لیست الگوریتم های مهم فراابتکاری به ترتیب سال نشر و تعداد ارجاع ها
تاریخچه الگوریتم های بهینه سازی در ۵۰ سال گذشته
آموزش متلب 👇👇👇
@matlabanyone
تاریخچه الگوریتم های بهینه سازی در ۵۰ سال گذشته
آموزش متلب 👇👇👇
@matlabanyone
MATLAB Learning
لیست الگوریتم های مهم فراابتکاری به ترتیب سال نشر و تعداد ارجاع ها تاریخچه الگوریتم های بهینه سازی در ۵۰ سال گذشته آموزش متلب 👇👇👇 @matlabanyone
✳️✳️✳️ برای تهیه آموزش تئوری و کدنویسی در متلب هر یک از آموزش های فرابتکاری در لیست بالا لطفا با ادمین در ارتباط باشید 👇👇👇
@hassan_saadatmand
@hassan_saadatmand
✅✅✅ انواع روش های خوشه بندی(Clustering) در یادگیری بدون نظارت(Unsupervised Learning)
✅ آموزش متلب👇👇👇
@matlabanyone
✅ آموزش متلب👇👇👇
@matlabanyone
✅ آموزش انتخاب ویژگی با استفاده از الگوریتم ژنتیک در متلب
لینک دمو آموزش👇👇
http://www.aparat.com/v/HSf4X
✅ آموزش متلب 👇👇👇
@matlabanyone
لینک دمو آموزش👇👇
http://www.aparat.com/v/HSf4X
✅ آموزش متلب 👇👇👇
@matlabanyone
آپارات - سرویس اشتراک ویدیو
انتخاب ویژگی با استفاده از الگوریتم ژنتیک در متلب
عضویت در کانال(تلگرام) "آموزش متلب" @matlabanyone برای دریافت آموزش های مشابهدر این اموزش به صورت ساده و تخصصی نحوه انتخاب ویژگی (Feature Selection) با استفاده از الگوریتم ژنتیک انجام شده. اموزش در محیط در نرم افزار متلب میباشد. برای ارتباط با مدرس و دریافت…
✅ آموزش انتخاب ویژگی با الگوریتم رقابت استعماری
لینک دمو اموزش👇👇
https://www.aparat.com/v/G6UAL
✅ آموزش متلب👇👇👇
@matlabanyone
لینک دمو اموزش👇👇
https://www.aparat.com/v/G6UAL
✅ آموزش متلب👇👇👇
@matlabanyone
آپارات - سرویس اشتراک ویدیو
انتخاب ویژگی با الگوریتم رقابت استعماری ICA در متلب
عضویت در کانال(تلگرام) "آموزش متلب" @matlabanyone برای دریافت آموزش های مشابهآموزش انتخاب ویژگی یا Feature Selection با الگوریتم تکاملی رقابت استعماری ICA در متلب به صورت کامل.برای تهیه آموزش کامل و یا درخواست آموزش انتخاب ویژگی با الگوریتم های فراابتکاری…
روشهای انتخاب ویژگی (Feature Selection Methods) به منظور مواجهه با دادههای ابعاد بالا، به مولفهای جدایی ناپذیر از فرآیند یادگیری مبدل شدهاند.
آموزش متلب👇👇
@matlabanyone
آموزش متلب👇👇
@matlabanyone
✅✅✅ انتخاب ویژگی با حذف ویژگیهای غیر مرتبط و تکراری به کاهش ابعاد منجر میشود. انتخاب ویژگی به طور گسترده در کاربردهای گوناگون دادهکاوی مانند «متنکاوی» (Text Mining)، «تحلیل ژنتیک» (genetic analysis) و پردازش دادههای حسگرها مورد استفاده قرار میگیرد. انتخاب ویژگی برای کاربردهایی که در آنها ویژگیهای اصلی برای تفسیر مدل و استخراج دانش مهم هستند بسیار کاربردپذیر است زیرا طی این فرآیند ویژگیهای اصلی مجموعه داده حفظ میشوند. در ادامه مبانی انتخاب ویژگی شرح داده خواهد شد
🔴 انتخاب ویژگی را میتوان به عنوان فرآیند شناسایی ویژگیهای مرتبط و حذف ویژگیهای غیر مرتبط و تکراری با هدف مشاهده زیرمجموعهای از ویژگیها که مساله را به خوبی و با حداقل کاهش درجه کارایی تشریح میکنند تعریف کرد. این کار مزایای گوناگونی دارد که برخی از آنها در ادامه بیان شدهاند.
🔹 بهبود کارایی الگوریتمهای یادگیری ماشین
🔹 درک داده، کسب دانش درباره فرآیند و کمک به بصریسازی آن
🔹 کاهش داده کلی، محدود کردن نیازمندیها ذخیرهسازی و احتمالا کمک به کاهش هزینهها
🔹 کاهش مجموعه ویژگیها، ذخیرهسازی منابع در دور بعدی گردآوری داده یا در طول بهرهبرداری
🔹 سادگی و قابلیت استفاده از مدلهای سادهتر و کسب سرعت
✅ منبع: مجله فرادرس
✅ آموزش متلب👇👇👇
@matlabanyone
🔴 انتخاب ویژگی را میتوان به عنوان فرآیند شناسایی ویژگیهای مرتبط و حذف ویژگیهای غیر مرتبط و تکراری با هدف مشاهده زیرمجموعهای از ویژگیها که مساله را به خوبی و با حداقل کاهش درجه کارایی تشریح میکنند تعریف کرد. این کار مزایای گوناگونی دارد که برخی از آنها در ادامه بیان شدهاند.
🔹 بهبود کارایی الگوریتمهای یادگیری ماشین
🔹 درک داده، کسب دانش درباره فرآیند و کمک به بصریسازی آن
🔹 کاهش داده کلی، محدود کردن نیازمندیها ذخیرهسازی و احتمالا کمک به کاهش هزینهها
🔹 کاهش مجموعه ویژگیها، ذخیرهسازی منابع در دور بعدی گردآوری داده یا در طول بهرهبرداری
🔹 سادگی و قابلیت استفاده از مدلهای سادهتر و کسب سرعت
✅ منبع: مجله فرادرس
✅ آموزش متلب👇👇👇
@matlabanyone
✅✅✅ مسئله انتخاب ویژگی یا Feature Selection (و یا Feature Subset Selection) یکی از زیر مجموعههای مسئله استخراج ویژگی یا Feature Extraction است و در حوزههای مختلف یادگیری ماشینی و دادهکاوی مطرح میشود. در حالت کلی این مسئله دارای راه حل قطعی نیست و تاکنون روشی دقیق برای حل آن پیشنهاد نشده است. رویکردهای مختلفی به صورت کلاسیک برای این مسئلهها پیشنهاد شدهاند، که معمولا کیفیت پاسخ آنها به صورت عمومی چندان مناسب و مطلوب نیست.
✅✅✅ اما در مقابل، روشهای بهینهسازی هوشمند میتوانند در حل این مسائل، راه حلهای به مراتب بهتری را ارائه نمایند. از این رو، یکی از روشهای موثر و سازنده در مسیر حل مسائل انتخاب ویژگی و مسائل مرتبط با آن، استفاده از روشهای بهینهسازی فرا ابتکاری و الگوریتمهای تکاملی است.
✅ کانال آموزش متلب👇👇👇
@matlabanyone
✅✅✅ اما در مقابل، روشهای بهینهسازی هوشمند میتوانند در حل این مسائل، راه حلهای به مراتب بهتری را ارائه نمایند. از این رو، یکی از روشهای موثر و سازنده در مسیر حل مسائل انتخاب ویژگی و مسائل مرتبط با آن، استفاده از روشهای بهینهسازی فرا ابتکاری و الگوریتمهای تکاملی است.
✅ کانال آموزش متلب👇👇👇
@matlabanyone
✅✅✅ آنالیز ماتریس کانفیوژن Confusion Matrix برای تحلیل نتایج طبقه بند در متلب
✅✅✅ آموزش متلب
@matlabanyone
✅✅✅ آموزش متلب
@matlabanyone
Media is too big
VIEW IN TELEGRAM
✅ آموزش مفهوم انواع مسائل بهینه سازی با رویکرد الگوریتم های فراابتکاری
🔸 تک هدفه Single Objective
🔸چند هدفه Multi Objective
🔸 بسیار هدفه Many Objective
✅ کانال اموزش متلب👇👇👇
@matlabanyone
🔸 تک هدفه Single Objective
🔸چند هدفه Multi Objective
🔸 بسیار هدفه Many Objective
✅ کانال اموزش متلب👇👇👇
@matlabanyone
✅✅✅ طرح کلی بهینه سازی سیستم های فازی FIS و یا ANFIS با استفاده از الگوریتم های فراابتکاری مثل ژنتیک، PSO، خفاش، ملخ و ...
✳️ کانال اموزش متلب👇👇👇
@matlabanyone
✳️ کانال اموزش متلب👇👇👇
@matlabanyone
✅✅✅ در طراحی سیستم(کنترلر) های استنتاج فازی(FIS) پارامترهای تنظیم بسیاری (از جمله پارامترهای مربوط به توابع عضویت) وجود دارد. که تنظیم بهینه این پارمترها دشوار است و تنظیم بهینه این پارامترها منجر به عملکرد مطلوب FIS میشود. از این رو یکی از پیشنهادهای مناسب برای حل این مسئله استفاده از الگوریتم های فراابتکاری نظیر الگوریتم ژنتیک، PSO، خفاش، گرگ خاکستری و ... است. البته حتی می توان قوانین سیستم های فازی را هم با الگوریتم های فراابتکاری بهینه کرد. چرا که قوانین سیستم های فازی معمولا با توجه به دانش انسان خبره ایجاد میشوند که ممکن است حالت بهینه نباشند.
✅✅✅ از طرفی در طراحی و آموزش سیستم های تطبیقی استنتاج عصبی فازی (انفیس یا ANFIS) معمولا با استفاده از رویکردهای کلاسیک، نظیر گرادیان نزولی (Gradient Descend) و پس انتشار (Back-Propagation) انجام می شود. که می توان این آموزش را با استفاده از الگوریتم های تکاملی و فرا ابتکاری انجام داد. یعنی تبدیل یک مسئله یادگیری در قالب مسئله بهینه سازی و استفاده از الگوریتم های بهینه سازی نظیر الگوریتم ژنتیک، PSO، خفاش، گرگ خاکستری و ... برای حل آن مسئله.
✳️ کانال اموزش متلب👇👇👇
@matlabanyone
✅✅✅ از طرفی در طراحی و آموزش سیستم های تطبیقی استنتاج عصبی فازی (انفیس یا ANFIS) معمولا با استفاده از رویکردهای کلاسیک، نظیر گرادیان نزولی (Gradient Descend) و پس انتشار (Back-Propagation) انجام می شود. که می توان این آموزش را با استفاده از الگوریتم های تکاملی و فرا ابتکاری انجام داد. یعنی تبدیل یک مسئله یادگیری در قالب مسئله بهینه سازی و استفاده از الگوریتم های بهینه سازی نظیر الگوریتم ژنتیک، PSO، خفاش، گرگ خاکستری و ... برای حل آن مسئله.
✳️ کانال اموزش متلب👇👇👇
@matlabanyone
✅✅✅ برای تهیه اموزش ویدوئی از نحوه کدنویسی، ترکیب سیستم های(کنترلر های) فازی و یا ANFIS با هر یک از الگوریتم های فراابتکاری در متلب، لطفا با ادمین در ارتباط باشید 👇👇👇
@hassan_saadatmand
@hassan_saadatmand
✅✅✅ طرح کلی بهینه سازی کنترلر فازی با الگوریتم های فراابتکاری مثل ژنتیک، گرگ خاکستری، وال و ....
✳️ کانال اموزش متلب👇👇👇
@matlabanyone
✳️ کانال اموزش متلب👇👇👇
@matlabanyone
✅✅✅ طراحی و تنظیم کنترل کننده های PID با استفاده از الگوریتم های فراابتکاری مانند: PSO، GWO و ...
✳️ کانال آموزش متلب 👇👇👇
@matlabanyone
✳️ کانال آموزش متلب 👇👇👇
@matlabanyone
✅✅✅ کنترل کننده تناسبی-انتگرالی-مشتقی یا به اختصار کنترل کننده PID، یکی از رکن های اساسی کنترل کننده های صنعتی حساب می¬شود. و به دلیل سادگی و عملکرد مطلوب بسیار مورد توجه قرار گرفته و در صنعت بیشترین استفاده از کنترل کننده های PID است.
✅✅✅ یکی از چالش های اساسی کنترل کننده های PID تنظیم مناسب(بهینه) بهره های Kp، Ki و Kd است. که روش های متنوعی(مانند Ziegler Nichols) برای بدست آوردن این بهره ها ارائه شده است، اما کارایی لازم را ندارند. بنابراین استفاده از الگوریتم های فراابتکاری می تواند یک راه حل مناسب برای این مسئله باشد. باید بتوان این مسئله رو در غالب یک مسئله بهینه سازی تبدیل کرد. در طراحی کنترل کننده PID با استفاده از الگوریتم های فراابتکاری از خواص پاسخ پله سیستم حلقه بسته (مانند زمان نشست یا Settling Time و درصد فراجهش یا Overshoot) استفاده می شود.
✳️ کانال آموزش متلب 👇👇👇
@matlabanyone
✅✅✅ یکی از چالش های اساسی کنترل کننده های PID تنظیم مناسب(بهینه) بهره های Kp، Ki و Kd است. که روش های متنوعی(مانند Ziegler Nichols) برای بدست آوردن این بهره ها ارائه شده است، اما کارایی لازم را ندارند. بنابراین استفاده از الگوریتم های فراابتکاری می تواند یک راه حل مناسب برای این مسئله باشد. باید بتوان این مسئله رو در غالب یک مسئله بهینه سازی تبدیل کرد. در طراحی کنترل کننده PID با استفاده از الگوریتم های فراابتکاری از خواص پاسخ پله سیستم حلقه بسته (مانند زمان نشست یا Settling Time و درصد فراجهش یا Overshoot) استفاده می شود.
✳️ کانال آموزش متلب 👇👇👇
@matlabanyone
✅✅✅ آموزش رایگان الگوریتم بهینه سازی ذرات PSO
Particle Swarm Optimization
🔹🔹🔹 اولین الگوریتم فراابتکاری مبتنی بر هوش جمعی
✳️ کانال آموزش متلب👇👇👇
@matlabanyone
Particle Swarm Optimization
🔹🔹🔹 اولین الگوریتم فراابتکاری مبتنی بر هوش جمعی
✳️ کانال آموزش متلب👇👇👇
@matlabanyone
Media is too big
VIEW IN TELEGRAM
تجربه بیش از۱۰۰۰کتاب در این ویدیو
«آموزش سوپر تکنیک موفقیت»
اجازه ندین تایم این ویدیو
از دیدنش منصرفتون کنه
دکتر مرتضی جاوید
T.me/mortezajavid
کانال آموزش متلب
@matlabanyone
«آموزش سوپر تکنیک موفقیت»
اجازه ندین تایم این ویدیو
از دیدنش منصرفتون کنه
دکتر مرتضی جاوید
T.me/mortezajavid
کانال آموزش متلب
@matlabanyone