توضیحات
شبکه باور عمیق یا Deep Belief Network (DBN) یکی از ساختارهای مهم در حوزه یادگیری عمیق است که در سالهای ابتدایی توسعه Deep Learning نقش مهمی در آموزش شبکههای چندلایه داشت. این شبکهها از چندین لایه تشکیل میشوند که معمولاً هر لایه با استفاده از Restricted Boltzmann Machine یا RBM آموزش داده میشود.
در شبکههای عصبی معمولی مانند MLP، افزایش تعداد لایهها و نرونها میتواند آموزش مدل را دشوارتر کند. در چنین شرایطی مشکلاتی مانند افزایش زمان آموزش، دشوار شدن تنظیم وزنها و رسیدن الگوریتم آموزش به جوابهای نامناسب ممکن است رخ دهد.
یکی از ایدههای اصلی DBN این است که شبکه به صورت مرحلهای و لایهبهلایه آموزش داده شود. این روش باعث میشود هر لایه ابتدا یک نمایش مناسبتر از داده ورودی را یاد بگیرد و سپس خروجی آن به عنوان ورودی لایه بعدی استفاده شود.
ساختار شبکه باور عمیق
شبکه DBN معمولاً از چندین لایه پنهان تشکیل شده است. هر لایه میتواند ویژگیهایی را از خروجی لایه قبلی استخراج کند و با حرکت به سمت لایههای بالاتر، نمایش دادهها انتزاعیتر شود.
برای مثال، در دادههای تصویری ممکن است لایههای ابتدایی الگوهای سادهتر را تشخیص دهند و لایههای بالاتر ترکیب پیچیدهتری از این ویژگیها را یاد بگیرند.
به همین دلیل DBN را میتوان علاوه بر دستهبندی، به عنوان یک روش Feature Learning و Feature Extraction نیز مورد استفاده قرار داد.
ارتباط DBN و RBM
یکی از مهمترین مفاهیم در شبکه باور عمیق، ماشین بولتزمن محدود یا Restricted Boltzmann Machine است.
RBM یک مدل مولد است که دارای دو لایه اصلی میباشد:
- لایه Visible
- لایه Hidden
در یک RBM، ارتباط بین نرونهای لایه Visible و Hidden برقرار است، اما نرونهای یک لایه مستقیماً به یکدیگر متصل نیستند.
با قرار دادن چند RBM روی یکدیگر میتوان یک ساختار عمیق ایجاد کرد. در این حالت خروجی لایه پنهان RBM اول به عنوان ورودی RBM بعدی استفاده میشود و این روند برای لایههای بعدی ادامه پیدا میکند.
آموزش لایه به لایه
یکی از ویژگیهای مهم DBN، استفاده از Layer-wise Training است.
در این روش به جای آموزش همزمان تمام لایههای شبکه، هر لایه ابتدا به صورت جداگانه آموزش داده میشود. پس از آموزش یک لایه، خروجی آن برای آموزش لایه بعد مورد استفاده قرار میگیرد.
این روش آموزش میتواند برای مقداردهی اولیه وزنهای شبکه مفید باشد و باعث شود شبکه قبل از مرحله نهایی آموزش، ساختار اولیه مناسبی از دادهها یاد گرفته باشد.
پس از مرحله Pre-training، معمولاً میتوان شبکه را با استفاده از دادههای برچسبدار و روشهای آموزش نظارتشده Fine-Tune کرد.
یادگیری بدون ناظر در DBN
یکی از ویژگیهای جذاب شبکههای باور عمیق، قابلیت استفاده از دادههای بدون برچسب در مرحله اولیه آموزش است.
در بسیاری از مسائل واقعی، تهیه داده زیاد آسان است اما برچسبگذاری دادهها هزینهبر و زمانبر است. در چنین شرایطی میتوان از ساختارهایی مانند RBM برای یادگیری الگوهای موجود در دادههای بدون برچسب استفاده کرد.
این ویژگی باعث شده DBN در موضوعاتی مانند یادگیری بازنمایی و استخراج ویژگی مورد توجه قرار گیرد.
استخراج ویژگی با DBN
در بسیاری از پروژههای یادگیری ماشین، کیفیت ویژگیهای ورودی تأثیر مستقیم بر عملکرد مدل دارد.
DBN میتواند داده خام را دریافت کرده و آن را به یک نمایش جدید در فضای ویژگی تبدیل کند. این ویژگیهای جدید ممکن است بتوانند ساختار پنهان موجود در دادهها را بهتر نمایش دهند.
پس از استخراج ویژگی میتوان خروجی شبکه را برای الگوریتمهای دستهبندی مختلف مورد استفاده قرار داد.
به عنوان مثال میتوان ویژگیهای استخراجشده توسط DBN را به یک طبقهبند دیگر منتقل کرد و عملکرد سیستم را بررسی نمود.
استفاده از DBN برای Classification
یکی از کاربردهای DBN مسائل دستهبندی یا Classification است.
پس از انجام مرحله Pre-training، میتوان یک لایه خروجی برای دستهبندی به شبکه اضافه کرد و سپس کل مدل را با دادههای برچسبدار آموزش داد.
به این ترتیب شبکه ابتدا ساختار کلی داده را یاد میگیرد و سپس برای تشخیص کلاسهای مختلف تنظیم میشود.
مراحل کلی پیادهسازی DBN
در یک پروژه معمول DBN میتوان مراحل زیر را در نظر گرفت:
- آمادهسازی دادههای ورودی
- نرمالسازی یا پیشپردازش دادهها
- تعریف اولین RBM
- آموزش RBM اول
- استخراج خروجی لایه Hidden
- استفاده از خروجی به عنوان ورودی RBM بعد
- ایجاد ساختار چندلایه DBN
- انجام Pre-training
- اضافه کردن لایه خروجی
- Fine-Tuning شبکه
- تست شبکه
- بررسی نتایج دستهبندی یا ویژگیهای استخراجشده
پیادهسازی DBN در MATLAB
تمرکز اصلی این فیلم آموزشی بر آشنایی عملی با کدنویسی شبکه باور عمیق در MATLAB است.
در کنار توضیح ساختار DBN و RBM، کدهای آمادهای در اختیار کاربر قرار میگیرد تا بتواند نحوه تعریف شبکه، تنظیم پارامترها، آموزش مدل و استفاده از شبکه روی دادههای خود را بررسی کند.
وجود کدهای آماده میتواند برای دانشجویانی که قصد استفاده از DBN در پروژه، پایاننامه یا مقاله خود دارند مفید باشد؛ زیرا کاربر میتواند ابتدا ساختار کد را اجرا کرده و سپس آن را متناسب با مسئله خود تغییر دهد.
این آموزش برای چه افرادی مناسب است؟
این فیلم آموزشی میتواند برای گروههای زیر مناسب باشد:
- دانشجویان هوش مصنوعی
- دانشجویان یادگیری ماشین
- علاقهمندان یادگیری عمیق
- دانشجویان مهندسی کامپیوتر
- دانشجویان برق
- پژوهشگران پردازش تصویر
- پژوهشگران تشخیص الگو
- افرادی که با شبکههای عصبی آشنایی اولیه دارند
- دانشجویانی که قصد استفاده از DBN در پروژه یا پایاننامه خود دارند
پیشنیاز پیشنهادی
برای استفاده بهتر از این دوره توصیه میشود کاربر آشنایی اولیهای با موارد زیر داشته باشد:
- MATLAB
- شبکههای عصبی
- مفاهیم آموزش و تست
- ماتریسها و بردارها
- دستهبندی دادهها
آشنایی مقدماتی با Machine Learning نیز میتواند در درک بهتر مطالب این دوره مفید باشد.
هدف این آموزش
هدف اصلی این فیلم آن است که مخاطب علاوه بر آشنایی با مفهوم Deep Belief Network، نحوه استفاده از کدهای DBN در محیط MATLAB را نیز یاد بگیرد.
در پایان آموزش انتظار میرود کاربر بتواند ساختار کلی RBM و DBN را درک کرده، کدهای ارائهشده را اجرا کند و آنها را برای دادهها و پروژههای شخصی خود تغییر دهد.
فيلم آموزش فارسي و كدهاي اماده شبكه باور عميق Deep belief Network DBN
.
.
يكي از معايب شبكه هاي عصبي معمول مانند MLP اين است كه اگر تعداد نرونهاي لايه مخفي و يا تعداد لايه هاي شبكه عصبي را زياد بگيريم دو مشكل اساسي ايجاد مي شود:
سرعت آموزش پايين
گير كردن در مينيمم محلي
يكي از شبكه هاي جايگزين براي حل اين دو مشكل شبكه هاي باور عميق يا DBN مي باشد.
از شبکه های باور عمیق علاوه بر کارهای دسته بندی ميتوان به عنوان یک روش استخراج ویژگی استفاده كرد.
از مزایای شبکه های باور عمیق در یادگیری ویژگی مي باشد كه در اين فيلم آموزشي توضيح داده مي شود. در اين روش با کمک دادههای برچسب نخورده میتوان ویژگیهای سطح بالایی از دادههای آموزشی را استخراج و قدرت تمایز بین دسته های مختلف در داده ها را افزايش داد.
شبکه های باور عمیق از لایه هایی به نام ماشین بولتزمن محدود ساخته شده اند. در واقع با روی هم قرار دادن ماشینهای بولتزمن محدود، میتوان شبکه های باور عمیق را برای پردازشهای سلسله مراتبی بوجود آورد.
مشاهده قسمت هايي از اين فيلم آموزشي :
لینک دانلود خلاصه فیلم آموزشی (کیفیت اصلی)
.



محمد –
یک محصول منحصر بفرد
هیج جای دیگه ای در این مورد فیلم آموزشی وجود نداره.
نه فارسی و نه انگلیسی
واقعا دستتون درد نکنه
ailen –
از قسمت هایی از فیلم که قابل مشاهده بود انتظار میره که فیلم جامع و کاملی باشه.
با تشکر
ailen –
عذرخواهی میکنم که سوالم رو اینجا مطرح میکنم
فیلم کامل رو که میخوام بگیرم به سبد خرید اضافه نمیشه،چطوری میتونم اونو تهیه کنم؟
eeiranmatlab –
سلام
شما با کلیک بر دکمه اضافه کردن به سبد خرید این محصول به سبد خرید شما اضافه می شود و سپس می توانید به صفحه پرداخت بروید و آنرا دانلود کنید.
مهدی –
سلام
کد نوشته ای برای این فیلم آموزشی وجود ندارد؟
eeiranmatlab –
سلام
کدهای متلب شبکه باور عمیق DBN هم در این بسته آموزشی قرار دارد و در فیلم هم تمامی بخش های کد توضیح داده می شود.
ailen –
سلام،ممنون از فیلم آموزشی خوبی که ارائه شده،برا من قسمت دوم و ششم فیلم مشکل extract شدن داره، اگه امکانش هست راهنمایی بفرمایید.
باتشکر
eeiranmatlab –
سلام
تشکر از شما بابت تعریف از فیلم آموزشی تهیه شده توسط ایران متلب
به چند دلیل ممکن است شما در extract کردن فایلهای فشرده فیلم آموزشی شبکه عصبی بارو عمیق یا هر فایل فشرده دیگری دچار مشکل شوید.
1. فایل به طور کامل دانلود نشده است. برای حل این مشکل می توانید فایل را یک بار دیگر دانلود کنید یا از نرم افزارهای مدیریت دانلود مانند download manager استفاده کنید.
2. پسورد فایل را اشتباه وارد کردید.
معصومه –
سلام و تشكر از سايت ايران متلب
من اين فيلم آموزشي را تهيه كردم. بسيار فيلم آموزشي خوبي براي DBN تهيه كرديد. خواستم تشكر كنم.
قلي زاده –
مرسیییییییییییییییییییییییییی
دستتون درد نکنه
بالاخره با فيلم آموزشي شما تونستم کار پایان نامه ام را با متلب انجام بدم
فواد موحدى –
با سلام
لينك فرستاده شده باز نميشود ممنون ميشوم اگر دوباره بفرستين و چك كنيد
ایران متلب –
با سلام
لینک ها مجدد ایمیل شد
eli –
عالی
خ-ی –
سلام
لینکتون مشکل داره میشه لینکو دوباره برام بفرستین
ممنون
ایران متلب –
سلام
دوباره ارسال شد
امین –
سلام من خرید کردم ولی لینک ها مشکل دارند.لطفا لینک های صحیح را ارسال نمایید.
ایران متلب –
سلام
لینک های درست برای شما ایمیل شد.
شاد باشید
بینا –
سلام،وقت بخیر
ببخشید میخواستم بدونم الان من 63 هزار تومن از سایتتون خرید کردم
اگر تا صد هزارتومن برسونم خریدمو به من کوپن تخفیف تعلق میگیره؟ممنون
ایران متلب –
سلام و تشکر از شما
بله تخفیف به شما تعلق می گیرد.
با مدیریت سایت تماس بگیرید
ایمیل eeiranmatlab [at] gmail.com
اعظم –
سلام من خرید کردم ولی لینک رو میزنم not found میزنه لطفا لینک صحیح رو بفرستید
ایران متلب –
با سلام و احترام
لینک های صحیح برای شما کاربر گرامی و بزرگوار ایمیل شد
با تشکر
هاله –
با سلام. من هم نیاز دارم حتما این موضوع رو یاد بگیرم. آیا فقط روی موضوع ایمیج توصیح داده شده؟ چون من میخوام روی speech processing کار کنم. میتونم نتیجه بگیرم از این اموزش؟ ایا میشه درخواست پروژه هم داد؟
ایران متلب –
با سلام
شبکه DBN در ورودی داده می گیرد. حال این داده از تصویر یا سیگنال speech آمده باشد. تصویر که مشکل تر است دو بعدی است اما صحبت یک بعدی است.
شما ویژگی feature های مناسب انتخاب کنید. بعد از استخراج ویژگی بدید به DBN .
بهروز –
سلام من خرید کردم لینک مشکل داره! لطفا دوباره لینک جدید بفرستین؟
ایران متلب –
سلام
لینک های صحیح برای شما ایمیل شد.
سید جواد قصابی –
سلام
خسته نباشید
بنده هفته پیش خریدم هر کاری میکنم اجرا نمیشه خطا زیر را میدهد خواهشا کمک کنید
??? Error using ==> randperm
Too many input arguments.
Error in ==> pretrainRBM at 177
p = randperm(dimV, DropOutNum);
Error in ==> pretrainDBN at 88
dbn.rbm{i} = pretrainRBM(dbn.rbm{i}, X, opts);
Error in ==> code1 at 25
dnn =pretrainDBN(dnn,IN,opts);
ایران متلب –
سلام
این خطا به دلیل استفاده غیر صحیح از دو متغییر dimV و DropOutNum که ورودیهای تابع randperm هستند می باشد. مشکل اصلی در وارد کردن اشتباه بعد شبکه DBN می باشد.
لطفا کد خود را به طور کامل قرار دهید تا مشکل مشخص و راه حل مورد نظر ارائه شود.
سید جواد قصابی –
سلام خسته نباشید
این کدی که نوشتم همونی هستش که تو فیلم گفتید ولی خطا میده
clear
addpath(‘DeepNeuralNetwork’)
num = 1000;
IN = rand(num,32);
OUT=rand(num,4);
nodes = [32 16 4];
dnn = randDBN(nodes);
………………………..
……………….
……………….
ایران متلب –
با سلام و احترام
لطفا خطاي مورد نظر را قرار دهيد تا مشكل برطرف شود
Armin –
با سلام. آیا این شبکه عصبی قادر به پیش بینی سری های زمانی می باشد؟ و آیا در این آموزش این موضوع هم آموزش داده شده است؟
ایران متلب –
سلام
شما براي پيش بيني سري زماني مي توانيد به دو محصول زير مراجعه كنيد :
مجموعه آموزش جامع شبكه عصبي
مدلسازي آريما در متلب
me –
با سلام…آیالینک خریدهنوزاعتبارداردومی توان اقدام به خریدکرد؟
ایران متلب –
با سلام و احترام
بله هنوز اعتبار دارد.
Sa.mo –
سلام
ممکن توضیح بدهید نوع RBM هایی که در کد موجود هستند از چه نوعی اند؟ ممنونم
ایران متلب –
سلام
هر دو نوع زیر را پوشش می دهد :
Bernoulli-Bernoulli RBM
Gaussian-Bernoulli RBM
من –
با سلام…من فیلم روخریداری کردم.مفید و آموزنده بود.چگونه می توان با مدرس فیلم جهت ارائه پیشنهادات ارتباط برقرارکرد؟
ایران متلب –
با سلام و احترام
در همین صفحه سوال خود را بنویسید. مدرس پاسخ شما را خواهد داد.
حسن پور –
لینک های دانلود کار نمیکنن چرا؟
ایران متلب –
با سلام و احترام
لینک های دانلود به ایمیل شما تا یک ساعت دیگه ایمیل می شود.
پیمان رزمی –
باسلام ببخشین شبکه های باور عمین ایا برای دست بندی نطارت شده استفاده شده است یعنی داده هایی که برچسب دارن که هدف طبقه بندی این داده ها باشند. در ضمن اگر این طور باشد مثال جند کلاسه می باشد؟
ایران متلب –
با سلام
بله شبکه های عصبی باور عمیق DBN یادگیری آنها بر اساس یادگیری با ناظر supervised می باشد.
همانطور که خودتون هم اشاره کردید در یادگیری با ناظر ، ما یک سری داده آموزش داریم که برای هر نمونه در داده آموزش ، متناظر یک داده هدف هم داریم.
محدودیتی در تعداد کلاسها در این شبکه وجود ندارد. برای هر تعداد کلاس قابل استفاده است.
اگر می خواهید با مفاهیم شبکه عصبی به خوبی آشنا شوید، پیشنهاد ما به شما علاوه بر این محصول، فیلم آموزشی شبکه عصبی می باشد.
MAN –
سلام، لینک دانلود خراب است. لطفا لینک صحیح رو ایمیل بفرمایین.
ایران متلب –
با سلام و احترام
لینک های دانلود برای شما ایمیل شد.
عارف –
سلام
لینک دانلود کار نمیکنه
ایران متلب –
با سلام و احترام
لینک های صحیح برای شما ایمیل شد.
عارف –
زمان اکسترکت کردن خطا میده
ایران متلب –
با سلام و احترام
با پشتیبانی تماس بگیرید.
hassan ghaedi –
سلام.شرمنده، یک دیتاست دارم مربوط به بیماران دیابتی. با svm مدل کردم و کار طبقه بندی رو انجام دادم.خواستم بدونم با خرید بسته اموزشی باور بیزی عمیق آیا میتونم کار طبقه بندی رو با همین روش انجام بدم؟
ایران متلب –
سلام
بله این آموزش برای شما مناسب می باشد.
hassan ghaedi –
سلامم.تعداد رکوردهای دیتاست من ۴۰۰۰رکورد هست.ایا کافی است?
ایران متلب –
با سلام و احترام
تعداد رکورد یا نمونه یا sample در یک دیتاست بستگی به کاربرد شما دارد.
باید تا جایی که می توانید تعداد بالا باشد. حداکثر آن بستگی به شما در جمع آوری نمونه دارد. من در یک پروژه با 90 نمونه هم کار کردم. وقتی نمی شود نمونه های بیشتری داشت ، تا جایی که من بلدم ، کاریش نمیشه کرد.
هدف ما از افزایش تعداد نمونه ها ، رسیدن به قدرت عمومیت پذیری یا generalization بالا می باشد. ما می خواهیم در نهایت شبکه به نمونه هایی که در آموزش شرکت نداشتند، به درستی پاسخ دهد. گاهی شبکه با تعداد نمونه های پایین هم قدرت عمومیت پذیری بالایی خواهد داشت. لذا همه چیز به آزمایش شما بر می گردد.
شما با 4000 نمونه کار را انجام بده. اگر شبکه به 1000 آموزش و 3000 تست به خوبی جواب داد، پس عالی است. ولی شما اول 50 به 50 را تست کن.
اگر دوست داشتی بیشتر در مورد اینکه چند درصد نمونه ها را تست و چند درصد آموزش بگیری بیشتر بدونی میتونی فیلم جامع شبکه عصبی را بگیری که در اونجا این مفهوم بیشتر توضیح دادیم.
لینک
احمد نادری –
سلام
ممنون بابت آموزشتون
بعد از تماشای فیلم متوجه نشدم که کجای این فیلم اشاره به استخراج ویژگی کرده بودین؟ می خوام که استخراج ویژگی انجام بدم و با ویژگی های استخراج شده بگم این سگه ، این درخته و …
ایران متلب –
سلام
شبکه عصبی DBN برای استخراج ویژگی استفاده نمی شود. شما باید خودتون از الگوریتم های استخراج ویژگی استفاده کنید. سپس خروجی را به شبکه DBN بدهید.
البته این شبکه می تواند یک تصویر دو بعدی را بگیرد. که دیگر نیاز به استخراج ویژگی ندارد. اما نیاز به پیش پردازش دارد تا ویژگی متمایز برجسته شود.
محمدجواد ثبوتی –
سلام
من این مجموعه رو خریدم ولی لینک برای من ارسال نشد
این پروسه چقدر طول میکشه؟
ایران متلب –
با سلام و احترام
لینک های دانلود برای شما ایمیل شد.
احسان علی محمدی –
سلام
بنده می خواستم اطلاعاتی در مورد آموزش مربوط به شبکه باور عمیق بدونم.
بنده از صفر میخوام کار با شبکه باور عمیق رو شروع کنم و یه الگوریتم برای پیش بینی جریان ترافیک رو پیاده کنم. آیا این آموزش قرار داده شده برای انجام کامل این کار پاسخ گو هست؟
نکته بعدی: آیا در بحث الگوریتم و کدنویسی آموزش های کامل رو به ما میده تا بتونیم خودمون یه الگوریتم طراحی کنیم و یه کد جدید بنویسیم یا فقط طریقه استفاده از کد رو میگه؟
باتشکر
ایران متلب –
با سلام و احترام
بنده از صفر میخوام کار با شبکه باور عمیق رو شروع کنم و یه الگوریتم برای پیش بینی جریان ترافیک رو پیاده کنم. آیا این آموزش قرار داده شده برای انجام کامل این کار پاسخ گو هست؟
اين آموزش مختص شبكه عصبي باور عميق مي باشد. البته شما بايد با دو مفهوم زير هم آشنايي داشته باشيد:
شبكه عصبي : پيشنهاد ما فيلم جامع شبكه عصبي
برنامه نويسي متلب : پيشنهاد ما سير تا پياز متلب
نکته بعدی: آیا در بحث الگوریتم و کدنویسی آموزش های کامل رو به ما میده تا بتونیم خودمون یه الگوریتم طراحی کنیم و یه کد جدید بنویسیم یا فقط طریقه استفاده از کد رو میگه؟
براي نوشتن يك الگوريتم شما بايد بتونيد كدنويسي حرفه اي متلب بلد باشيد. البته كدهايي كه در اختيار شما قرار مي گيرد ، open source مي باشد و شما مي توانيد به دلخواه ويرايش فرماييد و يك الگوريتم جديد طراحي كنيد.
باتشکر
مهران آقاگل زاده حاجی –
سلام. وقت بخیر
سلام من از این محصول در پایان نامه خودم استفاده نمودم و نیاز دارم تا مراجع را نیز در پایان نامه بیاورم.
لطفا مراجع مربوط به DBN را برایم ارسال کنید.
متشکرم.
ایران متلب –
سلام
مرجع 1 :
Hinton, G. E., Srivastava, N., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. R. (2012). Improving neural networks by preventing co-adaptation of feature detectors. arXiv preprint arXiv:1207.0580.
مرجع 2 :
Lee, H., Ekanadham, C., & Ng, A. Y. (2008). Sparse deep belief net model for visual area V2. In Advances in neural information processing systems (pp. 873-880).
امین پور –
با سلام. من سه فیلم از سایت شما تهیه کردم کارتون عالیه.
امین –
با سلام. آموزش خوبی هست
محمد جوادی –
با سلام
خواستم اطلاعاتی در رابطه با فیلم آموزش شبکه عمیق dbn ازتون بگیرم
در فیلم آموزشی تون کدنویسی مربوط به پیش بینی داده هم وجود داره یا فقط شناسایی الگو آموزش داده میشه؟
ایران متلب –
با سلام
شبکه عصبی DBN را برای هر کاربردی میتوان استفاده کرد.
آریا عبادی –
سلام
احتراماً برای پیش بینی ادامه یک سیگنال براساس بانک اطلاعاتی سیگنال های مشابه می خواستم از این روش استفاده کنم. غیر از زمان و مقدار سیگنال، پارامترهای دیگری هم همزمان روی سیگنال موثرند(تابع زمان). آیا می توان از این روش برای پیش بینی این سیگنال استفاده کرد و همه داده ها را هم به کار گرفت؟
ممنون میشم پاسخ بدید که بدونم این فیلم را بخرم یا گزینه دیگری پیدا کنم
تشکر
ایران متلب –
سلام
یکی از مدلهای خیلی خوب برای سیگنال در حوزه زمان استفاده از شبکه های عصبی NARX می باشد. من ازش در سیگنال EEG استفاده کردم.
پیشنهاد من آموزش شبکه عصبی NARX می باشد.
مینا –
سلام من میخواستم این آموزشو تهیه کنم ولی موقع پرداخت وارد یه صفحه ای میشه و این پیامو میده
your access has been limited by owner site
ایران متلب –
با سلام و تشکر از شما
لطفا با پشتیبانی سایت تماس بگیرید