معرفی دوره: تحلیل و پیاده‌سازی شبکه عصبی MLP برای رگرسیون چندخروجی در متلب MATLAB
این دوره جامع، آموزش نحوه استفاده از شبکه عصبی پرسپترون چندلایه (Multi-Layer Perceptron – MLP) را برای انجام رگرسیون (Regression) چندورودی و چندخروجی (MIMO) در MATLAB ارائه می‌دهد. شبکه MLP رایج ترین و توانمندترین نوع شبکه‌های عصبی (Neural Networks) است که کاربردهای فراوارن در یادگیری ماشین (Machine Learning) دارد. با تمرکز بر داده‌های واقعی، این دوره به بررسی روش‌های پردازش، طراحی شبکه، و ارزیابی مدل‌های MLP می‌پردازد. در این آموزش، داده‌های ورودی و خروجی چندبعدی Multi output مدیریت شده، نرمال‌سازی داده‌ها و تقسیم‌بندی آنها به مجموعه‌های آموزشی، تست و اعتبارسنجی انجام می‌شود.
هدف این دوره، ارائه یک چارچوب گام‌به‌گام برای پیاده‌سازی شبکه‌های عصبی در مسائل رگرسیون است، که شامل مراحل تعریف معماری شبکه، تنظیم پارامترها و تحلیل عملکرد مدل می‌باشد.
این دوره برای مهندسان داده، محققان و دانشجویان علاقه‌مند به یادگیری و پیاده‌سازی شبکه‌های عصبی مناسب است.
سرفصل‌های دوره
فصل 1: مقدمه‌ای بر شبکه عصبی MLP
- مفهوم mlp
- آشنایی با معماری شبکه عصبی پرسپترون و پرسپترون چندلایه (MLP).
فصل 2: آماده‌سازی داده‌ها
- خواندن داده‌ها از فایل‌های MATLAB.
- مدیریت داده‌های ورودی و خروجی (Input/Output Management).
- شناسایی و حذف مقادیر گمشده (Missing Data).
- نرمال‌سازی داده‌ها (Normalization).
- تقسیم‌بندی داده‌ها به مجموعه‌های آموزش (Training)، تست (Testing)، و اعتبارسنجی (Validation).
فصل 3: طراحی و پیکربندی شبکه عصبی
- تعریف ساختار شبکه: تعیین تعداد نرون‌ها در لایه‌های مخفی.
- انتخاب توابع انتقال (Transfer Functions) مانند
tansigوpurelin. - انتخاب تابع عملکرد (Performance Function) مانند
mse. - تنظیم پارامترهای آموزش: الگوریتم‌هایی مانند
trainlm(Levenberg-Marquardt).
فصل 4: آموزش مدل و ارزیابی عملکرد
- آموزش مدل با داده‌های آموزشی.
- نمایش فرآیند همگرایی در طول آموزش.
- پیش‌بینی خروجی برای داده‌های تست و ارزیابی عملکرد.
- محاسبه معیارهای ارزیابی:
- میانگین مربعات خطا (MSE).
- جذر میانگین مربعات خطا (RMSE).
- خطای نسبی مربع (RSE).
- ضریب تعیین (R² Score).
فصل 5: تحلیل و مصورسازی نتایج
- رسم نمودار رگرسیون برای مقایسه خروجی‌های واقعی و پیش‌بینی‌شده.
- تحلیل معیارهای عملکرد برای مدل.
- ترسیم هسیتوگرام خطا
- رسم نمودار فیتینگ
- رسم نمودار رگرسیون در متلب
- ارائه نتایج به صورت نمودارها و جداول برای گزارش‌دهی.
این دوره به شما کمک می‌کند تا مهارت‌های لازم برای پیاده‌سازی شبکه‌های عصبی در مسائل رگرسیون پیچیده را به دست آورید و عملکرد مدل‌های خود را به طور جامع تحلیل کنید.
مدت زمان دوره: 2.5 ساعت.
پیش‌نیاز: آشنایی مقدماتی با MATLAB و مفاهیم یادگیری ماشین.
مدرس: حسن سعادتمند
- بیش از 250 دوره آموزشی در متلب (MATLAB) و پایتون (Python).
- بیش از 15 سال تجربه در زمینه یادگیری ماشین، الگوریتم های فراابتکاری، یادگیری عمیق، مهندسی کنترل.
- چاپ چندین مقاله Q1 در بهترین ژرنال های دنیا Google Scholar.
- مدرس فرادرس
- کانال یوتیوب، کانال اپارت، کانال تلگرام، کانال ایتا
دوستانی که تمایل دارند این دوره را در پایتون Python داشته باشند با مدرس در ارتباط باشند.
علاقه مندان همچنین میتوانند برای بهینه سازی پارمترها و وزن های شبکه عصبی MLP با الگوریتم های فراابتکاری (Metaheuristic Algorithms) مانند (GWO, RSA, WOA, DSA, Crow Search, Cuckoo search, …) با مدرس در ارتباط باشند.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.