آموزش جامع شبکه‌ عصبی توابع شعاعی RBF

معرفی دوره: آموزش جامع شبکه‌های عصبی توابع شعاعی (RBF) برای رگرسیون و طبقه‌بندی در MATLAB

در این دوره، شما با یکی از قدرتمندترین ابزارهای یادگیری ماشین (Machine Learning) و شبکه های عصبی (Neural Networks) یعنی شبکه‌های عصبی توابع شعاعی (Radial Basis Function Networks – RBF) آشنا می‌شوید. این شبکه‌ها، که بر پایه کرنل گوسی یا سایر توابع شعاعی عمل می‌کنند، قابلیت بالایی در حل مسائل پیچیده در زمینه‌های رگرسیون (Regression) یا برازش منحنی (Curve Fitting) و طبقه‌بندی (Classification) دارند.

در این دوره، از اصول اولیه طراحی و پیاده‌سازی RBF، تا تحلیل دقیق عملکرد آن بر روی داده‌های واقعی مانند Iris Dataset و داده‌های شبیه‌سازی شده کار خواهید کرد. علاوه بر استفاده از توابع آماده متلب برای تسهیل فرآیند، پیاده‌سازی RBF به صورت پایه و با استفاده از روش‌های مختلف مانند گرادیان نزولی (Gradient Descent) و خوشه‌بندی K-Means آموزش داده می‌شود.

دستاوردهای دوره:

• درک معماری RBF و نحوه عملکرد آن.
• یادگیری نحوه طراحی و پیاده‌سازی RBF برای مسائل مختلف رگرسیون و طبقه‌بندی.
• بهینه‌سازی و تنظیم پارامترهای RBF برای بهبود عملکرد.
• تحلیل نتایج با استفاده از معیارهای ارزیابی دقیق و مصورسازی داده‌ها.

---

سرفصل‌های دوره:

بخش 1: آشنایی با شبکه‌های RBF و اصول اولیه

• معرفی شبکه‌های عصبی توابع شعاعی و کاربردهای آن‌ها.
• بررسی معماری RBF و نحوه عملکرد آن.

بخش 2: رگرسیون با RBF – استفاده از توابع آماده متلب

• پیاده‌سازی شبکه RBF برای رگرسیون داده‌های شبیه‌سازی شده.
• ارزیابی مدل با معیارهای خطا مانند:
  • MSE (Mean Squared Error).
  • RMSE (Root Mean Squared Error).
• مصورسازی نتایج و تحلیل خطا.

بخش 3: پیاده‌سازی پایه شبکه RBF برای رگرسیون

• پیاده‌سازی RBF به صورت پایه و بدون توابع آماده.
• استفاده از خوشه‌بندی K-Means برای تعیین مراکز (Centers) RBF.
• به‌کارگیری روش‌های بهینه‌سازی نظیر:
  • گرادیان نزولی (Gradient Descent).
  • محاسبه وزن‌ها با حل معادلات خطی.

بخش 4: طبقه‌بندی با شبکه RBF – استفاده از داده Iris

• آشنایی با Iris Dataset و پیش‌پردازش آن.
• پیاده‌سازی RBF برای طبقه‌بندی:
  • استفاده از توابع آماده متلب.
  • پیاده‌سازی پایه برای افزایش انعطاف‌پذیری.
• ارزیابی عملکرد با استفاده از:
  • Confusion Matrix.
  • Accuracy.

---

ویژگی‌های دوره:

• پیاده‌سازی کامل شبکه RBF برای رگرسیون و طبقه‌بندی در MATLAB.
• بررسی عملکرد شبکه با سه روش مختلف پیاده‌سازی:
  • استفاده از توابع آماده متلب.
  • پیاده‌سازی پایه RBF با معادلات ریاضی.
  • به‌کارگیری خوشه‌بندی K-Means و گرادیان نزولی.
• مناسب برای دانشجویان و پژوهشگران در حوزه‌های مهندسی، داده‌کاوی، و یادگیری ماشین.

مدت زمان دوره: 1.5 ساعت.
پیش‌نیاز: آشنایی مقدماتی با MATLAB و مفاهیم یادگیری ماشین.