دوره الگوریتم های طبقه بندی یادگیری ماشین با استفاده از متلب

سعید عباسی

دانشجوی دکترای هوش مصنوعی

معرفی: من سعید عباسی دانشجوی دکترای رشته هوش مصنوعی هستم. حدود 4 سال بصورت مستقیم با مباحث هوش مصنوعی در ارتباط هستم و در بین مباحث هوش مصنوعی به یادگیری ماشین و شبکه های عصبی علاقه زیادی دارم و در این زمینه ها بصورت تخصصی تحقیق و پژوهش کرده ام. همچنین در طول این چند سال با نرم افزار متلب به پیاده سازی مقالات و زمینه های پژوهشی مختلف پرداخته ام.

سوابق تحصیلی:

فارغ التحصیل مقطع کارشناسی ارشد هوش مصنوعی از دانشگاه فردوسی مشهد

دانشجوی دکترای مهندسی کامپیوتر گرایش هوش مصنوعی در دانشگاه فردوسی مشهد

نویسنده مقالات:

"یادگیری مقاوم مبتنی بر جمع سپاری" / کنفرانس انجمن ملی کامپیوتر ایران(1393)

“Robust crowdsourcing-based linear regression”/ICCKE 2016

“Robust Fuzzy Support Vector Machines with Locally Linear Embedding Algorithm”/کنفرانس پردازش سیگنال و سیستم های هوشمند دانشگاه امیرکبیر(1394)

“Hierarchical cooperation of experts in learning from crowds”/ ICCKE 2016

سوابق کاری:

تدریس در مرکز آموزش بین الملل دانشگاه فردوسی و دانشگاه بین المللی امام رضا(ع) مشهد

دارای 5 سال سابقه کار برنامه نویسی و مسلط به زبان های برنامه نویسی C#، C++ و برنامه نویسی Matlab

جهت درج نظر یا پرسش خود و یا در سایت ثبت نام فرمایید

09119**** 1397/01/26 16:17

باسلام - ضمن تشکر از تدریس روان و جامع جنابعالی
یک سوال داشتم : امگان دارد در مورد نحوه استفاده از کرنل فازی توضیح بدید؟
- سعید عباسی 1397/01/27 00:15
  
  با عرض سلام و تشکر.
  با توجه به تخصصی و مفصل بودن بحث، بنده چند رفرنس برای پیگیری موضوع خدمت شما ارسال میکنم:
  کلیک کنید
  و همچنین:
  کلیک کنید
h.sol**** 1397/02/11 18:41

با سلام. این دوره پس از خرید قابل دانلود است یا باید آنلاین دیده شود؟
- روابط عمومی آن آموز 1397/02/11 19:10
  
  با عرض سلام و احترام
  تمامی دوره های آموزشی آن آموز را می توان هم بصورت آنلاین مشاهده نمود و هم قابل دانلود شدن می باشند
09119**** 1397/03/15 10:40

سلام و احترام جناب عباسی
برای استفاده از svm به منظور تشخیص خطا باید دیتای اولیه پردازش شود،برای استفاده از روش موجک گسسته میشه راهنماییم کنید
- سعید عباسی 1397/03/25 03:22
  
  سلام وقت بخیر
  در صورتی که منظور شما از موجک گسسته، تبدیل موجک گسسته باشه، واسه اینکه این تبدیل رو به داده یا سیگنال خودتون اعمال کنید تابع آماده متلب هست و میتونین در سایت mathwork سرچ کنید.
  اما درصورتی که پیش پردازش های مورد نیاز برای داده های سیگنالی رو میخواین، بستگی به نوع دیتاست شما داره که چه پیش پردازشی نیاز هست. برای مثال گاهی لازمه که برخی عناصر مفقود پر شود. گاهی فیلترهایی برای رفع نویز نیازه و گاهی هم نرمالایز کردن داده ها کافی است.
  برای اطلاعات بیشتر بهتره به دوره های DSP مراجعه کنید.
- 09119**** 1397/10/22 18:56
  
  سلام جناب عباسی
  من از دوره بسیار جامع و مفید شما استفاده کردم
  یک سوال : در رابطه با پیش پردازش دیتای اولیه قبل از استفاده از svm ، برای تشخیص خطای موتور الکتریکی ، من جریانهای سه فاز موتور را به تعداد 50000 نمونه برای هر فاز دارم، در دو حالت سالم و معیوب. میشه بفرمایید آیا نیاز به پیش پردازش هست ؟اگه بله ، من چه روشی استفاده کنم ،
  آیا میشه فقط از روش PCA کاهش بعد بدم و بعد از SVM استفاده کنم؟
  ممنون
- سعید عباسی 1397/10/23 23:06
  
  سلام. خواهش میکنم. خوشحالم که این دوره مورد توجه شما قرار گرفته است.
  بر روی داده های شما، پیش پردازش های مختلفی میشه انجام داد. یکی از این پیش پردازش ها، استخراج ویژگی به روش PCA هست. اما پیش پردازش های مختلف دیگه ای رو پیشنهاد میکنم:
  1) انتخاب ویژگی به روش هایی دیگر مانند mrMr
  2) پر کردن مقادیر مفقود (در صورت وجود) با روشی مانند knnimpute
  3) افزودن تابعی از ورودی ها به عنوان یک ورودی جدید. مثلا ممکن است افزودن سینوس ویژگی اول به عنوان یک ویژگی جدید، برای طبقه بندی مفید باشد.
  4) با توجه به مورد فوق، میتوان داده ها را با تکنیکی مانند RFF به فضای دیگری برد تا شانس جداسازی آنها بیشتر شود. البته میتوان این کار را با کرنلی کردن svm نیز انجام داد اما با توجه به اینکه داده های شما تعداد بالایی دارند ممکن است روی سیستم معمولی عملی نباشد در حالی که در روش RFF خود شما میتوانید تعداد بُعد فضای ویژگی را تعیین کنید.
  5) نرمال سازی داده ها که امری بسیار مهم است. دو روش نرمال سازی min max و zscore پیشنهاد میشود
  موفق باشید
progl**** 1398/02/23 23:04

با عرض سلام و خسته نباشید و تشکر بابت سایت پربارتون.مطابق انتظار از آن آموز دوره مفیدو خوبی بود.تمامی الگوریتم های یادگیری ماشین در این دوره بصورت مفید آموزش داده شد و توضیحات اضافه حذف شده و این ویژگی خیلی خوبی برای این دوره هست.البته اگر مثال های متناسب با الگوریتمها و روش های طبقه بندی یادگیری ماشین کمی بیشتر میبود دوره عالیتر میشد.من دوره های دیگه ای که دیده بودم فقط دسکتاپ بود ولی توی این دوره چهره مدرس رو هم میدیدم که هم جالب بود و هم باعث یکنواختی نمیشد.
- روابط عمومی آن آموز 1398/02/24 16:52
  
  سلام.ممنون از نظرات و نکاتی که فرمودین. در این دوره سعی شده که توضیح هر الگوریتم بصورت خلاصه بیان شود و حداقل یک مثال کاربردی برای هر الگوریتم محیط متلب برنامه نویسی و پیاده سازی شود و از نکات تئوری بیش از حد خودداری شود. انشاالله در دوره های بعدی تعداد مثال ها و تمرین های عملی را بیشتر در نظر میگیریم.موفق باشید
سید محسن موسوی 1398/03/16 21:32

با سلام و خسته نباشید
ضمن تشکر بابت کیفیت خیلی خوب تصویر و تدریس خوب استاد
لطفا دوره ی استفاده از تکنیک های یادگیری ماشین در پایان نامه ارشد از پایه تا اجرا را هم تدریس کنید .
متاسفانه در این زمینه ، آموزشی در جایی پیدا نمیشه .
با تشکر

الگوریتم های طبقه بندی یادگیری ماشین با استفاده از متلب

در این دوره یاد خواهیم گرفت:

روش های کاهش و استخراج ویژگی

آشنایی با مفهوم یادگیری ماشین و طبقه بندی

کدنویسی الگوریتم های طبقه بندی در متلب

روش های ارزیابی و آزمون های آماری

SVM، Knn، Decision Tree

Kernel Methods،Naïve Bayes

مقدمه

یادگیری ماشین

معرفی مجموعه داده

کاهش ویژگی

استخراج ویژگی توسط شبکه عصبی عمیق

طبقه بند میانگین گیری

طبقه بند KNN با فاصله اقلیدسی

طبقه بند KNN با فاصله ماهالانوبیس

طبقه بند کمترین مربعات خطا

طبقه بند ماشین بردار پشتیبان (بخش اول)

طبقه بند ماشین بردار پشتیبان (بخش دوم)

روش های kernel

درخت تصمیم

naive bayes

ارزیابی طبقه بند

نفرین ابعاد

آزمون های آماری