قراره تو این دوره چی یاد بگیرم؟

  • مقدمه به شبکه‌های عصبی و یادگیری عمیق
  • مروری بر اصول متلب برای پردازش عددی
  • آموزش ساختارهای اولیه شبکه‌های عصبی در متلب
  • استفاده از داده‌ها برای آموزش و آزمون شبکه‌های عصبی
  • بهینه‌سازی و تنظیم پارامترهای شبکه‌های عصبی
  • و ...

سرفصل های دوره

۱ فصل
۵ جلسه
۲ ساعت
۱

لیست ویدئوهای دوره

۳۵ قسمت
۰۲:۲۹:۳۳
1

مقدمه و نکات اولیه

۱۸:۴۳
2

شبکه های عصبی چند لایه و نحوه عملکرد آنها

رایگان
۳۰:۲۰
5

توابع فعالساز

6

شبکه های عصبی انعطاف پذیر

7

توضیح شبکه عصبی به شکل عملی

8

تکلیف عملی شبکه های عصبی

9

شبکه عصبی بر پایه توابع شعاعی

10

آموزش بدون ناظر شبکه عصبی بر پایه توابع شعاعی

11

انجام پروژه عملی

12

شبکه عصبی بازگشتی و حافظه دار

13

تعریف شبکه عصبی بازگشتی

14

بهبود الگوریتم آموزش پس از انتشار خطا در شبکه عصبی

15

نحوه دانلود تولباکس LSTM

16

آموزش مدل مخچه(CMAC)

17

توضیحاتی درباره تولباکس های مربوط به شبکه عصبی

18

آموزش شبکه عصبی GMDH

19

شبکه عصبی در هم پیچش(عمیق)

20

جلسه اول پروژه عملی

21

جلسه دوم پروژه عملی

22

جلسه سوم پروژه عملی

23

شبکه عصبی خود سازمان ده(SOM)

24

توضیح عملی SOM

25

آموزش شبکه عصبی LVQ

26

توضیح عملی LVQ

27

آموزش شبکه عصبی RBM

28

توضیح عملی RBM

29

شبکه عصبی خود رمز نگار

30

توضیح عملی شبکه عصبی خود رمز نگار

31

معرفی ابزار NeuPy

32

توضیح فایل های بیس و پایه پایتون

33

توضیحات تکمیلی درباره NeuPy

34

دانلود فایل های پایتون

35

نصب فایل های پایتون به زبان english

۱۳:۲۱

در دنیای امروزی، استفاده از شبکه‌های عصبی به عنوان ابزاری برای پردازش داده و پیش‌بینی در زمینه‌های مختلف به شدت رواج یافته است. متلب به عنوان یکی از محیط‌های محاسباتی قدرتمند، امکان آموزش و پیاده‌سازی شبکه‌های عصبی را به کاربران خود ارائه می‌دهد. در دوره جامع آموزش شبکه های عصبی در متلب خواهید آموخت که چگونه از امکانات قدرتمند متلب برای طراحی، آموزش و ارزیابی انواع شبکه‌های عصبی استفاده کنید. از مفاهیم ابتدایی شبکه‌های عصبی گرفته تا مفاهیم پیشرفته، همه موارد در این دوره به صورت گام به گام آموزش داده می‌شود.

مخاطبان دوره آموزش شبکه های عصبی در متلب

دوره آموزش شبکه های عصبی در متلب برای دانشجویان، برنامه‌نویسان و توسعه‌دهندگان و تمامی افراد علاقه‌مند به یادگیری شبکه‌های عصبی مناسب است.

پیش نیاز دوره آموزش شبکه های عصبی در متلب

این دوره از مبتدی ترین تا پیشرفته ترین مباحث شبکه های عصبی در متلب را بیان خواهد کرد پس شما برای گذراندن این دوره نیاز به هیچگونه پیش نیازی ندارید.

وجه تمایز این دوره نسبت به رقبا

دوره آموزش شبکه های عصبی در متلب دانشجویار به صورت جذاب و عملی، شما را از مباحث ابتدایی تا مفاهیم پیشرفته در این حوزه هدایت می‌کند. با گذراندن این دوره، شما با مبانی اساسی شبکه‌های عصبی آشنا شده و به سرعت مفاهیم پیشرفته در این زمینه را فرامی‌گیرید.

در این دوره، شما از طریق مثال‌های عملی و تمرینات گام به گام، نحوه آموزش و پیاده‌سازی شبکه‌های عصبی در متلب را یاد خواهید گرفت. همچنین با روش‌های پیشرفته مانند شبکه‌های کانولوشنال و بازگشتی آشنا می‌شوید و به طور کامل متوجه خواهید شد که چگونه از آن‌ها برای حل مسائل واقعی استفاده کنید.

مبانی شبکه‌های عصبی

شبکه‌های عصبی یکی از پیشرفته‌ترین و پرکاربردترین روش‌های یادگیری ماشینی هستند که الهام گرفته از ساختار و عملکرد مغز انسان است. این شبکه‌ها به طور اصطلاحی به عنوان مدل‌های محاسباتی متشکل از نورون‌ها (یا واحدهای پردازشی) و اتصالات بین آن‌ها تعریف می‌شوند. هر نورون وابسته به ورودی‌هایی که از نورون‌های قبلی دریافت می‌کند، خروجی خود را تولید می‌کند و این فرآیند به صورت موازی در سراسر شبکه ادامه می‌یابد.

عملکرد شبکه‌های عصبی بر اساس ترکیبی از وزن‌ها و توابع فعال‌سازی است که به ورودی داده می‌شود. در زمان آموزش، این شبکه‌ها سعی می‌کنند وزن‌های مناسبی را پیدا کنند تا بهترین خروجی را ارائه دهند. پس از آموزش، شبکه‌ها قادر به توقع و پیش‌بینی خروجی‌های جدید بر اساس ورودی‌های جدید هستند.

ساختار مدل شبکه عصبی

یکی از اجزای اساسی در آموزش شبکه‌های عصبی در متلب، ساختار مدل شبکه عصبی است. این ساختار شامل لایه‌ها، نورون‌ها در هر لایه و اتصالات بین لایه‌ها می‌شود. متلب انواع مختلفی از لایه‌ها را برای ساختار مدل شبکه‌های عصبی ارائه می‌دهد، از جمله لایه‌های کاملاً متصل (Fully Connected Layers)، لایه‌های کانولوشنال (Convolutional Layers)، و لایه‌های بازگشتی (Recurrent Layers). انتخاب نوع لایه‌ها در متلب وابسته به نوع مسئله و نوع داده‌های ورودی و خروجی است.

در ادامه، به بررسی اجزای مهم در ساختار مدل شبکه عصبی در متلب پرداخته خواهد شد.

اجزای اصلی شبکه های عصبی

لایه ورودی (Input Layer)

لایه ورودی در شبکه عصبی مسئول دریافت ورودی‌ها به شبکه است. تعداد نورون‌ها در این لایه معمولاً برابر با ابعاد ورودی داده‌ها است. برای مثال، اگر داده‌های ورودی شما تصاویر با ابعاد ۲۰x۲۰ پیکسل باشند، لایه ورودی دارای ۴۰۰ نورون خواهد بود.

لایه پنهان (Hidden Layer)

لایه‌های پنهان در شبکه های عصبی نیز مسئول پردازش و تبدیل ورودی‌ها به خروجی هستند. تعداد و نوع لایه‌های پنهان به طور مستقیم وابسته به مسئله مورد بررسی است. برای مسائل پیچیده، ممکن است نیاز به چندین لایه پنهان باشد.

لایه خروجی (Output Layer)

لایه خروجی نیز مسئول تولید خروجی‌های نهایی شبکه عصبی است. تعداد نورون‌ها در این لایه معمولاً برابر با تعداد کلاس‌ها یا ویژگی‌های خروجی مورد نظر است.

توابع فعال‌سازی (Activation Functions)

توابع فعال‌سازی نیز یک جزء دیگر در ساختار مدل شبکه عصبی هستند. هر نرون از یک تابع فعال‌سازی برای محاسبه خروجی خود استفاده می‌کند. این توابع معمولاً غیرخطی هستند و باعث می‌شوند شبکه بتواند مسائل پیچیده‌تری را مدل‌سازی کند. متلب از انواع مختلفی از توابع فعال‌سازی را پشتیبانی می‌کند، از جمله تابع سیگموئید (Sigmoid)، تابع تانژانت هیپربولیک (Tanh)، و تابع ReLU.

با درک و طراحی یک ساختار مدل مناسب، می‌توانید به طور موثر‌تری شبکه‌های عصبی خود را در متلب آموزش دهید و از آن‌ها برای حل مسائل مختلف در علوم داده و هوش مصنوعی استفاده کنید.

انواع شبکه‌های عصبی

در این بخش برخی از انواع این شبکه ها را معرفی می‌کنیم.

شبکه‌های عصبی پیشخور (FNNs)

شبکه‌های عصبی پیشخور، (Feedforward Neural Networks) اولین و ساده‌ترین نوع شبکه‌های عصبی هستند. در این شبکه‌ها، اطلاعات، فقط در یک جهت، از لایه ورودی به سمت لایه‌های پنهان و خروجی حرکت می‌کنند و در آن حلقه یا دوری وجود ندارد. این شبکه‌ها معمولا از لایه‌های ورودی، یک یا چند لایه پنهان و لایه خروجی تشکیل شده‌اند. هر لایه از نورون‌هایی تشکیل شده و اتصالات بین این نورون‌ها وزن‌دار هستند. شبکه های عصبی پیشخور برای حل مسائل ساده مانند طبقه بندی و رگرسیون کاربرد دارند. 

شبکه‌های عصبی بازگشتی (RNNs)

شبکه‌های عصبی بازگشتی (Recurrent Neural Networks) برخلاف شبکه‌های پیشخور، امکان مدل‌سازی داده‌های دنباله‌ای مانند زبان‌های طبیعی و سیگنال‌های زمانی را فراهم می‌کنند. در این شبکه‌ها، خروجی یک لایه به ورودی همان لایه یا لایه‌های قبلی نیز متصل است. این ویژگی باعث می‌شود تا شبکه بتواند از اطلاعات گذشته در پردازش ورودی‌های جدید استفاده کند. LSTM (شبکه‌های عصبی با حافظه طولانی کوتاه مدت) و GRU (شبکه‌های عصبی واحد بازگشتی دروازه‌ای) از جمله انواع رایج شبکه‌های عصبی بازگشتی هستند که در پردازش زبان طبیعی و تحلیل سری‌های زمانی کاربرد دارند.

شبکه‌های عصبی کانولوشنال (CNNs)

شبکه‌های عصبی کانولوشن (Convolutional Neural Networks) برای پردازش داده‌های پیکسلی مانند تصاویر طراحی شده‌اند. این شبکه‌ها با استفاده از عملگر کانولوشن (همگرایی) به استخراج ویژگی‌های مختلف از تصاویر می‌پردازند و در عین حفظ اطلاعات مکانی، به طبقه‌بندی و شناسایی اشیا در تصاویر می‌پردازند. مثال‌های برجسته این شبکه‌ها شامل AlexNet، VGGNet و ResNet هستند که در زمینه‌های مختلف بینایی ماشین کاربرد دارند. CNNs به طور گسترده در بینایی ماشین، تشخیص اشیاء و ترجمه ماشینی مورد استفاده قرار می‌گیرند.

کاربرد شبکه های عصبی

شبکه‌های عصبی کاربردهای بسیار گسترده‌ای در زمینه‌های مختلف علوم و مهندسی دارند. برخی از مهم‌ترین کاربردهای شبکه‌های عصبی عبارتند از:

  1. بینایی ماشین (Computer Vision): در تشخیص و طبقه‌بندی اشیا، تشخیص چهره، تشخیص حرکات بدن و آنالیز تصاویر پزشکی.
  2. پردازش طبیعی زبان (Natural Language Processing – NLP): در تحلیل سازنده متن و درک معنایی، ترجمه ماشینی و تولید محتوای متنی.
  3. پیش‌بینی و مدل‌سازی: در پیش‌بینی قیمت بازار سهام، پیش‌بینی تقاضای مشتریان و پیش‌بینی خرابی تجهیزات صنعتی.
  4. تشخیص الگو و طبقه‌بندی: در تشخیص بیماری‌ها از روی علائم، طبقه‌بندی ایمیل‌های هرزنامه و تشخیص تقلب در تراکنش‌های مالی.
  5. سیستم‌های تصمیم‌گیری هوشمند: در سیستم‌های تشخیص تقلب، سیستم‌های پزشکی تشخیصی و سیستم‌های هوشمند بازاریابی.

اینها فقط بخشی از کاربردهای گسترده شبکه‌های عصبی هستند که نشان می‌دهند این ابزار قدرتمند در طیف وسیعی از کاربردها قابل استفاده است.

چنانچه هر گونه سوال، انتقاد یا پیشنهادی در مورد دوره آموزش شبکه های عصبی در متلب دارید، در بخش دیدگاه‌ها با ما در میان بگذارید.