توضیحات
این پکیج شامل تمام مباحث آموزش داده شده در 4 فصل دوره شناسایی الگو و یادگیری ماشین است.
فصل اول: مقدمه ای بر شناسایی الگو
- مراحل مختلف یک سیستم شناساسی الگو
- کاهش نویز
- استخراج ویژگی
- انتخاب ویژگی
- کلاسبندی
- روشهای یادگیری ماشین
- یادگیری با ناظر
- یادگیری بدون ناظر
- بیزین
- ماکزیمم شباهت
- حداقل فاصبله اقلیدسی
- حداقل فاصله ماهالانوبیس
فصل سوم: روشهای ارزیابی و پارمترهای ارزیابی
- پارامترهای ارزیابی مسائل کلاسبندی (ماتریس کانفیوژن، صحت، حساسیت، اختصاصیت کلاسبندی)
- روش ارزیابی the hold out method
- روش ارزیابی k-fold cross validation
- روش ارزیابی leave one out
- روش ارزیابی random sub-sampling
- نحوه انتخاب مدل بهینه با روش cross validation
فصل چهارم: الگوریتمهای غیرپارامتری در بحثهای رگرسیون و کلاسبندی
- الگوریتم نزدیکترین همسایه(knn)
- الگوریتم نزدیکترین همسایه وزندار (wknn)
- شبکه عصبی پرسپترون تک لایه
- شبکه عصبی پرسپترون چندلایه (MLP)
- ماشین بردار پشتیبان خطی(SVM)
- ماشین بردار پشتیبان غیرخطی(nonlinear SVM)
- ماشین بردار پشتیبان در مسائل رگرسیون (SVR)
محتوای پکیج آموزشی:
- ویدیوی آموزشی تمامی جلسات
- کدهای متلب نوشته شده برای پروژه های انجام شده و جلسات آموزشی
- مقالات پیاده سازی شده و مراجع استفاده شده در آموزش
- گزارش پروژه های انجام شده در قالب Word و pdf
- جزوه دست نویس مدرس
- مدت زمان آموزش:70ساعت
برای پروژه ها و مقالات پیاده سازی شده یک گزارش کامل 20-30 صفحه ای در قالب word و pdf نوشته شده است که در آن نتیجه تمام تجزیه تحلیلها و توضیح خط به خط کدها نوشته شده است که میتوانید از این پروژه ها در پروژه های درسی و پایان نامتون استفاده کنید.
مدرس دوره: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران
جهت کسب اطلاعات بیشتر و یا دریافت پکیج آموزشی فصلهای 1-4 به صورت جداگانه میتوانید به لینکهای زیر مراجعه کنید.
فصل اول و دوم: شناسایی الگو-کلاسبندهای پارامتری(بیزین)
فصل سوم : روشها و پارامترهای ارزیابی مدلهای یادگیری ماشین
فصل چهارم: الگوریتم نزدیکترین همسایه knn و الگوریتمهای بهبودیافته شده آن(wknn)
فصل چهارم: ماشین بردار پشتیبان(SVM) و شبکه عصبی پرسپترون(MLP)
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.