نحوه پیاده سازی آن در زبان سی یا پایتون را یاد خواهید گرفت و در برخی از قسمت ها مباحث پیچیده هوش مصنوعی و بینایی ماشین و پردازش تصویر را یاد خواهید گرفت.

نکته مهم در این دوره این است که شما با یک ماشین بدون راننده واقعی کار خواهید کرد و همه اش تئوری نیست و کاملا کاربردی است.

پیش نیازها و الزامات

شما باید دانش زیر را داشته باشید:

پایتون متوسط (کلاسها ، ساختارهای داده)
برنامه نویسی C متوسط (کلاسها ، مدیریت حافظه ، پیوند دادن)
جبر خطی پایه (ماتریس ، بردار ، ضرب ماتریس)
حسابان (مشتقات ، انتگرال ها)
آمار (میانگین ، انحراف معیار ، توزیع گوسی)
فیزیک پایه (نیروها)

دوره 1: مقدمه

در این دوره ، شما در مورد چگونگی کارکرد اتومبیل های خودران یاد خواهید گرفت و در اولین پروژه اتومبیل مستقل خود ( پیدا کردن خطوط در جاده ها )  شروع به کار خواهید کرد.

دوره 2: بینایی ماشین

برای یافتن خطوط در جاده های دشوار و ردیابی وسایل نقلیه ترکیبی از دوربین ، نرم افزار و یادگیری ماشین استفاده خواهید کرد. شما با کالیبراسیون دوربین ها و دستکاری تصاویر شروع خواهید کرد و با استفاده از ماشین های بردار پشتیبان و درخت تصمیم گیری برای استخراج اطلاعات از یک فیلم خاتمه خواهید یافت.

پروژه دوره : یافتن خطوط باند در جاده ها

در این پروژه ، شما در حال نوشتن کد برای شناسایی خطوط خط در جاده ، ابتدا در یک تصویر ، و بعداً در یک جریان ویدیویی هستید ( فیلم واقعی ). برای تکمیل این پروژه ، از ابزاری که در درس آموخته اید استفاده خواهید کرد و بر اساس آنها کار خواهید کرد.

پروژه دوره : یافتن خط پیشرفته

در این پروژه ، هدف شما نوشتن نرم افزاری برای شناسایی مرزهای خط در یک فیلم از یک دوربین جلوی ماشین است.

دوره 3: یادگیری عمیق

یادگیری عمیق به مهمترین مرز هم در یادگیری ماشین و هم در توسعه وسایل نقلیه مستقل تبدیل شده است. کارشناسان NVIDIA و Uber ATG ساخت شبکه های عصبی عمیق و آموزش آنها را با داده های دنیای واقعی و شبیه ساز به شما آموزش می دهند.
با پایان این دوره ، شما می توانید شبکه های عصبی کانولوشن را برای طبقه بندی علائم راهنمایی و رانندگی یک وسیله نقلیه در شبیه ساز به همان روشی که خودتان رانندگی می کنید آموزش دهید!

درس اول : شبکه های عصبی

ساختن و آموزش شبکه های عصبی را بیاموزید ، از مبانی رگرسیون خطی و لجستیک شروع کنید و در اواخر شبکه های انتزاعی و ادراک چند لایه به نتیجه برسید.

درس دوم : TensorFlow

وینسنت وانوچک ، دانشمند اصلی در Google Brain ، شما را با یادگیری عمیق و TensorFlow ، چارچوب یادگیری عمیق Google آشنا می کند.

درس سوم : شبکه های عصبی عمیق

وینسنت شما را راهنمایی می کند که چگونه از یک شبکه عصبی ساده به یک شبکه عصبی عمیق بروید. شما در مورد اینکه چرا لایه های اضافی می توانند کمک کنند و همچنین نحوه جلوگیری از over fitting ، یاد خواهید گرفت.

درس چهارم : شبکه های عصبی کانولوشن

وینسنت نظریه پشتیبان شبکه های عصبی Convolutional و چگونگی کمک به آنها را در بهبود چشمگیر عملکرد در طبقه بندی تصاویر توضیح می دهد.

درس پنجم : کراس Keras

شبکه عصبی را در چارچوب کدنویسی کن. (کراس). شگفت زده خواهید شد که برای ساخت و آموزش شبکه های عصبی عمیق به چند خط کد نیاز دارید!

درس ششم : انتقال یادگیری

با برخی از معروف ترین معماری های شبکه عصبی و نحوه استفاده از آنها آشنا شوید. در پایان این درس ، شما می دانید که چگونه با استفاده از شبکه های متعارف موجود، مدل های جدیدی ایجاد کنید.

پروژه دوره : طبقه بندی علامت راهنمایی و رانندگی

شما با یادگیری عمیق ، تازه اول راه هستید. اکنون مهارت های خود را با استفاده از یادگیری عمیق برای طبقه بندی علائم مختلف راهنمایی رانندگی امتحان کنید! در این پروژه ، برای طبقه بندی علائم راهنمایی و رانندگی از آنچه در مورد شبکه های عصبی عمیق و شبکه های عصبی کانولوشن آموخته اید ، استفاده خواهید کرد.

پروژه دوره : شبیه سازی رفتاری

مهارت های یادگیری عمیق خود را با این پروژه امتحان کنید! یک شبکه عصبی عمیق را آموزش دهید تا مانند شما اتومبیل رانندگی کنید!

آموزش دوره اتومبیل مستقل

دوره 4: Sensor Fusion

ردیابی اشیا با گذشت زمان چالشی اساسی برای درک محیط اطراف یک وسیله نقلیه است.
مهندسان sensor fusion از مرسدس بنز به شما نشان می دهند که چگونه برنامه های اساسی ریاضی به نام فیلترهای کالمان را برنامه ریزی کنید. این فیلترها محل قرارگیری سایر وسایل نقلیه در جاده را با قطعیت پیش بینی و تعیین می کنند. حتی با استفاده از یک تکنیک پیشرفته: فیلتر توسعه یافته Kalman ، یاد می گیرید این کار را با اشیایی که به سختی قابل پیگیری هستند انجام دهید.

درس اول: حسگرها

با تیمی در مرسدس آشنا شوید که به شما کمک می کند اشیا را ردیابی کنید در زمان واقعی با سنسور (حسگرها).

درس دوم: فیلترهای کالمن

از بهترین ها بیاموزید! سباستین ترون شما را در استفاده و مفاهیم فیلتر کالمن با استفاده از پایتون راهنمایی می کند.

درس سوم: checkpoint  در زبان سی پلاس پلاس

آیا آماده ساخت فیلترهای Kalman با C ++ هستید؟ 

درس چهارم: فیلترهای Extended Kalman

در این درس ، شما یک فیلتر Kalman در C ++ خواهید ساخت که توانایی مدیریت داده ها از چندین منبع را دارد. چرا C ++؟ عملکرد آن امکان استفاده از ردیابی اشیا با فیلتر Kalman را در زمان واقعی فراهم می کند.

پروژه دوره: فیلتر کالمن Extended

در این پروژه ، با اجرای یک فیلتر Extended Kalman در ++ C ، هر آنچه را که تاکنون درباره Sensor Fusion آموخته اید ، اعمال خواهید کرد!

دوره 5: محلی سازی

محلی سازی نحوه تعیین موقعیت وسیله نقلیه ما در جهان است. GPS عالی است ، اما فقط در چند متری دقیق است. ما به دقت سطح یک سانتی متر تک رقمی نیاز داریم! برای دستیابی به این هدف ، مهندسان مرسدس بنز اصول محلی سازی ماركوف را برای برنامه ریزی یك فیلتر ذرات ، كه با استفاده از داده ها و نقشه برای تعیین محل دقیق یك وسیله نقلیه ، نشان می دهند.

دوره 6: برنامه ریزی مسیر

برنامه ریزی مسیر ، وسیله نقلیه را از یک نقطه به نقطه دیگر هدایت می کند و نحوه واکنش در هنگام بروز شرایط اضطراری را کنترل می کند. تیم اطلاعاتی مرسدس بنز وسیله نقلیه شما را در سه مرحله برنامه ریزی مسیر طی می کند.
ابتدا روشهای مبتنی بر مدل و داده محور را برای پیش بینی نحوه رفتار سایر وسایل نقلیه در جاده اعمال خواهید کرد. سپس شما یک ماشین حالت محدود برای تصمیم گیری در مورد اینکه کدام یک از مانورهای مختلف وسیله نقلیه شخصی شما را انجام می دهد ، می سازید. سرانجام ، یک مسیر ایمن و راحت برای اجرای آن مانور ایجاد خواهید کرد.

دوره 7: کنترل

در نهایت ، یک اتومبیل خودران هنوز یک ماشین است و ما باید دستورات فرمان ، گاز و ترمز را ارسال کنیم تا ماشین در جاده حرکت کند. Uber ATG شما را در ساخت کنترل کننده های متناسب-انتگرال-مشتق (PID) و مدل های کنترل کننده پیش بینی راهنمایی می کند. بین این الگوریتم های کنترل ، با تکنیک های اساسی و پیشرفته برای تحریک خودرو آشنا خواهید شد.

دوره 8: یکپارچه سازی سیستم

هر چی در طول این آموزش یاد خواهید گرفت را با هم ترکیب می کنیم.

نوشته دوره پیشرفته و جامع مهندسی ماشین های بدون راننده اولین بار در ایران متلب پدیدار شد.

چرا این آموزش ؟

در سالهای اخیر سیل علاقه مندان بسیار زیادی وارد بورس شده اند و برخی از آنها سودهای میلیاردی نصیب خود کرده اند. برخی از آنها به تحلیل های اقتصادی و تکنیکال بورس آشنایی دارند و می توانند روند تغییر قیمت در بورس را پیش بینی کنند. اما همه این دانش و توانایی را ندارند.

خبری در سایت CNN امده است که غول فناوری دنیا IBM ، یک سخت‌افزار ویژه برای استفاده از هوش مصنوعی در علم اقتصاد طراحی کرده است که نشان می دهد هوش مصنوعی چقدر می تواند به فعالین بورس کمک کند. 

یکی از ابزارهای بسیار پرکاربرد و مفید در جهان، هوش مصنوعی می باشد. هم اکنون ماشین های بدون راننده با کمک الگوریتم های هوش مصنوعی در خیابان های تعدادی از کشورهای دنیا در حال رفت و آمد هستند که نشان دهنده قدرت و کاربردی بودن هوش مصنوعی دارد. گروه ایران متلب بنا به تجربه طولانی خود با مدلهای مختلف هوش مصنوعی، تصمیم گرفت این آموزش منحصربفرد را تهیه و عرضه کند. برای تهیه این آموزش چندین پایان‌نامه ارشد و دکتری در رشته های اقتصاد و مهندسی و کامپیوتر مطالعه شده است.

سرفصل های آموزش :

(با توجه به انحصاری بودن این آموزش، سرفصل ها حذف شد، در آموزش اصلی که برای شما ارسال می شود، سرفصل ها کامل وجود دارند)

ما در قسمت برنامه نویسی هم از متلب و هم از پایتون استفاده کرده ایم.

نوشته بسته آموزشی جامع پیش بینی بورس با هوش مصنوعی 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.

به عنوان مثال در شکل بالا داده های یک دیتاست نشان داده شده اند. این داده ها دارای دو خوشه می باشند که یک خوشه با رنگ سبز و خوشه دیگر با رنگ آبی مشخص شده است. همانطور که می بینید داده های خوشه اول در فاصله نزدیکی نسبت به هم قرار دارند و فاصله آنها از داده های خوشه دوم زیاد می باشد. معیار تمایز در این مثال فاصله می باشد.

مثالهای کاربردی خوشه بندی:

بازار: بازاریان می توانند با کمک خوشه بندی، داده های بازار را به چندین گروه متمایز بخش بندی می کنند و متناسب با این خوشه بندی، سیاست آینده بازار را بریزند و محصولی را وارد بازار کنند که مشتری بیشتری داشته باشد.

بیمه : شناسایی گروه ای از بیمه ها که تقاضای پرداخت خسارت زیادتر دارند.

بیولوژی: محققین بیولوژی از خوشه بندی برای آنالیز اطلاعات گسترده ژنتیکی بسیار استفاده می کنند. به عنوان مثال، خوشه بندی برای یافتن گروه های ژنی یکسان استفاده می شود.

کاربردهای دیگر خوشه بندی در موتورهای توصیه کننده (Recommendation engines) و آنالیز شبکه های اجتماعی (Social network analysis) و گروه بندی تایج جستجو  (Search result grouping) و پردازش تصاویر پزشکی و بخش بندی تصویر و تشخیص ناهنجاری   (Anomaly detection) می باشد.

خوشه بندی در متلب :

تولباکس یادگیری ماشین متلب تکنیک های خوشه بندی زیادی را پشتبانی می کند :

خوشه بندی سلسله مراتبی (Hierarchical Clustering)

خوشه بندی k-means و k-medoids

خوشه بندی مکانی الگوریتم هایی با نویز مبتنی بر تراکم (DBSCAN) (Density-Based Spatial Clustering of Algorithms with Noise)

مدل مخلوط گایوسین  (Gaussian Mixture Model)

جستجوی نزدیکترین همسایه و جستوجی شعاعی (k-Nearest Neighbor Search and Radius Search)

خوشه بندی طیفی (Spectral Clustering)

همچنین شما می توانید با ارزیابی خوشه (cluster evaluation ) ، تعداد بهینه خوشه ها را با استفاده از معیارهای ارزیابی مختلف تعیین کنید. متلب هم چنین امکان رسم نمودارهای dendrograms و silhouette را فراهم می کند تا به صورت گرافیکی هم بتوانید خوشه ها را ببینید.

نوشته آموزش کامل خوشه بندی Clustering اولین بار در ایران متلب پدیدار شد.

ویژگیهای ابزار دسته بندی کننده متلب :

نیازی به هیچ کدنویسی نیست

امکان مقایسه چندین مدل تنها با یک کلیک

استفاده از پردازش موازی

محاسبه معیارهای خروجی تنها با یک کلیک

این آموزش اختصاص به ابزار دسته بندی کننده متلب (Classification Learner app) دارد و قسمت هفتم بسته جامع آموزش یادگیری ماشین می باشد. فلوچارت یک کار در این ابزار را می توانید در شکل زیر مشاهده کنید:

شما می توانید از این ابزار برای آموزش مدلهای : درخت تصمیم، ماشین بردار پشتیبان ، نزدیکترین همسایه، بیز ساده ، تجزیه و تحلیل تمایز، رگرسیون لجستیک، دسته بندی تجمعی استفاده کنید. همچنین می توانید انتخاب ویژگی انجام دهید، نوع اعتبارسنجی مشخص کنید و ارزیابی نتایج را انجام دهید. در انتهای فرایند کار شما می توانید مدل را وارد فضای کاری کنید یا کدهای متلب مدل خود را اتوماتیک تولید کنید. تولید کدهای متلب به شما کمک می کند که برنامه متلب مدل خود را هم ببینید و برنامه نویسی متلب یادگیری ماشین را یاد بگیرید.

شما در این ابزار می توانید ماتریس confusion و نمودار scatter و ROC را رسم کنید و بهتر بتوانید دسته بندی کننده مورد نظر خود را مورد ارزیابی قرار دهید.

یکی دیگر از قابلیت های این ابزار امکان بهینه سازی دسته بندی کننده های مختلف می باشد. پارامترهایی که می توانید بهینه سازی کنید در جدول زیر مشخص شده اند :

مدت زمان : 2 ساعت و 6 دقیقه

پیش نمایش

دانلود پیش نمایش (کیفیت بالا)

نوشته آموزش ابزار یادگیری دسته بندی کننده در متلب اولین بار در ایران متلب پدیدار شد.

این آموزش قسمت ششم بسته جامع آموزشی یادگیری ماشین می باشد. شما در این آموزش ابتدا با مفاهیم تئوری دسته بندی کننده بیز آشنا می شوید و سپس برنامه نویسی متلب آنرا یاد خواهید گرفت.

مدت زمان : 2 ساعت و ریع

پیش نمایش

دانلود پیش نمایش (کیفیت بالا)

نوشته برنامه نویسی متلب دسته بندی بیز ساده اولین بار در ایران متلب پدیدار شد.

الگوریتم نزدیکترین همسایه یکی از روشهای یادگیری ماشین غیرپارامتری می باشد که برای دسته بندی و رگرسیون استفاده می شود. منظور از غیرپارامتری ، یعنی این روش هیچ گونه پیش فرضی از نحوه توزیع داده ها ندارد و فقط کافی است داده به ورودی آن اعمال شود. این روش ساختار خود را بر اساس داده ورودی تنظیم می کند. پس در مواقعی که دانش کمی یا هیچ دانشی از نحوه توزیع داده ها موجود نیست، خوب است که روش KNN مورد تست قرار گیرد.

اصل کار الگوریتم نزدیکترین همسایه بر اساس فاصله است. معیاری به نام فاصله در این روش مشخص کننده همسایه می باشد. تعیین معیار همسایه تاثیر بسیار زیادی بر راندمان دسته بندی کننده دارد. یک مقاله در سال 2019 یک مرور بر تمامی معیارهای همسایه انجام داده است که در کنار کدهای همراه این فیلم آموزشی قابل مشاهده است.

KNN بسیار سریع است یعنی برخلاف برخی از مدلهای یادگیری ماشین که زمان طولانی برای آموزش لازم دارند. KNN فرایند آموزش سریعی دارد اما گاهی نیاز به حجم حافظه زیادی دارد تا محاسبات خود آموزش آن انجام شود اما در مرحله تست بسیار سریع جواب می دهد چون فقط کافی است که مقدا فاصله را حساب کند و بر اساس مقدار فاصله، خروجی را تولید کند.

سرفصل :

در ابتدا مفهوم نزدیکترین همسایه با مثال توضیح داده و سپس مقداری در مورد کاربردهای آن گفته میشود. ارتباط نزدیکترین همسایه با KNN classification و local weighted regression و missing data imputation and interpolation و density estimation و K-means clustering گفته میشود.

معیار فاصله یکی از پارامترهای مهم در KNN هست که با تعدادی از آنها با هم آشنا خواهیم شد.

Cityblock و chebychev و correlation و cosine و Euclidean وhamming و jaccard و mahalanobis و minkowski و spearman

معیار فاصله سفارشی

تابع rangesearch و چند مثال

تابع knnsearch و چند مثال

فرق kdtree و exhaustive

جستجوی نزدیکترین همسایه با جستجوی  exhaustive

جستجوی نزدیکترین همسایه با جستجوی  kdtree

چند مثال برنامه نویسی

تغییر تعداد همسایه ها

تاثیر فاصله در راندمان KNN

مفهوم ties و گزینه BreakTies

گزینه BucketSize

گزینه DistanceWeight

توان در فاصله Minkowski

چگونه مقدار بهینه تعداد همسایه ها را پیدا کنیم؟

تاثیر k در راندمان نهایی

گزینه PredictorNames

گزینه ResponseName

گزینه ScoreTransform

استانداریزه کردن داده ها

ساخت template برای KNN

ترکیب fitcecoc و KNN

بهینه سازی دسته بندی کننده KNN

یافتن مقادیر بهینه تعداد همسایه ها و معیار فاصله و وزن فاصله و توان در KNN

مدت زمان : 200 دقیقه

پیش نمایش

دانلود پیش نمایش (کیفیت بالا)

نوشته برنامه نویسی متلب نزدیکترین همسایه اولین بار در ایران متلب پدیدار شد.

در شکل بالا یک درخت تصمیم ساده نشان داده شده است. این درخت تصمیم برای دسته بندی یک فرد بر اساس سه ویژگی ورزش و خوردن پیتزا و سن تشکیل شده است. خروجی این درخت تصمیم یکی از دو کلاس Fit و Unfit می باشد. از انواع درخت های تصمیم می توان C4.5 و C5 و Meta Decision Tree و Random Forest وJ48 را نام برد.

المانهای اصلی تشکیل دهنده یک درخت تصمیم :

Root Node (گره ریشه): اصلی ترین گره در درخت تصمیم می باشد و عملیات درخت تصمیم از این گره آغاز می شود. 

Decision Node (گره تصمیم گیری): گره هایی که به چند بخش تقسیم می شوند و متناسب با اندازه متغییر ورودی یکی از دو مسیر را مشخص می کنند. 

Leaf / Terminal Node (گره پایانی / برگ): گره های انتهایی یک درخت تصمیم هستند که اغلب مشخص کننده یکی از کلاسهای خروجی می باشند.

مزیت های درخت تصمیم :

• سادگی درک و تفسیر و نمایش
• امکان پیاده سازی سخت افزاری راحت
• قابلیت کار هم با داده های عددی و هم دسته بندی شده
• امکان مدلسازی مسئله های چند خروجی
• برعکس شبکه های عصبی که مثل یک جعبه سیاه هستند اما درخت تصمیم عملکرد آن به راحتی توسط شخص استفاده کننده، قابل درک است.

ارسال لینک های دانلود به ایمیل شما

این فیلم آموزشی اختصاص به پیاده سازی متلب درخت تصمیم دارد. این آموزش مناسب هر شخصی می باشد که می خواهد برنامه نویسی متلب درخت تصمیم را یاد بگیرد . شما به هیچ پیش نیاز ریاضی یا مهندسی برای این آموزش نیاز ندارید. به شما اطمینان می دهیم که از این آموزش نهایت لذت را ببرید.

محتوی این فیلم آموزشی :

در ابتدا مقداری تئوری درخت تصمیم گفته می شود، سپس برنامه نویسی مقدماتی با چندین مثال ساده شروع میشود و به مرور مثالهای کاملتری آموزش داده می شود. شما با نحوه نمایش یک درخت تصمیم در متلب هم آشنا می شوید. مثالهایی از cross-validation هم گفته می شود. عملیات هرس کردن pruning به صورت عملی در متلب پیاده سازی و مفهوم سطح هرس بیان می شود. سپس گزینه های قابل دسترس برای تنطمیمات درخت تصمیم در متلب گفته می شود و در نهایت نحوه بهینه سازی یک  درخت تصمیم به صورت عملی در متلب آموزش داده می شود. همراه با این آموزش 13 کد متلب درخت تصمیم هم قرار دارد که در آموزش خط به خط آنها توضیح کامل داده شده است. 

تعدادی از کدهای این آموزش را می توانید در GitHub ایران متلب مشاهده کنید:

https://github.com/PymatFlow/MATLABDecisionTree

پیش نمایش

دانلود پیش نمایش (کیفیت بالا)

مدت زمان : 214 دقیقه

نوشته برنامه نویسی متلب درخت تصمیم اولین بار در ایران متلب پدیدار شد.

ما در این آموزش از تجربه 15 ساله خود در برنامه نویسی متلب در پروژه های مختلف استفاده کردیم و سعی کردیم تمامی مباحث مهم که یک برنامه نویس لازم دارد تا ماشین بردار پشتیان را استفاده کند را پوشش بدهیم.

اگر شما برنامه نویسی متلب ضعیفی هم دارید می توانید از کدهای آماده ای که در کنار این آموزش قرار دارد استفاده کنید و تنها دیتاست ورودی برنامه را تغییر دهید و برای دیتاست پروژه خود استفاده کنید.

نرم افزار متلب در سالهای خیلی قبل تابع svmtrain را معرفی کرد ولی این تابع مشکلات زیادی داشت و خیلی از کاربران مجبور بودند از کتابخانه های دیگر مثل libsvm استفاده کنند. اما متلب در سالهای اخیر یک تابع جدید معرفی کرد (fitcsvm) که مشکل تابع قبلی را نداشت و دارای قابلیت های بسیار زیادی است که کار برنامه نویسی متلب ماشین بردار پشتیبان SVM را ساده می کند. ما در این آموزش قصد داریم شما را با این ابزار آشنا کنیم. مثالهای بسیار زیادی در کنار این آموزش گنجانده شده است که به شما در درک نحوه کار با SVM بسیار کمک می کند. همه مثالها در این فیلم آموزشی خط به خط توضیح داده شده است.

هزینه ای که شما برای این آموزش پرداخت می کنید، در کنار ساعات بسیار زیادی که صرف خواندن مراجع مختلف و تست کدهای مختلف متلب شده ، بسیار ناچیز است. امیدواریم این آموزش هم بتواند مانند آموزش های قبلی راهگشای شما دوستان گرامی باشد.

تعداد مثال بالا و نمونه کد:

تعداد بیست و یک نمونه کد متلب در کنار این فیلم آموزشی قرار دارد که در هیچ جایی در اینترنت و کتاب قابل دسترسی نیست.

سرفصل :

خلاصه ای از تاریخچه ماشین بردار پشتیبان

برخی از کاربردهای SVM

مفهوم های کلیدی در ماشین بردار پشتیبان

مفهوم margin

ماشین بردار چیست؟

مفهوم کرنل مفهوم کرنل kernel

بهترین hyperplane

Binary classification

خصوصیات مهم SVM

سرعت SVM

مقدار فضای اشغال شده از حافظه

دیتاست های بعد کم و بعد متوسط

معرفی fitcsvm

معرفی نوع solver

کرنل های مورد استفاده در متلب

فرمول هر کرنل

فرایند بهینه سازی

الگوریتم ISDA و L1QP  و SMO

داده های ورودی آموزش

سطر و ستون در داده ها

مثال یک فایل excel

گرفتن خروجی در مدل SVM

خروجی score

مثال تشخیص سرطان سینه با ماشین بردار پشتیبان

تحلیل classificationSVM

مشخص کردن داده های پشتیبان

توضیح فیلدهای خروجی SVM object

گزینه BoxConstraint

تاثیر BoxConstraint بر راندمان مدل

گزینه KernelScale

افزایش سرعت آموزش

گزینه PolynomialOrder

گزینه KernelOffset

گزینه Alpha

گزینه CacheSize

Nu

کنترل تعداد تکرارها در آموزش

دستور resume

گزینه verbose

ClassNames

استفاده از cross validation

Holdout

محاسبه ماتریس confusion

رسم performance curve

ResponseName

ScoreTransform

CrossVal

kFoldPredict

تفاوت ماشین بردار پشتیبان خروجی cross validation و fitcsvm

Kfold

گزینه Holdout

کنترل همگرامی

DeltaGradientTolerance

GapTolerance

IterationLimit

حداکثر تعداد تکرار بهینه سازی عددی

KKTTolerance

ShrinkagePeriod

گزینه های بهینه سازی Hyperparameter

‘none’ و ‘auto’ و ‘all’

بهینه سازی پارامترهای ماشین بردار پشتیبان

چه پارامترهایی را در SVM میتوان بهینه کرد؟

مدل فشرده

تفاوت مدل compact و معمولی

محدودیت های ماشین بردار پشتیبان

برای داده های با ویژگی زیاد از کدام تابع برای ماشین بردار پشتیبان استفاده کنیم؟

کاهش وابستگی داده ها به بازه تغییرات داده ها

بهترین روش محاسبه راندمان SVM چیست؟

کاهش زمان یادگیری با چه پارامتری متناسب است؟

افزایش سرعت همگرایی با چه پارامتری متناسب است؟

داده های تکراری

مثال برنامه نویسی ماشین بردار پشتیان چند کلاسه

تابع fitcecoc

ساخت قالب Template SVM

مثال برنامه نویسی برای نشان دادن تاثیر استاندارد کردن داده ها

مثال برنامه نویسی k-fold

مثال برنامه نویسی کرنل سفارشی برای ماشین بردار پشتیبان

misclassification

مثال برنامه نویسی بهینه سازی پارامترهای ماشین بردار پشتیبان

گزینه optimizer

نقاط best observed

نقاط best estimated

پیش نمایش اول

لینک دانلود پیش نمایش اول

پیش نمایش دوم

لینک دانلود پیش نمایش دوم

پیش نمایش سوم

لینک دانلود پیش نمایش سوم

مدت زمان : 172 دقیقه

توصیه :

جهت درک بهتر ماشین بردار پشتیان به علاقه مندان توصیه می شود فیلم آموزشی تئوری ماشین بردار پشتیبان را ابتدا تهیه کنند تا با مفاهیم آن به طور کامل آشنا شوند. این فیلم آموزشی توسط سه نفر از دانشجویان دانشگاه صنعتی اصفهان تهیه شده است. جهت مشاهده این فیلم آموزشی بر روی تصویر زیر کلیک کنید:

نوشته برنامه نویسی متلب ماشین بردار پشتیبان اولین بار در ایران متلب پدیدار شد.