آموزش مبانی شبکه‌های عصبی مصنوعی با متلب - آخرین آپدیت

دانلود Fundamentals of Artificial Neural Network with MATLAB

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره:

آموزش جامع شبکه‌های عصبی مصنوعی (ANN) از صفر با متلب

سرفصل‌های کلیدی دوره آموزش شبکه‌های عصبی مصنوعی

آموزش شبکه‌های عصبی مصنوعی (ANN) از پایه
کاربردهای شبکه‌های عصبی مصنوعی
نحوه عملکرد نورون مصنوعی
ارتباط نورون‌های مصنوعی با یکدیگر
انواع مختلف شبکه‌های عصبی
آموزش شبکه‌های عصبی مصنوعی (الگوریتم‌های یادگیری)
طراحی شبکه‌های عصبی مصنوعی برای مسائل خاص
توسعه شبکه‌های عصبی مصنوعی با برنامه‌نویسی متلب
شبیه‌سازی شبکه‌های عصبی مصنوعی در متلب
استفاده از شبکه‌های عصبی مصنوعی در کنار سایر شبیه‌سازی‌های متلب
توسعه شبکه‌های عصبی مصنوعی با اپلیکیشن‌های یادگیری ماشین متلب

پیش‌نیازهای دوره آموزش شبکه‌های عصبی

برای درک مبانی شبکه‌های عصبی مصنوعی، نیازی به هیچ پیش‌زمینه‌ی خاصی ندارید. حتی دانش‌آموزان مدرسه‌ای که با معادلات خطی ساده آشنا هستند، می‌توانند اصول اولیه‌ی شبکه‌های عصبی مصنوعی را درک کنند.

با این حال، آشنایی مقدماتی با نرم‌افزار متلب (MATLAB) می‌تواند به شما در درک سریع‌تر مطالب بخش‌های ابتدایی کمک کند.

چرا یادگیری شبکه‌های عصبی مصنوعی (ANN) مهم است؟

آیا می‌دانید چگونه شاخه‌های نوظهوری مانند یادگیری ماشین و علم داده به وجود آمده‌اند؟ این اتفاق به دلیل تقاضای چشمگیر برای شبکه‌های عصبی مصنوعی در صنایع مختلف رخ داده است.

قدرت هوش مصنوعی، امروزه بدون آنکه متوجه شویم، در زندگی ما به کار گرفته شده است. اما آیا می‌دانید که اولین نورون مصنوعی تنها در سال ۱۹۴۳ معرفی شد؟

مک‌کالاک و پیتز اولین مدل رسمی نورون را در این سال به عنوان یک تکنیک ابتدایی ارتباطی ارائه کردند. از آن زمان تاکنون، تعداد فزاینده‌ای از کاربردهای بالقوه برای ANN و الگوریتم‌های مرتبط منتشر شده است.

استفاده از شبکه‌های عصبی مصنوعی در ده سال اخیر به طور چشمگیری افزایش یافته است. اگرچه الگوریتم‌های یادگیری و مدیریت داده‌ها اجزای ضروری ANN هستند، تحقیقات و توسعه‌ی آن‌ها به چنان سرعتی پیشرفت کرده که اکنون نیاز به ایجاد شاخه‌های مستقل داریم. این حوزه‌ها اکنون به ترتیب به عنوان یادگیری ماشین و علم داده شناخته می‌شوند.

هدف این دوره آموزشی

این دوره برای کسانی طراحی شده است که می‌خواهند شبکه‌های عصبی مصنوعی (ANN) را از صفر بیاموزند.

مهم نیست با چه نرم‌افزاری آشنا هستید یا به کدام حوزه تعلق دارید. پس از گذراندن این دوره، درک پایه‌ای از ماهیت شبکه‌های عصبی مصنوعی و نحوه‌ی عملکرد آن‌ها خواهید داشت.

پس از تسلط بر مبانی، این دوره به شما نحوه‌ی ساخت کد شبکه‌های عصبی مصنوعی با استفاده از شبیه‌سازی و کدنویسی در متلب را آموزش می‌دهد.

پس از اتمام دوره، این مجموعه به شما در توسعه‌ی سریع مدل‌های شبکه‌های عصبی مصنوعی با استفاده از ابزارها و اپلیکیشن‌های متلب کمک خواهد کرد.

بنابراین، اگر می‌خواهید یادگیری شبکه‌های عصبی مصنوعی را آغاز کنید، این دوره بسیار مفید خواهد بود.

این دوره اولین گام در مسیر یادگیری شبکه‌های عصبی مصنوعی است و پس از اتمام آن، قادر خواهید بود پیشرفت قابل توجهی در زمینه‌ی شبکه‌های عصبی مصنوعی و کاربردهای آن داشته باشید.

در دوره ثبت نام کنید و یادگیری مبانی شبکه‌های عصبی مصنوعی با متلب را آغاز کنید.

سرفصل ها و درس ها

مقدمه Introduction

1.1 مقدمه دوره 1.1 Course Introduction
1.2 مقدمه ای بر ANN 1.2 Introduction to ANN
1.3 مسئله طبقه بندی 1.3 Classification Problem
1.4 مسئله رگرسیون 1.4 Regression Problem
1.5 مسئله تشخیص الگو 1.5 Pattern Recognition Problem

فصل ۲: نمایش ریاضی و مفهوم Ch 2: Mathematical Representation and concept

2.1 نمایش ریاضی مسئله طبقه بندی و رگرسیون 2.1 Mathematical Representation of Classification and Regression Problem
2.2 معادله خط تا ساختار نورون 2.2 Line Equation to Neuron Structure
2.3 اولین مدل نورون مصنوعی 2.3 First Model of Artificial Neuron

فصل ۳: درک مدل نورون مصنوعی با تمرین Ch 3: Understand Artificial Neuron Model with Practice

3.1 مدل ساده شده نورون برای تمرین بیشتر 3.1 Further Simplified Neuron Model for Practice
3.2 یافتن مرز تصمیم برای نورون داده شده 3.2 Find Decision Boundary for Given Neuron
3.3 نورون در مقابل معادله خط 3.3 Neuron vs Equation of line
3.4 یافتن پارامترهای نورون از مرز تصمیم 3.4 Find Neuron parameters from decision boundary

فصل ۴: پیاده سازی منطق دیجیتال با نورون ها Ch 4: Implementation of Digital Logic with Neurons

4.1 مرور و مقدمه 4.1 Review and Intro
4.2 پیاده سازی گیت NOT با نورون 4.2 Implement NOT Gate with Neuron
4.3 پیاده سازی گیت AND با نورون 4.3 Implement AND Gate with Neuron
4.4 پیاده سازی گیت OR با نورون 4.4 Implement OR Gate with Neuron
4.5 پیاده سازی گیت XOR با نورون 4.5 Implement XOR Gate with Neuron

فصل ۵: اتصال نورون ها به یکدیگر Ch 5: Interconnection of Neurons

5.1 اتصال نورون ها به یکدیگر 5.1 Interconnection of Neurons
5.2 شبکه Feed forward 5.2 Feed forward Network
5.3 آموزش 5.1 5.3 Tutorial 5.1
5.4 آموزش 5.2 5.4 Tutorial 5.2
5.5 آموزش 5.3 5.5 Tutorial 5.3
5.6 خلاصه 5.6 Summary

فصل ۶: الگوریتم یادگیری Ch 6: Learning Algorithm

6.1 الگوریتم یادگیری 6.1 Learning algorithm
6.2 قاعده یادگیری پرسپترون 6.2 Perceptron learning rule
6.3 قاعده یادگیری پرسپترون با یک مثال 6.3 Perceptron Learning rule with an Example
6.4 تحلیل و خلاصه یادگیری پرسپترون 6.4 Analysis and Summary of Perceptron Learning

فصل ۷: مبانی طراحی ANN با MATLAB Ch 7: Basics of ANN design with MATLAB

7.1 الزامات کلی طراحی ANN 7.1 General Requirement of designing ANN
7.2 تمرین پرسپترون ۲ 7.2 Perceptron Practice 2
7.3: توسعه ANN آموزش دیده با برنامه نویسی MATLAB 7.3: Develop Trained ANN with MATLAB Programing
7.4: توسعه ANN آموزش دیده با Simulink متلب 7.4: Develop Trained ANN with MALTAB Simulink
7.5: الگوریتم یادگیری با برنامه نویسی MATLAB 7.5: Learning Algorithm with MATLAB Programing
7.6: مسئله طبقه بندی با جعبه ابزار MATLAB 7.6: Classification Problem with MATLAB Tool Box

فصل ۸: ANN برای مسئله رگرسیون (برازش منحنی) Ch 8: ANN for Regression Problem (Curve fitting)

8.1: رگرسیون خطی و رگرسیون غیرخطی 8.1: Linear Regression & Non-linear Regression
8.2: قاعده یادگیری دلتا 8.2: Delta Learning Rule
8.3: یافتن جمله مشتق برای توابع فعال سازی مختلف 8.3: Finding Derivative term for different activation Functions
8.4: پرسپترون پیوسته آموزش دیده با برنامه نویسی MATLAB 8.4: Trained Continuous Perceptron with MATLAB Programing
8.5 نوشتن کد MATLAB برای قاعده یادگیری دلتا 8.5 Writing MATLAB Code for Delta Learning Rule
8.6 توسعه مدل شبیه سازی پرسپترون پیوسته 8.6 Develop Simulation Model of Continuous Peceptron
8.7 طراحی پرسپترون پیوسته با محاسبه دستی وزن ها 8.7 Design Continuous Perceptron with Manual Weight Calculation
8.8: آموزش پرسپترون پیوسته با MATLAB 8.8: Train Continuous Perceptron with MATLAB

فصل ۹: شبکه Feed Forward دو لایه با اپلیکیشن NN Fitting متلب Ch 9: Two Layer Feed Forward Network MATLAB NN Fitting App

9.1: مقدمه ای بر شبکه Feed Forward دو لایه 9.1: Introduction to Two Layer Feed Forward Network
9.2: تمرین برازش منحنی ۱ با جعبه ابزار NN متلب 9.2: Curve Fitting Practice 1 with MATLAB NN Toolbox
9.3: نحوه استفاده از مدل Simulink تولید شده 9.3: How to use Generated Simulink Model
9.4: تمرین برازش منحنی ۲ با جعبه ابزار NN متلب 9.4: Curve Fitting Practice 2 with MATLAB NN Toolbox

فصل ۱۰: مطالعه موردی: طراحی ANN برای پیش بینی قیمت خودرو با متلب Ch 10: Case Study: Design ANN for Car Price Prediction with MATLAB

10.1: انتخاب نوع NN و الگوریتم یادگیری 10.1: Decide NN Type and Learning Algorithm
10.2: تحلیل داده ها 10.2: Analyse Data
10.3: توسعه ANN برای پیش بینی قیمت خودرو با اپلیکیشن NN Fitting 10.3: Develop ANN for Car Price Prediction with NN Fitting App
10.4: توسعه مدل شبیه سازی برای پیش بینی قیمت خودرو 10.4: Develop Simulation Model for Car Price Prediction

فصل ۱۱: مطالعه موردی: درایو موتور رلوکتانسی سوییچ شده بدون سنسور مبتنی بر ANN Ch 11: Case Study: ANN-Based Sensorless Switched Reluctance Motor Drive

12.1 درک مسئله تخمین موقعیت روتور SRM 12.1 Understand the Problem of Rotor Position Estimation of SRM
12.2 طراحی ANN برای تخمین موقعیت روتور SRM 12.2 Design an ANN for Rotor Position Estimation of SRM
12.3 تحلیل عملکرد ANN آموزش دیده برای تخمین موقعیت روتور 12.3 Performance Analysis of ANN Trained for Rotor Position Estimation
12.4 شبیه سازی درایو SRM بدون سنسور مبتنی بر ANN 12.4 Simulation of ANN Based Sensorless SRM Drive

فصل ۱۲: خلاصه جامع Ch 12: Comprehensive Summary

12.1 خلاصه دوره 12.1 Course Summary
12.2 گام بعدی چیست؟ 12.2 What Next?
سخنرانی جایزه Bonus Lecture

برای ارسال نظر ثبت نام کنید.

آموزش مبانی شبکه‌های عصبی مصنوعی با متلب - آخرین آپدیت

دانلود Fundamentals of Artificial Neural Network with MATLAB

آموزش جامع شبکه‌های عصبی مصنوعی (ANN) از صفر با متلب

سرفصل‌های کلیدی دوره آموزش شبکه‌های عصبی مصنوعی

پیش‌نیازهای دوره آموزش شبکه‌های عصبی

چرا یادگیری شبکه‌های عصبی مصنوعی (ANN) مهم است؟

هدف این دوره آموزشی

مقدمه Introduction

1.1 مقدمه دوره 1.1 Course Introduction

1.2 مقدمه ای بر ANN 1.2 Introduction to ANN

1.3 مسئله طبقه بندی 1.3 Classification Problem

1.4 مسئله رگرسیون 1.4 Regression Problem

1.5 مسئله تشخیص الگو 1.5 Pattern Recognition Problem

فصل ۲: نمایش ریاضی و مفهوم Ch 2: Mathematical Representation and concept

2.1 نمایش ریاضی مسئله طبقه بندی و رگرسیون 2.1 Mathematical Representation of Classification and Regression Problem

2.2 معادله خط تا ساختار نورون 2.2 Line Equation to Neuron Structure

2.3 اولین مدل نورون مصنوعی 2.3 First Model of Artificial Neuron

فصل ۳: درک مدل نورون مصنوعی با تمرین Ch 3: Understand Artificial Neuron Model with Practice

3.1 مدل ساده شده نورون برای تمرین بیشتر 3.1 Further Simplified Neuron Model for Practice

3.2 یافتن مرز تصمیم برای نورون داده شده 3.2 Find Decision Boundary for Given Neuron

3.3 نورون در مقابل معادله خط 3.3 Neuron vs Equation of line

3.4 یافتن پارامترهای نورون از مرز تصمیم 3.4 Find Neuron parameters from decision boundary

فصل ۴: پیاده سازی منطق دیجیتال با نورون ها Ch 4: Implementation of Digital Logic with Neurons

4.1 مرور و مقدمه 4.1 Review and Intro

4.2 پیاده سازی گیت NOT با نورون 4.2 Implement NOT Gate with Neuron

4.3 پیاده سازی گیت AND با نورون 4.3 Implement AND Gate with Neuron

4.4 پیاده سازی گیت OR با نورون 4.4 Implement OR Gate with Neuron

4.5 پیاده سازی گیت XOR با نورون 4.5 Implement XOR Gate with Neuron

فصل ۵: اتصال نورون ها به یکدیگر Ch 5: Interconnection of Neurons

5.1 اتصال نورون ها به یکدیگر 5.1 Interconnection of Neurons

5.2 شبکه Feed forward 5.2 Feed forward Network

5.3 آموزش 5.1 5.3 Tutorial 5.1

5.4 آموزش 5.2 5.4 Tutorial 5.2

5.5 آموزش 5.3 5.5 Tutorial 5.3

5.6 خلاصه 5.6 Summary

فصل ۶: الگوریتم یادگیری Ch 6: Learning Algorithm

6.1 الگوریتم یادگیری 6.1 Learning algorithm

6.2 قاعده یادگیری پرسپترون 6.2 Perceptron learning rule

6.3 قاعده یادگیری پرسپترون با یک مثال 6.3 Perceptron Learning rule with an Example

6.4 تحلیل و خلاصه یادگیری پرسپترون 6.4 Analysis and Summary of Perceptron Learning

فصل ۷: مبانی طراحی ANN با MATLAB Ch 7: Basics of ANN design with MATLAB

7.1 الزامات کلی طراحی ANN 7.1 General Requirement of designing ANN

7.2 تمرین پرسپترون ۲ 7.2 Perceptron Practice 2

7.3: توسعه ANN آموزش دیده با برنامه نویسی MATLAB 7.3: Develop Trained ANN with MATLAB Programing

7.4: توسعه ANN آموزش دیده با Simulink متلب 7.4: Develop Trained ANN with MALTAB Simulink

7.5: الگوریتم یادگیری با برنامه نویسی MATLAB 7.5: Learning Algorithm with MATLAB Programing

7.6: مسئله طبقه بندی با جعبه ابزار MATLAB 7.6: Classification Problem with MATLAB Tool Box

فصل ۸: ANN برای مسئله رگرسیون (برازش منحنی) Ch 8: ANN for Regression Problem (Curve fitting)

8.1: رگرسیون خطی و رگرسیون غیرخطی 8.1: Linear Regression & Non-linear Regression

8.2: قاعده یادگیری دلتا 8.2: Delta Learning Rule

8.3: یافتن جمله مشتق برای توابع فعال سازی مختلف 8.3: Finding Derivative term for different activation Functions

8.4: پرسپترون پیوسته آموزش دیده با برنامه نویسی MATLAB 8.4: Trained Continuous Perceptron with MATLAB Programing

8.5 نوشتن کد MATLAB برای قاعده یادگیری دلتا 8.5 Writing MATLAB Code for Delta Learning Rule

8.6 توسعه مدل شبیه سازی پرسپترون پیوسته 8.6 Develop Simulation Model of Continuous Peceptron

8.7 طراحی پرسپترون پیوسته با محاسبه دستی وزن ها 8.7 Design Continuous Perceptron with Manual Weight Calculation

8.8: آموزش پرسپترون پیوسته با MATLAB 8.8: Train Continuous Perceptron with MATLAB

فصل ۹: شبکه Feed Forward دو لایه با اپلیکیشن NN Fitting متلب Ch 9: Two Layer Feed Forward Network MATLAB NN Fitting App

9.1: مقدمه ای بر شبکه Feed Forward دو لایه 9.1: Introduction to Two Layer Feed Forward Network

9.2: تمرین برازش منحنی ۱ با جعبه ابزار NN متلب 9.2: Curve Fitting Practice 1 with MATLAB NN Toolbox

9.3: نحوه استفاده از مدل Simulink تولید شده 9.3: How to use Generated Simulink Model

9.4: تمرین برازش منحنی ۲ با جعبه ابزار NN متلب 9.4: Curve Fitting Practice 2 with MATLAB NN Toolbox

فصل ۱۰: مطالعه موردی: طراحی ANN برای پیش بینی قیمت خودرو با متلب Ch 10: Case Study: Design ANN for Car Price Prediction with MATLAB

10.1: انتخاب نوع NN و الگوریتم یادگیری 10.1: Decide NN Type and Learning Algorithm

10.2: تحلیل داده ها 10.2: Analyse Data

10.3: توسعه ANN برای پیش بینی قیمت خودرو با اپلیکیشن NN Fitting 10.3: Develop ANN for Car Price Prediction with NN Fitting App

10.4: توسعه مدل شبیه سازی برای پیش بینی قیمت خودرو 10.4: Develop Simulation Model for Car Price Prediction

فصل ۱۱: مطالعه موردی: درایو موتور رلوکتانسی سوییچ شده بدون سنسور مبتنی بر ANN Ch 11: Case Study: ANN-Based Sensorless Switched Reluctance Motor Drive

12.1 درک مسئله تخمین موقعیت روتور SRM 12.1 Understand the Problem of Rotor Position Estimation of SRM

12.2 طراحی ANN برای تخمین موقعیت روتور SRM 12.2 Design an ANN for Rotor Position Estimation of SRM

12.3 تحلیل عملکرد ANN آموزش دیده برای تخمین موقعیت روتور 12.3 Performance Analysis of ANN Trained for Rotor Position Estimation

12.4 شبیه سازی درایو SRM بدون سنسور مبتنی بر ANN 12.4 Simulation of ANN Based Sensorless SRM Drive

فصل ۱۲: خلاصه جامع Ch 12: Comprehensive Summary

12.1 خلاصه دوره 12.1 Course Summary

12.2 گام بعدی چیست؟ 12.2 What Next?

سخنرانی جایزه Bonus Lecture

نمایش نظرات

https://donyad.com/d/161f48