چهار ساعت طلایی با آموزش شبکه عصبی مصنوعی تخصصی در متلب (MATLAB)

توضیحات

 

*از مفاهیم پایه تا پیاده سازی عملی آن (مناسب برای تمامی رشته‌ها)

*حل یک مسئله واقعی و به‌روز در حیطه GIS (مدل‌سازی آمار مبتلایان کرونا)

با توجه به اینکه سازوکار  و ساختار مغز انسان و دیگر جانوران از پیچیدگی و توانایی بالایی جهت پردازش و تحلیل اطلاعات برخوردار است‌، دانشمندان در صدد یافتن دلیل این توانایی بالا برآمدند و پاسخ را در سیستم عصبی بیولوژیکی یافتند. سیستم عصبی بدن از میلیاردها سلول عصبی تشکیل شده است که این سلول‌ها ارتباط بسیار قوی با یکدیگر دارند و همین امر باعث می‌شود تا بتوانند پیچیده‌ترین مسائل را نیز حل کنند. با گذشت زمان خانواده‌های مختلفی از این مدل‌ها طراحی و به کار گرفته شدند. مدل‌هایی چون: MLP، RBF، Aouto encoders، GAN، SOM، RNN، Hopfield، Convolution و …

کاربرد شبکه‌های عصبی مصنوعی محدود به رشته خاصی نیست و در تمام زمینه‌ها قابل استفاده و به‌کار گیری است و می‌تواند قوی‌ترین ابزار برای شما در حل انواع مسائل طبقه بندی و برازش باشد.

اگر شما قصد ورود به دینای شبکه‌های عصبی مصنوعی را دارید‌، حتما باید بدانید که نحوه شروع آن بسیار مهم است. زیرا اگر شما پایه و اساس آن را عمیق و مفهومی درک نکنید بعدها برای پیاده سازی و به کار گیری آن دچار مشکلات و محدودیت‌های جدی می‌شوید.

 

آموزشی که تهیه شده است برای هرکس، از هر رشته‌ای‌، با هر سطح سواد و هرضریب هوشی حداقلی‌ای قابل استفاده است. هرکس که پتانسیل بیشتری داشته باشد قطعا در درک مفاهیم و به کار گیری آن موفق‌تر خواهد بود اما شما نهایتا خواهید دید که تمامی کسانی که از این مجموعه آموزشی استفاده کنند می‌توانند آن‌را پیاده سازی کنند. زیرا:

1. همه چیز به صورت عمقی و با زبان بسیار ساده و شمرده شمرده بیان شده است.
2. شما با تهیه این دوره، از پیشتیبانی و خدمات پس از فروش ما جهت رفع مشکلات برخوردار خواهید بود.
3. درست است که نیاز به اندکی پیش‌زمینه برنامه نویسی دارید‌، اما سعی شده است که تمامی کد‌ها خط به خط توضیح داده شوند و چیزی از قلم نیوفتد.
4. از اسلاید‌های متحرک و گویا (مخصوصا در فصل دوم که مطالب سیگین تر هستند) جهت بصری سازی برای درک بهتر و عمیق‌تر استفاده شده است.
5. در این اموزش تمامی توابع متلب جهت پیاده سازی شبکه عصبی مصنوعی پرسپترون چندلایه جهت حل مسائل برازش بررسی و به‌کار گرفته می‌شوند.

این ویدئو مناسب برای تمامی افراد زیر است:

• کسانی که حتی هیچ پیش‌زمینه علمی در حوزه هوش مصنوعی و شبکه‌های عصبی مصنوعی ندارند.
• کسانی که می‌خواهند در کمترین زمان ممکن اولین شبکه عصبی مصنوعی خود را پیاده سازی کنند و در یک مسئله به‌روز و واقعی آن‌را به کار گیرند (مدل‌سازی امار مبتلایان به ویروس کرونا برای کشور‌های مختلف بر اساس برخی پارامتر‌های مهم).
• کسانی که از قبل یادگیری این مبحث را شروع کرده‌اند اما عملا موفق نشده‌اند که برای پروژه خود آن‌را پیاده سازی کنند (البته بستگی به سطح مدلی دارد که قصد پیاده‌سازی آن‌را دارید).
• کسانی که آن‌را پیاده سازی کرده‌اند اما در درک ساز‌وکار آن همچنان دچار مشکل‌اند.
• کسانی که می‌خواهند مفاهیم پایه را آن‌قدر عمیق فراگیرند تا در آینده موفق به تولید نوآوری در این زمینه شوند.

 

سرفصل‌های این اموزش به شرح زیر است:

فصل اول (مفاهیم پایه) | ۳۵ دقیقه | رایگان

• مفهوم طبقه بندی(classification) و انواع نظارت شده(supervised classification) و نظارت نشده(unsupervised classification) آن همراه با مثال
•  توضیح اصطلاح های Feature ، Variable ، Element ، Predictor ، Target ، Record و Sample
•  مفهوم مسائل Regression و Fitting همراه با مثال
•  علت ابداع روش های هوش مصنوعی و جایگاه شبکه های عصبی مصنوعی در میان آنها
•  ساز و کار  قسمت های کلی ساختمان شبکه عصبی بیولوژیکی برای حل سریع پیچیده ترین مسائل و شبیه سازی آن برای پیاده سازی نسخه ی مصنوعی (شبکه عصبی مصنوعی)

ویدئو کامل فصل اول (رایگان)

 

فصل دوم (شبیه سازی ریاضی) | ۵۰ دقیقه | براساس جدید ترین دوره یادگیری عمیق دانشگاه MIT

• ساختار نورون(پرسپترون) و محاسبات مربوط به آن.
•  شکل ماتریسی محاسبات داخل پرسپترون.
•  تابع انتقال یا تابع فعال ساز عیرخطی و کاربرد آن.
•  معرفی انواع Transfer function ها.
•  نحوه شکل گیری لایه پرسپترون و انواع ورودی ، پنهان و خروجی آن.
•  شبکه عصبی تک لایه.
•  شبکه های عصبی Multi-output.
• Forward propagation.
•  لایه ی متراکم(Dense layer).
•  نحوه عمیق تر ساختن شبکه عصبی مصنوعی و ایجاد شبکه عصبی پرسپترون چند لایه(MLP).
•  نحوه train شبکه برای Binary classification به همراه مثال عددی.
•  مقداردهی اولیه وزن ها و بایاس ها.
•  نحوه برآورد خطا توسط تابع هزینه به همراه مثال.
•  انواع مترادف های تابع هزینه.
• تابع انتقال بیشینه هموار و کاربرد آن.
•  روش Cross-entropy و مزیت استفاده از آن در مسائل طبقه بندی.
•  نحوه train شبکه برای Fitting problem ها به همراه مقال عددی.
•  تابع انتقال همانی و کاربرد آن.
•  نورون ADALINE.
•  MSE.
•  بهینه سازی وزن ها و بایاس ها.
• عملیات Back propagation.
•  Learning-rate ، تاثیراتش و انواع روش های تعیین آن.
•  نحوه محاسبه گرادیان برای به روز رسانی وزن ها.
•  یک مثال عددی کامل برای انجام Forward propagation و Back propagation و آپدیت وزن ها با توجه به نرخ یادگیری.
•  انواع روش های Incremental training و Batch training.
•  روش Mini-batches training و مزیت های استفاده از آن برای تربیت شبکه.

بخشی از فصل دوم (learning rate, gradient descent & back propagation)

 

فصل سوم (پیاده سازی در محیط برنامه‌نویسی) | ۲ ساعت و ۱۴ دقیقه

• استفاده از اَپ آماده متلب در ابتدای کار (برای حل مسائل برازش).
• تعریف مختصر شبکه‌های عصبی پیشخور (Feedforward Neural Network).
• نحوه معرفی دیتا به اَپ.
• اصطلاح داده‌های Training و Validation و Testing همراه با مثال.
• توضیح و تشخیص Overfit و Underfit به روش بصری.
• تنظیم تعداد نورون به روش آزمون‌وخطا و بصری.
• ویژگی و تاثیر الگوریتم Levenberg Marquardt، Bayesian Regularization و Scaled Conjugate Gradient و لیست دیگر الگوریتم‌های Train پیاده سازی شده در متلب.
• Early stopping و Validation checks.
• تربیت (Train) شبکه.
• تمامی پارامتر‌های موجود در پنجره‌ی Train.
• انواع پلات‌های Regression، Error Histogram، Training State و Performance.
• تشخیص overfit توسط آنالیز رگرسیون.
• امکان تست و تربیت مجدد شبکه عصبی.
• ساخت تابع از شبکه عصبی.
• نمایش نمودار شبکه عصبی.
• گرفتن خروجی از اَپ.
• ایجاد اسکریپت اولیه برای ساخت شبکه‌ی عصبی توسط کدنویسی.
• نحوه وارد کردن ورودی‌های شبکه توسط کدنویسی.
• انتخاب تابع Train برای شبکه توسط کدنویسی.
• پیش‌پردازش‌ها و پس‌پردازش‌های موجود در object شبکه عصبی ، نحوه عملکرد هریک از و انتخاب آن‌ها.
• نحوه تقسیم‌بندی داده‌های Testing، Training و Validation توسط کدنویسی.
• انتخاب Cost function.
• انتخاب انواع پلات‌ها و استفاده از آن‌ها.
• غیرفعال کردن پنجره نمایش وضعیت train.
• Train شبکه توسط کدنویسی.
• توضیح اجمالی object شبکه.
• پارامتر‌های Training.
• محاسبه خروجی‌های شبکه.
• محاسبه خطاهای Validation، Train و Test.
• پارامتر‌های Perform شبکه.
• تنظیم تعداد لایه، اندازه هزیک و توابع انتقال.
• استفاده از تمامی توابع موجود برای ساخت شبکه عصبی تک‌لایه (Single Layer Neural Network) و چندلایه (MLP) برای حل مسائل برازش.
• اعمال شبکه برای مدل‌سازی مبتلایان ویروس کرونا در کشورهای مختلف براساس چند پارامتر مرتبط.
• ترسیم داده‌ها و تحلیل اولیه آن.
• اعمال پیش‌پردازش‌ها و پس‌پردازش‌های Object شبکه و همچنین پیش‌پردازش box-cox جهت نرمال سازی هستوگرام داده‌ها.
• محاسبه RMSE برای داده‌های Validation، Training و Testing.
• آماده‌سازی داده‌ها توسط خوشه‌بندی kmeans جهت ترسیم روی نقشه.
• دادن مختصات جغرافیایی برای ترسیم تارگت‌ها و خروجی‌ها روی نقشه و ترسیم نهایی خروجی‌ها.

بخشی از فصل سوم (توضیح داده های validation، training و testing)