معرفی دوره: طبقهبندی جامع با SVM بخش دوم در MATLAB
در این دوره جامع، شما با ماشین بردار پشتیبان (Support Vector Machine – SVM) به عنوان یکی از قدرتمندترین الگوریتمهای یادگیری ماشین برای طبقهبندی دادهها آشنا خواهید شد. این الگوریتم به دلیل توانایی بالای خود در جداسازی کلاسها در مسائل خطی و غیرخطی، بهویژه در تحلیل دادههای پیچیده و با ابعاد بالا، کاربردهای گستردهای دارد.
در این دوره، علاوه بر مفاهیم تئوری SVM، نحوه پیادهسازی عملی این الگوریتم در محیط MATLAB با توجه به کرنل های مختلف آموزش داده خواهد شد. ما از دادههای چندکلاسه و دودویی استفاده میکنیم و تکنیکهای متنوعی نظیر One-vs-One و One-vs-All برای مسائل چندکلاسه بررسی خواهند شد. همچنین، نحوه تنظیم و استفاده از کرنلهای مختلف (خطی، گوسی، چندجملهای) و ارزیابی مدلهای طبقهبندی با معیارهای استاندارد آموزش داده میشود.
دیدن آموزش رایگان الگوریتم ماشین بردار پشتیبان SVM بخش اول تئوری
آموزش رایگان طبقهبندی چندکلاسه با ماشین بردار پشتیبان (SVM) در متلب
اهداف دوره:
- یادگیری اصول تئوری و عملی SVM.
- توانایی استفاده از کرنلهای مختلف برای دادههای خطی و غیرخطی.
- توانایی پیادهسازی روشهای چندکلاسه در SVM.
- ارزیابی دقیق مدلها با استفاده از ماتریس آشفتگی (Confusion Matrix)، ROC، و سایر معیارهای طبقهبندی.
سرفصلهای دوره:
1. مقدمه به طبقهبندی و الگوریتم SVM
- مفهوم طبقهبندی (Classification) و کاربردهای آن.
- معرفی الگوریتم SVM: اصول تئوری و هندسی.
- مفهوم کرنلها (Kernels): خطی (Linear)، گوسی (Gaussian)، چندجملهای (Polynomial).
- انتخاب هامش حداکثر (Maximum Margin) برای جداسازی کلاسها.
2. پیادهسازی طبقهبندی دودویی با SVM
- بارگذاری دادهها در MATLAB.
- استفاده از توابع MATLAB برای ساخت و آموزش مدل SVM.
- ارزیابی مدل با معیارهایی نظیر دقت (Accuracy)، حساسیت (Sensitivity)، و ویژگی (Specificity).
- ترسیم مرزهای تصمیمگیری.
3. طبقهبندی چندکلاسه
- استراتژیهای One-vs-One و One-vs-All.
- آموزش مدلهای چندکلاسه در MATLAB.
- مقایسه عملکرد OvO و OvA در مسائل چندکلاسه.
4. استفاده از کرنلها در SVM
- مقایسه کرنل خطی، گوسی، و چندجملهای.
- بهینهسازی پارامترهای کرنل (Kernel Parameters).
- پیادهسازی مسائل غیرخطی با استفاده از کرنلها.
5. ارزیابی مدل
- معیارهای ارزیابی مدل: دقت، حساسیت، ویژگی، و F1-Score.
- ماتریس آشفتگی (Confusion Matrix) و تحلیل آن.
- رسم منحنی ROC و محاسبه AUC.
6. کار با دادههای واقعی
- پیادهسازی SVM برای مسائل دنیای واقعی مانند تشخیص بیماری، تحلیل دادههای مالی، و شناسایی تصاویر.
- تحلیل نتایج و بهبود مدلها.
9. پروژه پایانی
- اجرای یک پروژه عملی شامل آمادهسازی داده، آموزش مدل، ارزیابی، و تحلیل نتایج.
- مقایسه روشهای مختلف SVM در پروژه.
مزایای شرکت در این دوره
- یادگیری مفاهیم پایه و پیشرفته SVM.
- توانایی پیادهسازی SVM در مسائل دنیای واقعی.
- آشنایی با روشهای بهینهسازی و ارزیابی مدلها.
این دوره برای دانشجویان، محققین و علاقهمندان به یادگیری ماشین مناسب است و به آنها کمک میکند تا یکی از پرکاربردترین الگوریتمهای یادگیری ماشین را بهطور کامل یاد بگیرند و از آن در پروژههای خود استفاده کنند.
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
نقد و بررسیها
هنوز بررسیای ثبت نشده است.