فیلم آموزشی رایگان ماشین های بردار پشتیبان یا SVM در متلب (بخش یکم)

عنوان انگلیسی:

support vector machine in matlab video tutorial

توضیحات:

شبکه های عصبی مصنوعی یا Artifiial Neural Networks (به اختصار ANN) ابزارهایی مهم در میان مباحث هوش محاسباتی (Computational Intelligence) به حساب می آیند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند، که عمدتا در کاربردهایی همچون طبقه بندی، خوشه بندی، تشخیص الگو، مدل سازی و تقریب توابع، کنترل، تخمین و بهینه سازی مورد استفاده قرار می گیرند.

ماشین بردار پشتیبان یا Support Vector Machine (به اختصار SVM) نوع خاصی از شبکه های عصبی هستند که بر خلاف سایر انواع شبکه عصبی (مانند MLP و RBF) به جای کمینه کردن خطا، اقدام به کمینه کردن ریسک عملیاتی طبقه بندی یا مدل سازی می کند. این ابزار، بسیار قدرتمند است و در زمینه های مختلفی چون طبقه بندی، خوشه بندی و مدل سازی (رگرسیون) می تواند مورد استفاده قرار بگیرد.

در این پست قصد داریم فیلم آموزشی جامع ماشین های بردار پشتیبان یا SVM در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به ماشین های بردار پشتیبان یا SVM، پیاده سازی عملی این نوع شبکه ها در محیط متلب نیز به طور کامل، مورد بررسی قرار گرفته است. برنامه هایی که در این فیلم پیاده سازی شده اند، به حل مسائل طبقه بندی باینری (Binary Classification)، تخمین و تقریب توابع (Function Approximation) و پیش بینی سری های زمانی (Time-Series Prediction) اختصاص دارند. در این فیلم آموزشی، سه الگوریتم مهم از میان ماشین های بردار پشتیبان مورد بررسی قرار گرفته اند:
ماشین بردار پشتیبان پایه برای طبقه بندی باینری یا SVM
کلاسترینگ بردار پشتیبان یا Support Vector Clustering (به اختصار SVC)
رگرسیون بردار پشتیبان یا Support Vector Regression (به اختصار SVR)

سرفصل های مورد بحث در این فیلم آموزشی عبارتند از:
توضیح تفاوت های اساسی SVM با سایر انواع شبکه عصبی
بیان ریاضی ریسک عملیاتی برای طبقه باینری داده ها
استخراج روابط اساسی SVM به صورت یک مسأله بهینه سازی درجه دو یا QP
تبدیل حالت حاشیه سخت (Hard Margin) به حالت حاشیه نرم (Soft Margin)
پیاده سازی عملی SVM باینری در محیط متلب
شیوه استفاده از تابع quadprog برای حل مسائل بهینه سازی درجه ۲ یا Quadratic Programming
استفاده از Kernel Trick برای اعمال SVM در فضای غیر خطی
بررسی انواع هسته ها یا Kernel ها
پیاده سازی SVM غیر خطی در محیط متلب با استفاده از Kernel Trick
استفاده از شبکه عصبی RBF برای پیش بینی سری زمانی
استفاده از توابع svmtrain و svmclassify از تولباکس بیوانفورماتیک (Bioinformatics Toolbox)
بررسی مبانی تئوری کلاسترینگ بردار پشتیبان یا SVC
توصیف ریسک در مسائل رگرسیون و مدل سازی
فرمول بندی رگرسیون بردار پشتیبان یا SVR و استخراج مدل QP
تعمیم به حالت غیر خطی با استفاده از Kernel Trick
پیاده سازی SVR در متلب برای تقریب تابع
پیاده سازی SVR برای پیش بینی سری زمانی
جمع بندی و نتیجه گیری های نهایی

مدرس: سید مصطفی کلامی هریس

کلمات کلیدی:
ANN, Artificial Neural Networks, RBF, Support Vector Machine, SVM, SVR, آموزش شبکه عصبی, آموزش متلب, توابع شعاعی پایه, تولباکس شبکه عصبی, رگرسیون بردار پشتیبان, رگرسیون غیر خطی, شبکه عصبی, شبکه عصبی مصنوعی, شبکه های عصبی, شبکه های عصبی مصنوعی, شبکه های عصبی مصنوعی در متلب, طراحی شبکه عصبی در متلب, فیلم آموزشی, فیلم آموزشی شبکه عصبی, فیلم آموزشی شبکه عصبی در متلب, ماشین بردار پشتیبان

برای کسب اطلاعات بیشتر، به این لینک مراجعه نمایید:
http://www.faradars.org/mvrnn9102fh





تعداد کلیک:

4668



فرم عضویت در خبرنامه کدسرا
 

شما می توانید به منظور اطلاع یافتن از آخرین کدهای منتشر شده در کدسرا، با وارد کردن ایمیل خود در کادر زیر به عضویت خبرنامه کدسرا در آیید.

Please leave this field empty.



لینک خارجی

این مطلب، که توسط موتور جستجوی کدسرا پیشنهاد شده است، بر روی یک وبسایت دیگر قابل دسترسی است.

برای مشاهده آن، بر روی لینک زیر، کلیک کنید.



مشاهده لینک



فیلم آموزشی رایگان ماشین های بردار پشتیبان یا SVM در متلب (بخش یکم)