هوش مصنوعی – یادگیری عمیق

یکی از زمینه های بسیار جذاب و پرکاربرد در قرن اخیر هوش مصنوعی می باشد. هم اکنون کاربردهای بسیار زیادی برای هوش مصنوعی در جهان اطراف ما قابل مشاهده است مثل ماشین های بدون راننده ، دستیاران صوتی، مترجم های آنلاین، رباتهای هوشمند، نرم افزارهای تشخیص بیماری ، الگوریتم های هوشمند داده کاوی، تشخیص چهره، ربات سخن گو، پیش بینی بورس و نمودارهای مالی .

هوش مصنوعی – یادگیری عمیق – کاربرد

هوش مصنوعی دانش بسیار گسترده ای می باشد که بخشی از آن یادگیری عمیق می باشد. یادگیری عمیق یکی از موضوعات بسیار داغ و جذاب می باشد که علاقه مندان بسیار زیادی پیدا کرده است. یکی از دلایل این علاقه سادگی کار و نتایج حیرت کننده حاصل از آن می باشد. به عنوان مثال برای تشخیص یک شی در تصویر، اگر بخواهید از روشهای قدیمی استفاده کنید باید استخراج ویژگی انجام دهید و سپس یک مدل دسته بندی کننده انتخاب کنید. این فرایند بسیار زمان بر و تخصصی می باشد و می بایست یک فرد متخصص نوع ویژگی ها و پارامترهای آنها را تنظیم کند. اما با یادگیری عمیق شما فقط کافی است که ساختار مدل خود را طراحی کنید و نیازی به مرحله استخراج ویژگی ندارید و تمامی فرایند توسط لایه های مدل یادگیری عمیق انجام می شود.

دلیل بعدی جذابیت کار در یادگیری عمیق ، مدلهای آماده بسیار زیاد موجود می باشد که فرایند طراحی و آموزش و تست را بسیار کوتاه می کند و شما با توجه به مفهوم transfer learning یک مدل آماده را برای کاربرد خود تغییر می دهید. یعنی دیگر لازم نیست چرخ را از اول اختراع کنید و همه فرایند سخت و طاقت فرسای طراحی مدل هوشمند خود را از صفر شروع کنید. الان مدلهای آماده ای وجود دارند که با دقت بالایی می توانند 1000 کلاس مختلف تصویری را شناسایی کنند. یعنی شما مدل را import می کنید و تصویر بهش می دهید و برای شما کار شناسایی را انجام می دهد. به عبارت ساده تر هولو برو تو گلو. 🙂

قسمت اول

مبانی و مقدمات یادگیری عمیق

قسمت دوم

پیاده سازی و برنامه نویسی در متلب

مدرس :

قیصری (مدیر گروه ایران متلب با سابقه 15 ساله در متلب و زبان های مختلف برنامه نویسی)

نوشته بسته آموزشی جامع یادگیری عمیق Deep Learning 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.

 در 1985،  ساتوشی واتناب   الکو را به صورت  نقطه مقابل اشفتگی  تعریف کرده است: یک واحد کامل، با تعریف مبهم که می تواند به یک نام داده شود: به عبارت دیکر، یک الگو  می تواند  هر  شی یا بخش مورد نظر باشد که برای تشخیص و شناسایی لازم است. لازم  به ذکر است که   افراد  خواهان  درک نام هستند. مثال هایی از الگو ها به شرح زیر هستند: یک پیکسل در یک تصویر، یک شکل دو یا سه بعدی، یک   کاراکتر تایپ شده  یا دست نویس،  با  اثر انگشت، رد پا، صورت انسان، صدای فردف سیگنال صوت،  سری های زمانی ECG،  یک ساختمان یا شکل حیوان باشد.

 یک سیستم تشخیص الگو(PRS)  یک سیستم خودکار است که هدف آن طبقه بندی الگو های ورودی به یک کلاس ویژه است. این دو کار متوالی را انجام می دهد: 1-  تحلیل یا توصیفی که ویژگی ها را از الگوی مطالعه شده استخراچ کند و 2-   طبقه بندی یا تشخیصی که ما را قادر به  تشخیص یک شی یا الگو با استفاده از ویژگی های بر گرفته  شده   از اولین کار ، می کند

 این  وب سایتی برای دوره های اموزشی تشخیص الکو می باشد که در  اولین  سال  لیسانس  تدریس می شوذ. مواد ارایه شده انقدر کامل هستند که به عنوان یک دستور العمل  اموزشی در نظر گرفته می شود.

 فنون تشخیص الگو مربوط به تئوری ها و الگوریتم های  انتزاعی می باشد. روش های تشخیص الکو در  بسیاری از  زمینه ها مفید هستند. نظیر  بازیابی اطلاعات، داده کاوی، تحلیل تصویر سند و شناخت، زبان شناسی محاسباتی، پزشکی قانونی، بیومتریک و بیوانفورماتیک. وب سایت هایی برای دوره های مربوط به داده کاوی و یادگیری ماشینی وجود دارند.

 بیشتر موضوعات مربوط به روش های طبقه بندی آماری هستند. آن ها شامل روش های  مولد  نظیر روش های مبتنی بر تئوری بیزین تصمیم گیری و روش های براورد پارامتر و براورد تراکم هستند. روش های   دیگر شامل  طبقه بندی نزدیک ترین همسایه،  ماشین های بردار پشتیبان هستند. شبکه های عصبی مصنوعی، ترکیب  دسته بند و خوشه بندی از اجزای اصلی تشخیص  الگو هستند.

 یک دوره اموزشی در زمینه احتمال می تواند پیش نیاز باشد

 برنامه های  فنون تشخیص الکو با پروژه های مربوط به تشخیص  اثر  انگشت،  تشخیص دست خط و   تایید دست خط   نشان داده می شوند.

جلسه اول
 

جلسه دوم
 

جلسه سوم
 

جلسه چهارم
 

جلسه پنجم
 

جلسه ششم
 

جلسه هفتم
 

جلسه هشتم
 

جلسه نهم
 

جلسه دهم
 

جلسه یازدهم
 

جلسه دوازدهم
 

جلسه سیزدهم
 

جلسه چهاردهم
 

جلسه پانزدهم
 

جلسه شانزدهم
 

جلسه هفدهم
 

جلسه هیجدهم
 

جلسه نوزدهم
 

جلسه بیستم
 

جلسه بیست و یکم
 

جلسه بیست و دو
 

جلسه بیست و سوم
 

نوشته آموزش فارسی شناسایی الگو اولین بار در ایران متلب پدیدار شد.

TensorFlow در ابتدا توسط محققین و مهندسین شاغل در گوگل توسعه پیدا کرد. این مهندسین در تیم یادگیری ماشین گوگل مشغول به کار بودند و هدف آنها ارائه یک کتابخانه برای تحقیقات یادگیری ماشین و شبکه های عصبی عمیق بود اما برای آن کاربردهای مختلف دیگری هم ارائه شد.

گراف جریان داده چیست؟

گراف جریان داده محاسبات ریاضی را به صورت گراف جهت دار از لبه ها و گره بیان می کند. گره ها معمولا عملیات ریاضی را پیاده سازی می کنند اما می توانند نقطه پایانی داده یا نتایج یا محل ورود و خروج متغییرها هم باشند. لبه ها ارتباطات ورودی/خروجی بین گره ها را بیان می کنند. لبه ها آرایه های داده چند بعدی دارای اندازه متغییر را حمل می کنند که به نام tensor شناخته می شوند. جریان tensor ها در گراف ، بیان کننده همان نام TensorFlow می باشد.

ایران متلب با کمک سابقه طولانی خود در یادگیری ماشین ، آموزش TensorFlow به زبان فارسی را جهت استفاده علاقه مندان تهیه کرده است. پیش نیاز این آموزش ، آموزش زبان برنامه نویسی پایتون می باشد.

پیش نمایش :

لینک دانلود پیش نمایش (کیفیت بالا)

پیش نمایش 1 :

لینک دانلود پیش نمایش 1 (کیفیت بالا)

پیش نمایش 2 :

لینک دانلود پیش نمایش 2 (کیفیت بالا)

پیش نمایش 3 :

لینک دانلود پیش نمایش 3 (کیفیت بالا)

پیش نمایش 4 :

لینک دانلود پیش نمایش 4 (کیفیت بالا)

پیش نمایش 5 :

لینک دانلود پیش نمایش 5 (کیفیت بالا)

تصاویری از این آموزش :

نوشته فیلم آموزشی فارسی tensorflow 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.