معرفی دوره: تخمین منحنی با الگوریتم PSO و چندجملهایها در MATLAB
در این دوره، شما با استفاده از الگوریتم بهینهسازی ازدحام ذرات (Particle Swarm Optimization – PSO) و چندجملهایها (Polynomials) به تخمین و فیت کردن منحنی (Curve Fitting) خواهید پرداخت. PSO، به عنوان یکی از الگوریتمهای بهینهسازی فراابتکاری، قابلیت یافتن مقادیر بهینه برای ضرایب چندجملهایها را داراست و در این دوره از قدرت آن برای تحلیل دادهها و مدلسازی دقیق استفاده خواهد شد.
دستاوردهای دوره:
- یادگیری اصول و مفاهیم الگوریتم PSO در بهینهسازی مسائل.
- توانایی پیادهسازی PSO برای تخمین منحنی در محیط MATLAB.
- مهارت در ارزیابی و تحلیل نتایج مدلسازی با استفاده از معیارهای استاندارد.
- تسلط بر روشهای مدلسازی با چندجملهایها.
لیست الگوریتم های فراابتکاری برای تخمین تابع یا Curve Fitting
مشاهده آموزش تخمین منحنی با الگوریتم ژنتیک و چندجملهایها
سرفصلهای دوره:
1. مقدمهای بر تخمین منحنی و کاربردها
- معرفی مفهوم Curve Fitting.
2. الگوریتم بهینهسازی ازدحام ذرات (PSO)
- اصول و مفاهیم پایه PSO.
- اجزای اصلی PSO:
- ذرات (Particles) و فضای جستجو (Search Space).
- موقعیت (Position) و سرعت (Velocity) ذرات.
- تابع برازندگی (Fitness Function).
- مزایای PSO در مسائل بهینهسازی غیرخطی و چندبعدی.
3. آمادهسازی دادهها برای تخمین منحنی
- نحوه لود کردن و آمادهسازی دادهها در MATLAB.
- پیشپردازش دادهها:
- شافلینگ (Shuffling).
- تقسیم دادهها به مجموعههای آموزش (Training) و تست (Testing).
4. طراحی مدل چندجملهای و تابع هدف
- ساختار کلی چندجملهایها.
- تعریف تابع هدف (Objective Function) برای محاسبه خطا.
- تنظیم فضای جستجو برای الگوریتم PSO.
5. پیادهسازی PSO برای تخمین منحنی در MATLAB
- تعریف جمعیت اولیه و مقداردهی تصادفی ضرایب.
- طراحی حلقه اصلی PSO:
- بهروزرسانی موقعیت و سرعت ذرات.
- محاسبه مقدار برازندگی برای هر ذره.
- یافتن بهترین موقعیتهای محلی (Pbest) و سراسری (Gbest).
- تحلیل همگرایی الگوریتم 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، مدلسازی و بهینهسازی 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.