بهینه‌سازی شبکه‌های عصبی کانولوشنی (CNN) با الگوریتم شاهین هریس

دوره آموزشی: بهینه‌سازی شبکه‌های عصبی کانولوشنی (CNN) با استفاده از الگوریتم شاهین هریس (Harris Hawks Optimization – HHO)

---

معرفی دوره

شبکه‌های عصبی کانولوشنی ( Convolutional Neural Network – CNN) یکی از پرکاربردترین روش‌های یادگیری عمیق (Deep Learning) برای طبقه‌بندی تصاویر (Image Classification) و سایر وظایف مرتبط مانند Image Regression هستند. این دوره با هدف آموزش بهینه‌سازی پارامترهای CNN به کمک یکی از موثرترین الگوریتم‌های فراابتکاری (Metaheuristic Algorithms)، یعنی الگوریتم شاهین هریس (HHO) طراحی شده است. شرکت‌کنندگان با فرآیند طراحی و بهینه‌سازی مدل CNN، شامل تنظیم هایپرپارامترهایی مانند نرخ یادگیری، اندازه مینی‌بچ‌ها، و معماری لایه‌ها، آشنا خواهند شد. در پایان، شرکت‌کنندگان یاد می‌گیرند چگونه یک مدل بهینه‌شده را برای پیش‌بینی و ارزیابی عملکرد به کار بگیرند.

لطفا قبل از شفارش دوره لطفا فیلم معرفی آموزش را مشاهده بفرمایید.
دیدن دوره یادگیری عمیق CNN در متلب

---

سرفصل‌های دوره

بخش ۱: مقدمه و آماده‌سازی داده‌ها

1. معرفی شبکه‌های CNN:
   • نقش شبکه‌های CNN در یادگیری عمیق و کاربردهای آن‌ها در طبقه‌بندی تصاویر.
   • مروری بر ساختار شبکه CNN و اهمیت تنظیمات بهینه.
2. الگوریتم شاهین هریس (HHO):
   • مفاهیم اصلی الگوریتم HHO، شامل:
     • رفتار شکار و جهش شاهین.
     • کاربرد HHO در مسائل بهینه‌سازی.
   • مزایای HHO در مقایسه با سایر الگوریتم‌های فراابتکاری.
3. آماده‌سازی داده‌ها:
   • انتخاب مجموعه داده مناسب (مانند MerchData یا DigitDataset).
   • تقسیم داده‌ها به مجموعه‌های آموزشی، اعتبارسنجی و آزمایشی.
   • پیش‌پردازش داده‌ها (مانند تغییر اندازه تصاویر و آماده‌سازی برچسب‌ها).

---

بخش ۲: طراحی و تعریف مدل CNN

1. تعریف مدل:
   • معرفی معماری CNN:
     • ساختار ساده (Simple CNN).
     • استفاده از شبکه‌های از پیش‌آموزش‌داده‌شده (مانند AlexNet).
   • تعریف لایه‌ها:
     • لایه‌های کانولوشن.
     • لایه‌های نرمال‌سازی دسته‌ای (Batch Normalization).
     • لایه‌های Pooling و Fully Connected.
   • تنظیم معماری برای داده‌های طبقه‌بندی‌شده.
2. تنظیم پارامترها:
   • تعریف تعداد کلاس‌ها و اندازه ورودی.
   • آماده‌سازی داده‌ها برای CNN ساده یا از پیش‌آموزش‌داده‌شده.

---

بخش ۳: تنظیمات بهینه‌سازی با الگوریتم HHO

1. تعریف تابع هزینه:
   • محاسبه دقت شبکه بر اساس داده‌های اعتبارسنجی.
   • تنظیم ترکیب تابع هزینه برای بهبود تعادل دقت و سرعت همگرایی.
2. پارامترهای بهینه‌سازی HHO:
   • تعریف متغیرهای قابل بهینه‌سازی:
     • نرخ یادگیری اولیه (Learning Rate).
     • اندازه مینی‌بچ‌ها (Mini Batch Size).
     • فاکتور کاهش نرخ یادگیری.
     • مومنتوم (Momentum).
   • بررسی نحوه تعامل الگوریتم HHO با مدل CNN.

---

بخش ۴: آموزش مدل

1. تنظیمات آموزشی:
   • تعیین تعداد اپوک‌ها و سایر پارامترهای آموزشی.
   • تعریف استراتژی کاهش نرخ یادگیری (Piecewise Learning Rate).
2. اجرای آموزش:
   • آموزش مدل CNN با تنظیمات بهینه.
   • ثبت دقت و هزینه در هر اپوک برای تحلیل همگرایی.
   • ذخیره بهترین مدل بهینه‌شده.

---

بخش ۵: ارزیابی مدل

1. ارزیابی عملکرد:
   • استفاده از معیارهایی مانند دقت، F1-Score، Precision و Recall.
   • تحلیل ماتریس سردرگمی (Confusion Matrix) و منحنی ROC.
2. پیش‌بینی:
   • پیش‌بینی برچسب تصاویر (طبقه بندی) آزمایشی با استفاده از مدل بهینه‌شده.
   • نمایش نتایج بصری برای بررسی عملکرد مدل.

---

بخش ۶: تحلیل نتایج و بهبود مدل

• • بررسی منحنی هزینه بهینه‌سازی HHO.
  • ارزیابی تأثیر تغییرات پارامترها بر عملکرد مدل.

---

پیش‌نیازهای دوره

• آشنایی اولیه با MATLAB.
• دانش پایه‌ای از یادگیری ماشین و شبکه‌های عصبی.
• آشنایی با مفاهیم الگوریتم‌های فراابتکاری.

---

خروجی دوره

شرکت‌کنندگان پس از اتمام این دوره:

• توانایی بهینه‌سازی CNN با استفاده از الگوریتم HHO را به دست خواهند آورد.
• می‌توانند مدل‌های CNN بهینه‌شده را برای داده‌های خاص طراحی، آموزش و ارزیابی کنند.

---

مدرس: حسن سعادتمند

• بیش از 250 دوره آموزشی در MATLAB و پایتون.
• 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