nn

شبکه های عصبی و الگوریتم های یادگیری در متلب

در این پست شبکه های عصبی و الگوریتم های یادگیری در متلب قرار داده شده است.

امروزه شبکه‌های عصبی مصنوعی به­ طور گسترده‌ای، با هدف دست­یابی به کارایی شبه انسانی مطالعه می‌شوند و در حال حاضر کابردهای متنوعی  در شاخه های مختلف مهندسی و حتی علوم انسانی پیدا کرده است. این شبکه‌ها قادرند روابط پیچیده غیرخطی بین متغیرهای ورودی و خروجی را در یک سیستم یاد بگیرند بدون اینکه دانشی قبلی نسبت به آن پدیده یا سیستم داشته باشند. در این مجموعه آموزشی قصد داریم ساختار مهم و کاربردی شبکه های عصبی از قبیل

  • شبکه های عصبی گاما،
  • Group Method of Data Handling (GMDH)
  • Radial basis function (RBF)
  • Recurrent neural network (RNN)
  • Convolutional neural network (CNN)
  • cerebellar-model-articulation-controller (CMAC)
  • Multilayer perceptron (MLP)
  • و برخی شبکه های عصبی مهم و کابردی دیگر از قبیل شبکه های عصبی خود تنظیم و شکبه های عصبی بر اساس تئوری راف و شبکه های عصبی Lolimot

همچنین روش های مختلف آموزش شبکه های عصبی بر اساس روش های آموزشی پس انتشار خطا (Back Propagation و Full Propafation) متدهای مختلف بهینه سازی از قبیل

  • گرادیان نزولی (Learning of neural network based on gradient descent algorithm )،
  • فیلتر کالمن توسعه یافته (Learning of neural network based on extended Kalman filter)،
  • فیلتر کالمن غیر خطی (Learning of neural network based on unsecented Kalman filter) و (Learning of neural network based on square root capture kalman filter)
  • روش کمترین مربعات خطا (Learning of neural network based on recursive least square algorithm)
  • روش آموزش مرتبه دوم لونبرگ مارکوآت (Learning of neural network based on Levenbeg-Marquat) و
  • روش مرتبه دوم نیوتن و روش مرتبه دوم  conjugate-gradient
  • روشهای تکاملی مثل الگوریتم ژنتیک (genetic algorithm) الگوریتم تجمعی پرندگان (particle swarm optimization) و الگوریتم عنکبوت (Social Spider optimization) رشد علف های هرز IWO و برخی دیگر از الگوریتم های مهم تکامی.

لازم به ذکر است که همه شبکه های عصبی و الگوریتم یادگیری در محیط متلب به صورت کد نویسی و قابل تطبیق با مسئله جدید پیاده سازی می شوند.

برای دانلود و خرید به انتهای صفحه مراجعه کنید



جلسه اول: مقده ای بر شبکه های عصبی و الگوریتم های یادگیری

در این جلسه مقدمه ای بر شبکه های عصبی و الگوریتم های یادگیری ارائه می شود و یک برنامه متلب به صورت برداری برای محاسبه خروجی شبکه های عصبی MLP شرح داده می شود. در جلسات بعدی از این برنامه برای محاسبات پیشرو شبکه های عصبی استفاده خواهد شد.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

پیش نمایش:کیفیت را روی HD قرار دهید.


جلسه دوم:  شبکه های عصبی MLP، آموزش بر اساس پس انتشار خطا -گرادیان نزولی، کابرد در تخمین توابع غیرخطی

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه شبکه های عصبی MLP بر اساس روش آموزش پس انتشار خطا Back Propagation و روش بهینه سازی گرادیان نزولی   Gradient Descent آموزش داده می شود. همچنین مسئله Over Train شرح داده می شود. الگوریتم های توضیح داده شده در محیط متلب به صورت کدنویسی شبیه سازی شده و در یک مسئله تخمین تابع غیرخطی به کار گرفته می شوند. برنامه ها به صورتی نوشته شده که به آسانی می توانید در مسئله خودتان استفاده نمایید.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

پیش نمایش:کیفیت را روی HD قرار دهید.


جلسه سوم: شبکه های عصبی MLP، روش Full Propagation، کابرد در دسته بندی

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه ابتدا شبکه های عصبی MLP بر اساس روش آموزش  Full Propagation و روش بهینه سازی گرادیان نزولی   Gradient Descent آموزش داده می شود. سپس  این شبکه ها در یک مسئله کابردی با داده های واقعی برای دسته بندی classification  مورد استفاده قرار می گیرد. در نهایت مسئله Over Parameterize توضیح داده می شود. الگوریتم های توضیح داده شده در محیط متلب به صورت کدنویسی شبیه سازی می شوند. به آسانی می توانید از این مثال در کابرد دسته بندی مربوط به خودتان استفاده نمایید.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

پیش نمایش:کیفیت را روی HD قرار دهید.


جلسه چهارم: آموزش بر اساس گرادیان نزولی با نرخ تطبیقی و کمترین مربعات خطا

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه آموزش شبکه های عصبی MLP با استفاده از گرادیان نزولی با نرخ تطبیقی و روش کمترین مربعات خطا RLS شرح داده می شود. دقت این الگوریتم ها با روشهای جلسه قبل مقایسه می شود. همچنین مشکلات روش RLS و روشهای رفع آنها با استفاده از Forgeting Factor و Covariance Matrix Resetting شرح داده می شود. همه الگوریتم های در محیط متلب به صورت کدنویسی پیاده سازی می شوند. برنامه ها به صورت برداری نوشته شده اند تا با سرعت بهینه در متلب اجرا شوند.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

پیش نمایش:کیفیت را روی HD قرار دهید.


جلسه پنجم: آموزش بر اساس الگوریتم های مرتبه دوم و افزایش سرعت همگرایی

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه آموزش شبکه های عصبی MLP با استفاده از روشهای مرتبه دومی مثل لونبرگ-مارکوآت  levenberg-marquardt و Conjugate Gradient آموزش داده می شود. دقت و سرعت این الگوریتم ها با روشهای جلسه قبل مقایسه می شود.  همه الگوریتم های در محیط متلب به صورت کدنویسی پیاده سازی می شوند. برنامه ها به صورت برداری نوشته شده اند تا با سرعت بهینه در متلب اجرا شوند.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

حجم: حدوداً ۱۰۰MB

پیش نماش: کیفیت را روی HD قرار دهید.

 


جلسه ششم: شبکه های عصبی RBF ، آموزش بدون مربی، خوشه بندی

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه، ابتدا ساختار شبکه های عصبی RBF  شرح داده می شود، سپس به تشریح روش آموزش شبکه های عصبی بر پایه روش بدون مربی  Unsupervised Learning Algorithm پرداخته می شود. از روش های آموزش بدون مربی، روش خوشه بندی K-means توضیح داده می شود. در نهایت  الگوریتم های توضیح داده شده در محیط کدنویسی متلب و با  یک مثال گویا پیاده سازی میشود و نتایج به دست آمده با روش آموزش با مربی نیز مقایسه می شود.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

حجم: حدوداً ۱۰۰MB

پیش نماش: می توانید کیفیت را روی HD قرار دهید.


جلسه هفتم: شبکه های عصبی GMDH (Ivakhenenco)، شبیه سازی مقاله ۲۰۱۵، تشخیص خطا

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه، شبکه های عصبی GMDH (شبکه عصبی بر اساس چند جمله ای های ایواخننکو Ivakhenenco) معرفی میشود. نحوه تنظیم ساختار، پارامترها و قابلیت های این شکبه عصبی شرح داده شده و در نهایت در یک مسئله تشخیص خطا fault detection  به کار برده می شود. شبیه سازی انجام شده در این جلسه به صورت سیمولنیک و بر اساس یک مقاله معتبر ISI   می باشد.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

حجم: حدوداً ۱۰۰MB

پیش نماش: می توانید کیفیت را روی HD قرار دهید.


جلسه هشتم: الگوریتم ژنتیک، تولباکس متلب، کدنویسی

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه، الگوریتم ژنتیک به زبان ساده و با نگاه کاربردی شرح شده و تولباکس متلب برای این الگوریتم همرا با یک مثال گویا و ساده، به صورت کامل بررسی می شود. همچنین یک برنامه متلب برای این الگوریتم نوشته شده است که می توانید از این کدها در مسئله مربوط به خودتان به راحتی استفاده نمایید. در جلسات بعدی از این الگوریتم برای آموزش شبکه عصبی استفاده خواهیم کرد.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

حجم: حدوداً ۱۰۰MB

پیش نماش:  کیفیت را روی HD قرار دهید.


جلسه نهم: آموزش شبکه های عصبی با استفاده از الگوریتم ژنتیک، شبکه های عصبی حافظه دار

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه، ابتدا به معرفی شبکه های عصبی حافظه دار پرداخته شده و روابط آنها، نحوه آموزش و تفاوتشان با شبکه های عصبی قبلی شرح داده می شود. سپس به آموزش شبکه های عصبی بر اساس الگوریتم ژنتیک همراه با یک مثال ساده  گویا، می پردازیم. همچنین نحوه اضافه کردن توابعی دلخواه به تولباکس ژنتیک متلب شرح داده می شود.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

حجم: حدوداً ۱۰۰MB

پیش نماش:  کیفیت را روی HD قرار دهید.


جلسه دهم: شناسایی غیرخطی بر اساس شبکه های عصبی (مدلهای NNARX, NNFIR, NNEO,…)،

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه ابتدا روش های شناسایی غیرخطی بر پایه شبکه های عصبی شرح داده می شود (Identification based on neural networks). سپس به بررسی شبکه های عصبی با توابع فعالساز انعطاف پذیر پرداخته می شود. در نهایت یک مثال گویا و کابردی در متلب شبیه سازی می شود. برنامه متلب نوشته شده به صورت کامل است و می توانید در پروژه های خود از آن استفاده نمایید.


محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

حجم: حدوداً ۱۰۰MB

پیش نماش:  کیفیت را روی HD قرار دهید.


جلسه یازدهم: آموزش شبکه های عصبی بر اساس فیلتر کالمن توسعه یافته، مسئله پیش بینی بارندگی با داده های واقعی

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

 در این جلسه، ابتدا فیلتر کالمن توسعه یافته (extended Kalman filter) به صورت مختصر شرح داده می شود سپس به نحوه آموزش شبکه های عصبی بر اساس این روش می پردازیم. در نهایت شبکه های عصبی در یک مثال کاربردی (پیش بینی بارندگی تهران با استفاده از داده های واقعی) مورد استفاده قرار می گیرد. یک برنامه متلب به صورت جامع و کامل در این جلسه ارائه می شود که می توانید در پروژه ها و پایان نامه های مشابه به آسانی از آن استفاده نمایید.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

حجم: حدوداً ۱۰۰MB

پیش نماش:  کیفیت را روی HD قرار دهید.


جلسه دوازدهم: شبکه های عصبی راف و آموزش این شبکه ها بر اساس فیلتر کالمن و گرادیان نزولی

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

 در این جلسه، شبکه های عصبی راف (Rough Neural Networks) شرح داده می شوند. این شبکه های عصبی حساسیت کمتری در مقایسه با MLP نسبت به نرون های لایه میانی دارند. از الگوریتم های گرادیان نزولی و فیلتر کالمن توسعه یافته برای آموزش این شبکه عصبی استفاده می شود. در نهایت برنامه متلب جامع و کامل همراه با یک مثال گویا برای آموزش این شبکه های عصبی ارائه می شود و نتایج با شبکه عصبی MLP مقایسه می شود.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

حجم: حدوداً ۱۰۰MB

پیش نماش:  کیفیت را روی HD قرار دهید.


جلسه سیزدهم: شبکه های عصبی مبتنی بر کانولوشن، تشخیص اعداد دست نویس انگلیسی

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

 در این جلسه، شبکه عصبی  Convolutional Neural Networks (CNN) را معرفی کرده و به تشریح ساختار و قابلیت های آن می پردازیم و با شبکه های عصبی MLP  مقایسه می کنیم و درنهایت در یک مسئله مهم و کاربردی تشخیص اعداد دست نویس به کار برده می شود.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

حجم: حدوداً ۱۰۰MB

پیش نماش:  کیفیت را روی HD قرار دهید.

 

جلسه چهاردهم: Unscented Kalman Filter، آموزش شبکه های عصبی بر اساس فیلتر کالمن UKF

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

 در این جلسه، ابتدا به صورت مختصر مزایا و معایب روشهای آموزشی مختلف را بررسی کرده و سپس به تشریح فیلتر کالمن UKF  می پردازیم. از این الگوریتم در یک مثال گویا برای آموزش شبکه های عصبی استفاده می کنیم. برنامه متلبی به صورت کامل و بهینه برای این آموزش شبکه های عصبی MLP با ساختار دلخواه بر اساس UKF  ارائه می شود.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

حجم: حدوداً  ۱۰۰MB

پیش نماش:  کیفیت را روی HD قرار دهید.



جلسه پانزدهم:  آموزش شبکه های عصبی بر اساس PSO

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

 در این جلسه، ابتدا الگوریتم PSO شرح داده می شود، سپس نحوه بهینه سازی شبکه های عصبی با استفاده از این الگوریتم توضیح داده می شود. در نهایت در یک مثال کاربردی از PSO برای طراحی شبکه  عصبی استفاده می شود. از کدهای متلب ارائه شده به راحتی می توانید در مسائل مربوط به خودتان استفاده کنید.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب و pdf

حجم: حدوداً  ۶۰MB

پیش نماش:  کیفیت را روی HD قرار دهید.


جلسه شانزدهم: شبکه های عصبی گاما

در این جلسه شبکه های عصبی گاما (gamma neural network) ، اهمیت این شبکه های عصبی و کاربردهای آن توضیح داده می شود. سپس در یک مثال کاربردی برای تخمین یک تابع غیرخطی به کار گرفته می شود. همه پارامترهای این شبکه عصبی بر اساس PSO  تنظیم می شوند. برنامه متلب جامعی برای این شبکه عصبی ارائه شده است.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب و pdf

حجم: حدوداً  ۸۰MB

پیش نماش:  کیفیت را روی HD قرار دهید.


جلسه شانزدهم: شبکه های عصبی مدل مخچه (CMAC)

در این جلسه شبکه های عصبی مدل مخچه  (Cerebellar model articulation controller)، توضیح داده می شود. همه پارامترهای این شبکه عصبی بر اساس PSO  تنظیم می شوند. این شبکه عصبی در یک مثال کابردی با دیتای واقعی برای پیش بینی بارندگی استفاده می شود. برنامه متلب جامعی ارائه شده است که می توانید در مسائل خودتان استفاده کنید.

 محتوا: فایل آموزشی ۷۲۰pو کدهای متلب و pdf

حجم: حدوداً  ۸۰MB

پیش نماش:  کیفیت را روی HD قرار دهید.


جلسه هجدهم: شبکه های عصبی مثلثاتی و تولباکس متلب

در این جلسه شبکه های عصبی مثلثاتی شرح داده شده و در یک مثال کاربردی برای پیش بینی سری های زمانی به کار گرفته می شود. علاوه بر برنامه جامع متلبی که برای این کار ارائه می شود از تولباکس متلب نیز برای این کار استفاده می شود.
 محتوا: فایل آموزشی ۷۲۰pو کدهای متلب و pdf

حجم: حدوداً  ۸۰MB

پیش نماش:  کیفیت را روی HD قرار دهید.


در جلسات بعدی شبکه های عصبی پیشرفته تر و همچنین چند پروژه در زمینه شبکه های عصبی افزوده خواهد شد.



برای خرید کلیک بفرمایید

۴۶ نظر

  1. با سلام
    ببخشید بنده جلسات این مبحث را روز ۵ فروردین خریداری کردم ولی دانلود نکرده بودم. الان متاسفانه نمی توانم دانلود کنم و خطای timeout میدهد. ممنون می شوم برایم مجددا ارسال کنید. سپاسگزارم.

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ فروردین ۱۴ام, ۱۳۹۶ ۳:۰۸ ب.ظ:

    @الهام,
    با سلام
    لطفاً با مدیر سایت تماس بگیرید.
    ممنون.

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ فروردین ۱۴ام, ۱۳۹۶ ۳:۱۱ ب.ظ:

    @الهام,
    سلام لطفاً با مدیر محترم سایت تماس بگیرید
    شماره موبایل: ۰۹۱۶۲۹۶۳۸۷۰

    ایمیل: s.h.moosapour@gmail.com

    [پاسخ]

  2. سلام. من آموزش جلسخ دوم شبکه عصبی رو خریداری کردم (در تاریخ ۱۲/۱/۹۶) ولی با کلیک بر روی دانلود پیغام “شما اجازه لازم برای دانلود این فایل را ندارید” نشان داده میشه

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ فروردین ۱۴ام, ۱۳۹۶ ۳:۰۸ ب.ظ:

    @امین,
    سلام
    لطفاً با مدیر سایت تماس بگیرید.
    ممنون.

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ فروردین ۱۴ام, ۱۳۹۶ ۳:۱۱ ب.ظ:

    @امین,
    سلام لطفاً با مدیر محترم سایت تماس بگیرید
    شماره موبایل: ۰۹۱۶۲۹۶۳۸۷۰

    ایمیل: s.h.moosapour@gmail.com

    [پاسخ]

  3. با سلام

    بنده یه سوال درباره جلسه ۱۱ داشتم که خریداری کردم
    من رشته عمران هستم وقتی بخوام مثلا مشابه کار شما پیش بینی بارندگی انجام بدم اسم مقاله را باید چی بزارم؟
    پیش بینی بارندگی با شبکه عصبی و توضیح بدهم در متن که این شبکه با فیلترکالمن اموزش دیده شده
    یا مستقیم بنویسم پیش بینی بارندگی با فیلتر کالمن توسعه یافته
    با تشکر

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ فروردین ۹ام, ۱۳۹۶ ۱۱:۴۶ ق.ظ:

    @حمید,
    سلام
    بهتره عنوان مقاله را طوری انتخاب کنید که به خوبی گویای محتوای مقاله و رویکرد اصلی تان باشد.

    [پاسخ]

    حمید پاسخ در تاريخ فروردین ۹ام, ۱۳۹۶ ۹:۰۲ ب.ظ:

    @دکتر محمدزاده,
    با سلام این روش که اموزشش را بنده خریدم اموزش فیلتر کالمن توسعه یافته است یا اموزش شبکه عصبی با فیلتر کالمن
    من درست متوجه این نشدم و یا اینکه اصلا اینا با هم فرقی ندارند.

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ فروردین ۱۰ام, ۱۳۹۶ ۱۲:۴۴ ق.ظ:

    @حمید,
    سلام
    فیلتر کالمن یک روش بهینه سازی است (مثل گرادیان نزولی، کمترین مربعات بازگشتی و …) درحالیکه شبکه عصبی در حالت کلی یک تابع غیرخطی می باشد. از فیلتر کالمن برای بهینه سازی شبکه عصبی یا به اصطلاح آموزش شبکه عصبی استفاده شده است.

    [پاسخ]

  4. سلام
    من مجموعه جالب شما را خریداری کردم. ولی فایل با لینک pdfj1 دانلود نمیشه و وقتی کلیک می کنم عبارت مقابل ظاهر میشه: متأسفیم ولی محدودیت‌هایی برای دانلود وجود دارد

    [پاسخ]

    مدیر سایت پاسخ در تاريخ اسفند ۱۲ام, ۱۳۹۵ ۱۲:۵۰ ب.ظ:

    @ایمان,
    @ایمان,
    سلام
    محدودیت سه بار کلیک روی هر لینک وجود داره یعنی شما نمیتونید به تعداد نامحدود این موضوع رو دانلود بفرمایید. با این حال لینکشو بازم براتون فعال کردم لطفا دوباره دانلود بفرمایید
    سپاس

    [پاسخ]

  5. سلام لطفا آموزش شبکه عصبی بازگشتی را هم اضافه نمایید.

    [پاسخ]

    محمد زاده پاسخ در تاريخ اسفند ۴ام, ۱۳۹۵ ۹:۰۸ ب.ظ:

    @سید محمد,
    سلام دوست عزیز
    لطفاً به جلسه ۹ مراجعه نمایید.
    در آینده جلسات بیشتری بر روی سایت قرار خواهد گرفت.

    [پاسخ]

  6. با سلام
    آقاى دکتر من خیلى وقته که منتظرم کنترل کننده عصبى رو تدریس بفرمایید و هر روز ب کانال شما سر مى زنم
    تدریس رو چه زمانى انجام میدید؟ میشه یه تاریخ بهم بگید؟

    [پاسخ]

    محمد زاده پاسخ در تاريخ اسفند ۱ام, ۱۳۹۵ ۹:۳۲ ب.ظ:

    @محسن,
    سلام دوست عزیز
    به امید خدا قصد داریم از هفته سوم اسفند مجموعه کنترل کننده های هوشمند را شروع کنیم و در این مجموعه سعی خواهیم کرد، تمام کنترل کننده های عصبی و فازی پرکاربرد را پوشش دهیم.
    موفق باشین.

    [پاسخ]

  7. سلام
    متاسفانه لینک های جلسه اول رو که میخواستم ببینم اشتباه بودن
    لطفا اصلاح کنید

    [پاسخ]

    محمد زاده پاسخ در تاريخ بهمن ۲۷ام, ۱۳۹۵ ۷:۳۰ ب.ظ:

    @Hasan,
    سلام دوست عزیز
    همین الان امتحان کردم درست بود.

    [پاسخ]

  8. با سلام
    لطف کنید کاربرد CNN رو زودتر قرار دهید خواهان زیادی دارد
    اگر امکان دارد Fast-RCNN رو آموزش دهید خیلیا منتظر این مجموعه هستند

    [پاسخ]

    محمد زاده پاسخ در تاريخ بهمن ۲۷ام, ۱۳۹۵ ۷:۳۱ ب.ظ:

    @محمد,
    سلام دوست عزیز
    با پیشنهاد علاقمندان بعد از چند جلسه آموزش مجموعه فازی دوباره مجموعه عصبی را ادامه خواهیم داد.
    موفق باشین

    [پاسخ]

  9. با عرض سلام و خسته نباشید.
    لطفا بفرمایید چند قسمت دیگر از این آموزش باقی مانده و کی بر روی سایت قرار می گیرد.

    [پاسخ]

    محمد زاده پاسخ در تاريخ بهمن ۲۵ام, ۱۳۹۵ ۱۰:۵۹ ب.ظ:

    @محسن,
    با سلام
    حدوداً پنج جلسه در روزهای آینده اضافه خواهیم کرد.
    شبکه های عصبی CMAC، گاما، کاربرد CNN در پردازش تصویر و چند پروژه کابردی اضافه خواهیم نمود.

    [پاسخ]

    محسن پاسخ در تاريخ اسفند ۲۵ام, ۱۳۹۵ ۳:۰۰ ب.ظ:

    @محمد زاده,
    سلام این جلساتی که فرمودید رو کی اضافه می کنید؟

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ اسفند ۲۹ام, ۱۳۹۵ ۸:۱۰ ب.ظ:

    @محسن,
    سلام دوست عزیز
    امیدواریم بعده عید بتونیم این جلسات رو اضافه کنیم.

    [پاسخ]

  10. سلام من شبکه عصبی اصلا نخوندم ایا تدریس کردین از بیس بعد کد نویسی گفتین؟؟
    واقعا هیچی بلد نیستم. اگه با این شرایط بدردم میخوره استفاده کنم؟

    [پاسخ]

    محمد زاده پاسخ در تاريخ بهمن ۲۴ام, ۱۳۹۵ ۴:۲۷ ب.ظ:

    @حسین,
    با سلام
    در این مجموعه مطالب بیس و اساسی تدریس شده.
    کد نویسی و شبیه سازی برای کمک به درک جزئیات مطلب و همچنین آشنایی با نحوه پیاده سازی و کاربردهای مختلف مسئله مطرح شده می باشد.

    [پاسخ]

  11. با سلام
    ببخشید فایل PDF یا پاورپونیت این مجموعه اموزش ها هم با خریداین مجموعه ارسال می شود ؟

    [پاسخ]

    محمد زاده پاسخ در تاريخ بهمن ۲۳ام, ۱۳۹۵ ۵:۰۴ ب.ظ:

    @محمد,
    با سلام
    فایلهای متلب و ویدئو آموزشی ارسال می شود.

    [پاسخ]

    محمد پاسخ در تاريخ بهمن ۲۳ام, ۱۳۹۵ ۵:۱۱ ب.ظ:

    اگر امکان داره فایل های pdf هم بفرستید دیگر آنها رو ننویسیم
    همه سایت های آموزشی این کارو میکنن خیلیا هم پاورپوینت میفرستن
    لطف کنید شما حداقل pdf آنها رو بفرستید

    [پاسخ]

    محمد زاده پاسخ در تاريخ بهمن ۲۳ام, ۱۳۹۵ ۵:۲۵ ب.ظ:

    @محمد,
    باشه. حتماً.
    پی دی اف یا پاور پوینت جلسات رو اضافه خواهیم کرد.

    با توجه به اینکه رویکرد ما در این مجموعه های آموزشی کاربردی بوده و بخش زیادی از آموزش صرف پیاده سازی در متلب میشه به خاطر همین پاورپوینت را به فایلا اضافه نکرده بودیم.

    [پاسخ]

  12. سلام
    یه سوال با توجه به اینکه ما رشتمون برق نیست آیا روش های کنترلی این ها هستند ؟
    خطی
    تو غیرخطی ها ( مود لغزشی- بازگشت به عقب- تطبیقی- فازی)
    آیا این دسته بندی درسته؟
    ۲ – جایگاه عصبی تو روش های کنترلی کجاست؟ و آیا تو فیلم تون علت استفاده و زمان استفاده از این روش توضیح داده شده؟
    ممنون

    [پاسخ]

    محمد زاده پاسخ در تاريخ دی ۱۶ام, ۱۳۹۵ ۴:۲۷ ب.ظ:

    @حسین,
    با سلام
    در این مجموعه صرفاً شبکه های عصبی و الگوریتم های یادگیری آنها توضیح داده شده است که کاربرد آنها منحصر به برق و کنترل نیست در رشته های مختلف می تواند کابردهای مختلفی داشته باشد که در فیلمها به بعضی از این کابردها اشاره شده است.
    ضمناً اینکه در آینده نزدیک کابرد شبکه های عصبی مختلف و روشهای آموزشی مختلف ارائه شده در کنترل کننده های هوشمند بر روی سایت قرار خواهد گرفت.

    [پاسخ]

    مدیر سایت پاسخ در تاريخ دی ۱۶ام, ۱۳۹۵ ۱۱:۴۰ ب.ظ:

    @حسین,
    سلام
    با اجازه استاد محمد زاده من پاسخ دوستمون رو میدم.
    عرضم به حضور انوار حضرت عالی که، کنترل کننده ها در یک دسته بندی کلی به هوشمند و تحلیلی تقسیم میشن.
    کنترل خطی ، کنترل غیرخطی، کنترل تطبیقی، کنترل مقاوم و ….. جزء کنترل کننده های تحلیلی به شمار میان.
    اما کنترل کننده هایی که بر مبنای شبکه های عصبی و فازی و … جزء کنترل کننده های هوشمند به شمار میان.
    سپاس

    [پاسخ]

  13. با سلام…
    یه مدتی هست با سایت شما آشنا شدم..
    بنظرم خوب دارید کار میکنید..و منتظرم خیلی حرفه ای تر به کارتون ادامه بدید.. چون دارید واقعا تخصصی جلو میرید..
    یه پیشنهاد دارم که امیدوارم حتما مورد نظر واقع بدین و اون هم اینه که سعی کنید آموزشها رو روی DVD هم فراهم کرده و امکان ارسال اونا به درب منزل رو فراهم کنید…
    چون حجم دانلودها بالاست و سرعت و هزینه اینترنت هم هست…
    اگه DVD باشه میشه چندتا آموزش رو باهم انتخاب کرد و شما ارسال کنید به درب منزل در سراسر کشور…
    لطفا بررسی کنید..
    با تشکر فراوان

    [پاسخ]

    محمد زاده پاسخ در تاريخ دی ۱۴ام, ۱۳۹۵ ۴:۰۵ ب.ظ:

    @ایمان,
    خیلی ممنون از نظر لطفتان. حتماً پیشنهاد بسیار خوب شمارو مد نظر قرار خواهیم داد.

    [پاسخ]

    مدیر سایت پاسخ در تاريخ دی ۱۴ام, ۱۳۹۵ ۱۱:۳۵ ب.ظ:

    @ایمان,
    سلام

    بابت نظری که دادید ازتون ممنونم.
    این قابلیت همین الان وجود داره منتها باید طرف یه تماس هم بگیره اونوقت این محصولات رو براش خواهیم فرستاد. این نکته رو هم باید اضافه کنم که ما در حال ارتقا سایت هستیم و انشاالله تا دو سه هفته آینده این قابلیت در سایت نیز اضافه خواهد شد.
    سپاسگزارم

    [پاسخ]

  14. سلام
    پیاده سازی شبکه های مختلف با استفاده از toolbox انجام گرفته؟

    [پاسخ]

    محمد زاده پاسخ در تاريخ دی ۱۱ام, ۱۳۹۵ ۶:۲۷ ب.ظ:

    با سلام
    پیاده سازی ها به صورت کدنویسی انجام شده است تا شما به راحتی به توانید از این کدها در مسئله مربوط به خودتان استفاده بفرمایید. ضمن اینکه این کدها در مسائل آن-لاین و تطبیقی هم قابل استفاده هستند. همه کدها سعی شده است تا حدامکان به صورت برداری نوشته شود تا با سرعت بهینه در متلب اجرا شوند.

    [پاسخ]

  15. با سلام

    احتراما اینجانب غلامرضا بامی محمدی هستم دانشجو ارشد مکانیک طراحی کاربردی، در حال حاضر بر روی پایان نامه خود تحت عنوان (کنترل فعال سیستم تعلیق خودرو با استفاده از منطق فازی) کار میکنم. قصد دارم که پس از آموزش مدل دینامیکی کامل سیستم تعیق(۴ چرخ) به کنترل کننده تطبیقی عصبی-فازی برسم و در ادامه با بکار گیری از روش خوشه بندی فازی که شعاع خوشه ها توسط الگوریتم فرابتکاری pso تنظیم شده است کنترل فعال سیستم تعلیق را ارتقا بدهم، و برای شرایط مختلف جاده ای عملکرد سیستم تعلیق را ارزیابی کنم. در این مسیر برای آموزش کنترل کننده تطبیقی عصبی-فازی پایه دچار سردرگمی شده ام و نیاز به راهنمایی دارم.

    [پاسخ]

    محمد زاده پاسخ در تاريخ دی ۱۱ام, ۱۳۹۵ ۶:۳۱ ب.ظ:

    سلام دوست عزیز لطفاً مسئله خود را از طریق ایمیل
    intelligent.controlref@gmail
    مطرح بفرمایید. تا حد امکان در این مسئله به شما راهنمایی خواهد شد. موفق باشید.

    [پاسخ]

  16. سلام فیلم شبکه های عصبی بخش دوم را دو بار اینترنتی خریداری کردم اما فایل های ارسالی خالی است و دانلود نمی شود . لطفا رسیدگی فرمایید. با تشکر

    [پاسخ]

    محمد زاده پاسخ در تاريخ دی ۹ام, ۱۳۹۵ ۱۱:۴۱ ق.ظ:

    باعرض پوزش مشکل بوجود آمده برطرف شد. فایل رو براتون ایمیل میکنم. ممنون.

    [پاسخ]

یک پاسخ بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *