معرفی دوره: تخمین منحنی با الگوریتم ژنتیک و چندجملهایها در متلب MATLAB
در این دوره آموزشی جامع، شما با استفاده از الگوریتم ژنتیک (Genetic Algorithm – GA) و چندجملهایها (Polynomials)، مهارت رگرسیون (Regression)، تخمین و فیت کردن منحنی (Curve Fitting) را خواهید آموخت. این روش بهویژه در مسائل مهندسی و علمی که نیازمند مدلسازی دقیق دادهها هستند، کاربرد دارد.
تمرکز اصلی دوره بر آموزش مفاهیم تئوری الگوریتم ژنتیک و پیادهسازی آن برای بهینهسازی ضرایب چندجملهایها که از نسخه پیوسته الگوریتم ژنتیک در محیط MATLAB است. شما یاد میگیرید که چگونه مدلهای چندجملهای را برای دادههای پیچیده طراحی کرده، آنها را بهینهسازی کرده و دقت پیشبینی را ارزیابی کنید.
دستاوردهای دوره:
- تسلط بر مفاهیم پایه و کاربردی الگوریتم ژنتیک در مسائل بهینهسازی.
- یادگیری روشهای تخمین و فیت کردن منحنی.
- آشنایی با معیارهای ارزیابی عملکرد مدل و تحلیل نتایج.
- توانایی پیادهسازی الگوریتم ژنتیک در MATLAB برای مسائل واقعی.
لیست الگوریتم های فراابتکاری برای تخمین تابع یا Curve Fitting
سرفصلهای دوره:
1. مقدمهای بر تخمین منحنی و کاربردها
- معرفی مفهوم Curve Fitting.
2. الگوریتم ژنتیک (Genetic Algorithm – GA)
- اصول و مفاهیم پایه الگوریتم ژنتیک.
- اجزای اصلی GA:
- نمایش کروموزومها (Chromosomes).
- عملگرهای انتخاب (Selection).
- عملگرهای تقاطع (Crossover) و جهش (Mutation).
- مزایای GA در بهینهسازی مسائل غیرخطی.
3. آمادهسازی دادهها برای تخمین منحنی
- نحوه لود کردن و آمادهسازی دادهها.
- پیشپردازش دادهها:
- شافلینگ (Shuffling)
- تقسیم دادهها به مجموعههای آموزش (Training) و تست (Testing).
4. طراحی مدل چندجملهای و تابع هدف
- ساختار کلی چندجملهایها برای دادههای چندبعدی.
- تعریف تابع هدف (Objective Function) برای محاسبه خطا.
- مفهوم بهینهسازی ضرایب چندجملهایها با الگوریتم ژنتیک.
5. پیادهسازی الگوریتم ژنتیک در MATLAB
- تعریف جمعیت اولیه و مقداردهی تصادفی ضرایب.
- طراحی حلقه اصلی GA:
- محاسبه هزینه (Cost) برای هر فرد.
- انتخاب افراد برتر (Selection).
- اعمال عملگرهای تقاطع و جهش برای تولید نسل جدید.
- تحلیل همگرایی و مشاهده بهبود مدل در طول تکرارها.
6. ارزیابی مدل و تحلیل نتایج
- معرفی معیارهای ارزیابی مدل:
- خطای میانگین مربعات (Mean Squared Error – MSE).
- ریشه میانگین مربعات خطا (Root Mean Squared Error – RMSE).
- ضریب تعیین (R² Score).
- خطای مطلق میانگین (Mean Absolute Error – MAE).
- رسم نمودارهای مقایسهای:
- پیشبینی مدل در مقابل دادههای واقعی.
- تحلیل هیستوگرام خطاها.
7. نمایش و تفسیر ضرایب چندجملهایها
- نمایش ضرایب بهینه چندجملهای.
- تحلیل مدل نهایی.
مدت دوره: 2 ساعت
مخاطبان دوره: این دوره مناسب دانشجویان، محققان و مهندسینی است که در حوزههای علوم داده، بهینهسازی و مدلسازی فعالیت دارند.
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.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.