<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>بایگانی‌ها مدرک معتبر LIBSVM - ایران متلب</title>
	<atom:link href="https://iran-matlab.ir/product-tag/%d9%85%d8%af%d8%b1%da%a9-%d9%85%d8%b9%d8%aa%d8%a8%d8%b1-libsvm/feed/" rel="self" type="application/rss+xml" />
	<link>https://iran-matlab.ir/product-tag/مدرک-معتبر-libsvm/</link>
	<description>بزرگترین مرجع فیلم های آموزشی دانشگاهی و مهندسی</description>
	<lastBuildDate>Wed, 07 Jan 2026 12:22:54 +0000</lastBuildDate>
	<language>fa-IR</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	

<image>
	<url>https://iran-matlab.ir/wp-content/uploads/2022/11/cropped-icon512-32x32.png</url>
	<title>بایگانی‌ها مدرک معتبر LIBSVM - ایران متلب</title>
	<link>https://iran-matlab.ir/product-tag/مدرک-معتبر-libsvm/</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>فیلم آموزشی libsvm</title>
		<link>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/</link>
					<comments>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</comments>
		
		<dc:creator><![CDATA[ایران متلب]]></dc:creator>
		<pubDate>Sat, 28 May 2016 18:24:34 +0000</pubDate>
				<guid isPermaLink="false">https://iran-matlab.ir/?post_type=product&#038;p=3381</guid>

					<description><![CDATA[<p>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 [&#8230;]</p>
<p>نوشته <a href="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/">فیلم آموزشی libsvm</a> اولین بار در <a href="https://iran-matlab.ir">ایران متلب</a> پدیدار شد.</p>
]]></description>
										<content:encoded><![CDATA[<p style="text-align: justify;"><span style="font-size: 14pt; line-height: 2.5em; color: #333333;">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 <a href="https://www.csie.ntu.edu.tw/~cjlin/libsvm/" target="_blank" rel="noopener">LIBSVM</a> 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.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt; line-height: 2.5em; color: #333333;">نرمافزار <a style="color: #333333;" href="https://www.csie.ntu.edu.tw/~cjlin/libsvm/" target="_blank" rel="noopener">LIBSVM </a>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.</span><br />
<span style="font-size: 14pt; line-height: 2.5em; color: #333333;"> 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.</span><br />
<span style="font-size: 14pt; line-height: 2.5em; color: #333333;"> هسته خطي هيچ پارامتري ندارد و بنابراين تنها يك حالت اجرا دارد.</span><br />
<span style="font-size: 14pt; line-height: 2.5em; color: #333333;"> 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.</span><br />
<span style="font-size: 14pt; line-height: 2.5em; color: #333333;"> 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.</span><br />
<span style="font-size: 14pt; line-height: 2.5em; color: #333333;"> 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.</span></p>
<h2 style="text-align: justify;"><span style="color: #ff6600;">توضیح فیلم آموزشی libsvm : </span></h2>
<p style="text-align: justify;"><span style="font-size: 14pt; line-height: 2.5em; color: #333333;">یک فیلم آموزشی از نحوه استفاده از libsvm در متلب برای شما تهیه شده است که می توانید در همین صفحه آنرا سفارش دهید.</span></p>
<p style="text-align: justify;"><span style="font-size: 14pt; line-height: 2.5em; color: #333333;">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.</span></p>
<p>&nbsp;</p>
<p>نوشته <a href="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/">فیلم آموزشی libsvm</a> اولین بار در <a href="https://iran-matlab.ir">ایران متلب</a> پدیدار شد.</p>
]]></content:encoded>
					
					<wfw:commentRss>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/</wfw:commentRss>
			<slash:comments>2</slash:comments>
		
		
			</item>
	</channel>
</rss>
