معرفی دوره: انتخاب ویژگی با استفاده از الگوریتم PSO و شبکه عصبی MLP (رگرسیون) در متلب MATLAB
این دوره با هدف آموزش انتخاب ویژگی (Feature Selection) برای مسائل رگرسیون (Regression) با استفاده از ترکیب الگوریتم بهینهسازی ازدحام ذرات (Particle Swarm Optimization – PSO) و شبکه عصبی پرسپترون چندلایه (Multi-Layer Perceptron – MLP) طراحی شده است. روش انتخاب ویژگی مبتنی بر مدل Wrapper در این دوره استفاده میشود که در آن مدل MLP برای ارزیابی مجموعههای مختلف از ویژگیها استفاده میشود. این روش بهینهسازی، کارایی مدل را افزایش داده و پیچیدگی محاسباتی را کاهش میدهد.
در این دوره، مراحل کامل از آمادهسازی دادهها (Data Preprocessing) شامل حذف دادههای پرت (Outlier Detection)، مدیریت مقادیر گمشده (Handling Missing Values) و نرمالسازی (Normalization) تا ارزیابی مدل نهایی ارائه میشود. همچنین، آموزش کامل PSO، شامل تئوری و پیادهسازی عملی در MATLAB، به شرکتکنندگان ارائه میشود.
این دوره به مهندسان داده، پژوهشگران و دانشجویانی که در زمینههای یادگیری ماشین (Machine Learning)، بهینهسازی (Optimization)، الگوریتم های فراابتکاری (Metaheuristic Algorithms) و داده کاوی (Data Mining) یا تحلیل دادهها (Data Analysis) فعالیت دارند، توصیه میشود.
سرفصل دوره:
بخش 1: مقدمهای بر انتخاب ویژگی و اهمیت آن
- تعریف انتخاب ویژگی (Feature Selection) و اهمیت آن در مدلسازی.
- بررسی روشهای انتخاب ویژگی: فیلتر (Filter)، Wrapper، و Embedded.
- معرفی روش Wrapper و مزایای استفاده از آن.
بخش 2: آمادهسازی دادهها (Data Preprocessing)
- شناسایی و حذف دادههای پرت (Outlier Detection).
- مدیریت مقادیر گمشده (Missing Value Imputation).
- نرمالسازی (Normalization) دادهها برای بهبود عملکرد مدل.
- تقسیمبندی دادهها به مجموعههای آموزشی (Training) و تست (Test).
بخش 3: تعریف تابع هزینه (Cost Function)
- طراحی تابع هزینه برای انتخاب ویژگی در مسائل رگرسیون.
- استفاده از معیارهای ارزیابی عملکرد:
- ریشه میانگین مربعات خطا (Root Mean Squared Error – RMSE).
- پیادهسازی تابع هزینه در MATLAB با تمرکز بر ترکیب دقت مدل و کاهش ویژگیها.
بخش 4: معرفی الگوریتم PSO برای انتخاب ویژگی
- مروری بر اصول الگوریتم PSO:
- جمعیت اولیه (Initial Population).
- بهروزرسانی سرعت و موقعیت ذرات (Velocity and Position Update).
- نحوه نگاشت مقادیر پیوسته به باینری برای انتخاب ویژگی.
- تنظیم پارامترهای PSO: تعداد ذرات (Swarm Size)، تعداد تکرارها (Iterations)، و وزن اینرسی (Inertia Weight).
بخش 5: ارزیابی عملکرد مدل
- استفاده از مدل MLP برای ارزیابی مجموعه ویژگیهای انتخابشده.
- ارزیابی مدل با معیارهای مختلف:
- RMSE (Root Mean Squared Error): خطای ریشه میانگین مربعات.
- MAE (Mean Absolute Error): خطای مطلق میانگین.
- R² (Coefficient of Determination): ضریب تعیین.
- EVS (Explained Variance Score): واریانس توضیح دادهشده.
- تعداد ویژگیهای انتخابشده.
- درصد کاهش ویژگیها.
- زمان محاسبات و هزینه نهایی.
- مصورسازی نتایج:
- نمودار مقادیر واقعی و پیشبینیشده.
- رسم خط ایدهآل (Ideal Line) برای تحلیل دقت.
- نمایش هیستوگرام خطاها و نمودار RMSE.
بخش 6: آموزش عملی PSO در MATLAB
- پیادهسازی الگوریتم PSO برای مسائل بهینهسازی عمومی.
- مثالهای عملی در بهینهسازی توابع ریاضی و مسائل مهندسی.
- مقایسه عملکرد PSO با سایر الگوریتمهای بهینهسازی.
بخش 7: جمعبندی و پروژه عملی
- اجرای یک پروژه عملی برای انتخاب ویژگی در مسائل رگرسیون.
ویژگیهای دوره:
- تمرکز عملی: آموزش کامل پیادهسازی انتخاب ویژگی و الگوریتم PSO در MATLAB.
- مناسب برای پژوهشگران و دانشجویان: ارائه مفاهیم تئوری و پیادهسازی عملی برای بهبود مهارتهای یادگیری ماشین و بهینهسازی.
- ارزیابی دقیق: بررسی و تحلیل عملکرد مدلها برای اطمینان از کیفیت نتایج.
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 میتوانند این دوره را با الگوریتم های فراابتکاری متفاوتی مانند(GWO, RSA, WOA, DSA, Crow Search, Cuckoo search, …) و با الگوریتم های رگرسیون دیگر مانند SVR، جنگل تصادفی، LSTM، درخت تصمیم، GPR، رگرسیون خطی و … با مدرس در ارتباط باشند.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.