آموزش شبکه عصبی GMDH در متلب

آموزش شبکه عصبی GMDH در متلب

در «فیلم آموزشی شبکه عصبی GMDH در متلب»، پس از تشریح کامل مبانی تئوری و شیوه عملکرد الگوریتم GMDH چند جمله ای، پیاده سازی عملی و گام به گام این نوع از شبکه عصبی، به صورت کامل در محیط متلب انجام شده است. در ادامه نیز، با استفاده از برنامه نوشته شده برای ایجاد ساختارهای GMDH، مسائل مختلفی در حوزه های متعدد حل و بررسی شده اند.

آموزش شبکه عصبی GMDH در متلب

در «فیلم آموزشی شبکه عصبی GMDH در متلب»، پس از تشریح کامل مبانی تئوری و شیوه عملکرد الگوریتم GMDH چند جمله ای، پیاده سازی عملی و گام به گام این نوع از شبکه عصبی، به صورت کامل در محیط متلب انجام شده است. در ادامه نیز، با استفاده از برنامه نوشته شده برای ایجاد ساختارهای GMDH، مسائل مختلفی در حوزه های متعدد حل و بررسی شده اند.

روش گروهی مدل سازی داده ها یا Group Method of Data Handling (به اختصار GMDH) یکی از روش های مدل سازی و رگرسیون خطی است، که در سال ۱۹۶۸ توسط دانشمند اوکراینی، آلکسی ایواکننکو (Alexey Ivakhnenko) معرفی شد. در این رویکرد، به جای ساخت مدل های تخمین گر به صورت یکجا، از الگوریتمی تکرار شوند و افزایشی استفاده می شود که شامل تولید و افزوده شدن ساختارهای پایه بسیار ساده (نورون های چند جمله ای) است و به مرور، با ترکیب این ساختارهای ساده، سیستمی پیچیده شکل می گیرد که دارای عملکرد مطلوب است. بر خلاف سایر روش های رگرسیون، در این رویکرد، علاوه بر ساخت تدریجی مدل، از الگوی انتخاب طبیعی (Natural Selection)، همانند آنچه که در الگوریتم های تکاملی است، استفاده شده است.

یکی از پایه ای ترین و مهم ترین الگوریتم ها برای ساخت مدل GMDH، که به نام شبکه عصبی چند جمله ای (Polynomial Neural Network و یا PNN) نیز شناخته می شود، الگوریتم ارائه شده توسط خود ایواکننکو است که پایه اصلی آن را، مدل چند جمله ای درجه دو و الگوریتم کمترین مربعات خطا تشکیل می شود.

در «فیلم آموزشی شبکه عصبی GMDH در متلب»، پس از تشریح کامل مبانی تئوری و شیوه عملکرد الگوریتم GMDH چند جمله ای، پیاده سازی عملی و گام به گام این نوع از شبکه عصبی، به صورت کامل در محیط متلب انجام شده است. در ادامه نیز، با استفاده از برنامه نوشته شده برای ایجاد ساختارهای GMDH، مسائل مختلفی در حوزه های متعدد حل و بررسی شده اند، که فهرست آن ها در ادامه آمده است.

 

رگرسیون، تخمین تابع و مدل سازی غیر خطی با استفاده از GMDH

  • استفاده از GMDH برای تخمین چربی بدن
  • پیش بینی و تخمین خروجی سنسور (حسگر) در یک فرایند شیمیایی با داده های مربوط به سنسورهای دیگر
  • تخمین قیمت املاک (در واحد مساحت) در یک منطقه به خصوص مسکونی

 

پیش بینی سری های زمانی با استفاده از GMDH

  • پیش بینی و مدل سازی سری آشوبی Mackey-Glass
  • پیش بینی حجم یخ موجود بر روی کره زمین با توجه به داده های ۴۴۰ هزار سال گذشته
  • پیش بینی تعداد لکه های خورشیدی
  • پیش بینی قیمت بین المللی نفت خام و گاز با استفاده از داده های واقعی

 

طبقه بندی و بازشناسی الگو با استفاده از GMDH

  • تشخیص نوع تومور (خوش خیم/بدخیم) در سرطان سینه
  • طبقه بندی نوع شیشه (پنجره / غیر پنجره) بر اساس اطلاعات حاصل از اندازه گیری های فیزیکی

مدرس این مجموعه آموزشی، دکتر سید مصطفی کلامی هریس (دکترای مهندسی کنترل از دانشگاه صنعتی خواجه نصیرالدین طوسی) است و در این آموزش نیز، همانند بسیاری از آموزش های فرادرس، مباحث تئوری و پیاده سازی عملی، در کنار یکدیگر و به صورت کامل ارائه شده اند.

 

 

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:

  • بررسی ایده روش های GMDH
  • آشنایی با چند جمله ای ایواکننکو (Ivakhnenko)
  • الگوریتم پایه GMDH برای ایجاد مدل چند جمله ای پیچیده
  • بررسی نحوه اعمال عملگر انتخاب در تولید مدل GMDH
  • بررسی شیوه ساخت مدل پایه (نوررون چند جمله ای) با استفاده از رویکرد کمترین مربعات
  • استخراج فرم ماتریسی روش کمترین مربعات یا Least Squares
  • آشنایی با مفهوم شبه معکوس ماتریس (Matrix Pseudo-Inverse) برای ماتریس های غیر مربعی
  • پیاده سازی گام به گام شبکه عصبی GMDH در متلب
    • پیاده سازی نورون پایه چند جمله ای
    • پیاده سازی لایه ای از نورون های چند جمله ای
    • پیاده سازی شبکه عصبی GMDH با رویکرد بازگشتی
    • ارزیابی شبکه عصبی GMDH
  • پروژه عملی: استفاده از GMDH برای تخمین چربی بدن (با دیتاست Bodyfat)
  • بهبود برنامه نوشته شده برای پیاده سازی GMDH در متلب
  • تقسیم داده ها دو دسته آموزش (Train Data) و آزمایش (Test Data)
  • ارزیابی خروجی مدل با استفاده از نمودار رگرسیون
  • ترسیم نمودار رگرسیون با استفاده از تابع Plotregression
  • محاسبه ویژگی های خطا و نمایش در نمودار گرافیکی خطا و هیستوگرام
    • میانگین خطا (Error Mean)
    • انحراف معیار خطا (Error Standard Deviation)
    • میانگین مربعات خطا یا MSE
    • جذر میانگین مربعات خطا یا RMSE
    • ترسیم هیستوگرام خطا با تابع Histfit
  • پروژه عملی: پیش بینی و تخمین خروجی سنسور (حسگر) در یک فرایند شیمیایی با داده های مربوط به سنسورهای دیگر (با دیتاست Chemical)
  • پروژه عملی: تخمین قیمت املاک (در واحد مساحت) در یک منطقه به خصوص مسکونی با استفاده از داده های مربوط به منطقه (با دیتاست House)
  • پیش بینی سری های زمانی با استفاده از GMDH
  • بیان مسأله پیش بینی سری زمانی به صورت مسأله رگرسیون غیر خطی
  • شیوه محاسبه تاخیرهای مربوط به سری زمانی
  • پیاده سازی برنامه مربوط به محاسبه تاخیرها در متلب
  • آماده سازی داده ها برای پیش بینی سری زمانی با استفاده از GMDH
  • پروژه عملی: پیش بینی و مدل سازی سری آشوبی (Chaotic) مکی-گلاس یا Mackey-Glass با استفاده از GMDH
  • ترسیم نمودارهای صفحه فاز مربوط به سیستم مکی-گلس
  • پروژه عملی: پیش بینی حجم یخ موجود بر روی کره زمین توسط GMDH با توجه به داده های ۴۴۰ هزار سال گذشته
  • پروژه عملی: پیش بینی تعداد لکه های خورشیدی (Sunspots) با استفاده از GMDH در متلب
  • آموزش نحوه انجام پیش بینی سری زمانی برای سری های زمانی چند متغیره
  • پروژه عملی: پیش بینی قیمت بین المللی نفت خام و گاز با استفاده از GMDH با استفاده از داده های واقعی
  • کاربرد شبکه عصبی GMDH در طبقه بندی و بازشناسی الگو
  • بررسی ارتباط میان مسأله رگرسیون و طبقه بندی
  • پروژه عملی: تشخیص نوع تومور (خوش خیم/بدخیم) در سرطان سینه، با استفاده از شبکه عصبی GMDH در متلب
  • تغییر شیوه نمایش و محاسبه خروجی GMDH برای سازگاری با مسأله طبقه بندی
  • ارزیابی کیفیت طبقه بندی با استفاده از ماتریس تداخل یا Confusion Matrix
  • ترسیم ماتریس تداخل با استفاده از تابع Plotconfusion در متلب
  • تغییر در شیوه تولید چند جمله ای های پایه برای بهبود نتایج طبقه بندی با استفاده از GMDH
  • پروژه عملی: طبقه بندی نوع شیشه (پنجره / غیر پنجره) بر اساس اطلاعات حاصل از اندازه گیری با استفاده از GMDH

 

 

برای مشاهده جزئیات و تهیه آموزش شبکه عصبی GMDH در متلب به این لینک (+) مراجعه نمایید.

 


مجموعه: داده کاوی, دسته‌بندی نشده, شبکه های عصبی, هوش محاسباتی, یادگیری ماشینی برچسب ها: , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,

پاسخی بگذارید

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