❇️ آموزش ردیابی اشیا Object tracking و تشخیص حالت در متلب

🔑لینک معرفی آموزش:

🌎 https://m.aparat.com/v/IPnZ4

❇️ مدت زمان کامل آموزش ۴ ساعت و ۵۰دقیقه

🚹 مدرس
@hassan_saadatmand

✳️ آموزش متلب
🆔 www.tg-me.com/matlabanyone

❇️ مقاله پایه استفاده شده در آموزش ردیابی اشیا و تشخیص حالت در متلب ☝️

✳️ آموزش تشخیص و ردیابی ماشین با کالمن فیلتر در متلب
Car Tracking using Kalman Filter

لینک معرفی آموزش 👇

🌎 https://m.aparat.com/v/SE2B8


❇️ آموزش متلب
🆔 www.tg-me.com/matlabanyone

❇️ مزيت استفاده از داده هاي اعتبارسنجي (validation) در فرآيند آموزش توسط كلاسيفاير چيست؟
🔶 در حالت عادي دسته بند ها داده ها را به دو دسته داده هاي آموزش و داده هاي تست تقسيم می كنند كه در آن داده هاي آموزش براي فرآيند يادگيری استفاده ميشوند و از داده هاي تست براي آزمايش دسته بند استفاده میشود. اما در بعضي اوقات مخصوصا هنگام كار با شبكه هاي عصبي داده ها به سه دسته تقسيم میشوند يعني در آن داده هاي اعتبار سنجي هم اضافه میشود. اگر فرايند آموزش خيلي طولانی باشد، بيش برازش پيش مي­آيد يعني شبكه خيلي به داده­هاي آموزش حساس مي­شود و اگر داده­هاي جديد كمي متفاوت باشند، نتيجه­ي دقيقي حاصل نمي­شود. به همين دلیل داده­ها به سه دسته ­ي آموزش، اعتبارسنجي و آزمايش تقسيم مي­شوند. اهميت داده­هاي اعتبارسنجي اين است كه از وقوع بيش برازش جلوگيري مي­كند.زماني كه فرايند آموزش توسط داده هاي بخش آموزش انجام مي گيرد، توسط داده هاي اعتبارسنجي بررسي میشود كه سيستم خيلي وابسته به داده هاي آموزش نباشد. در شكل  يك نمونه فرآيند آموزش و ميزان­ خطاهاي آموزش، اعتبارسنجي و آزمايش در هر اپوك نشان داده شده.

✳️ آموزش متلب
🆔 www.tg-me.com/matlabanyone

💻 داده پرت چیست؟

داده های پرت (outliers) داده هایی هستند که در فاصله غیر نرمالی از سایر مقادیر هم گروه خود قرار دارد و فاصله زیادی از آنها دارند.

⁉️ انواع روش های مواجهه با داده های پرت
در هنگام شناسایی داده های پرت باید به سوال پاسخ بدهیم:

🔹 چه تعداد ویژگی یا متغیر در شناسایی داده های پرت به کار گرفته می شود؟ تک متغیره یا چند متغیره. در روش تک متغیره، در هر زمان یک متغیر برای شناسایی داده های پرت مورد بررسی قرار می گیرد اما در روش چند متغیره، در هر زمان چند متغیر مورد بررسی قرار می گیرد.

⁉️ برخی از پرکاربردترین روش های شناسایی داده های پرت عبارتند از:

▫️تحلیل مقدار حداکثری یا z-score (پارامتریک)
▫️مدلسازی آماری و احتمالاتی (پارامتریک)
▫️مدل های رگرسیون خطی (PCA, LMS)
▫️مدل های مبتنی بر مجاورتی (غیرپارامتریک)
▫️مدل های تئوری اطلاعات
▫️روش های شناسایی خطای با ابعاد بالا

❇️ آموزش متلب
🆔 www.tg-me.com/matlabanyone

❇️ آموزش نصب متلب نسخه Matlab 2020b

🔹لینک و دانلود اموزش
🌎 https://aparat.com/v/Zkn57


✳️ آموزش متلب
🆔: www.tg-me.com/matlabanyone

آموزش بخش بندی یا قطعه بندی Sementation با یادگیری عمیق Deep Learning در متلب روی تصاویر دلخواه
💎 تصاویر پزشکی
💎 ماهواره ای
💎 کشاورزی
💎 خودرو های خود ران
💎 و ...
با استفاده از تکنیک قطعه بندی معنایی و با دقت بسیار بالا

لینک معرفی آموزش 👇

🌎 https://www.aparat.com/v/tKDG3

مدت زمان آموزش: ۳ ساعت

🚹 مدرس
🆔 @hassan_saadatmand


❇️ آموزش متلب
🆔 www.tg-me.com/matlabanyone

❇️ What is the MATLAB ?

🔶🔶 متلب MATLAB یک محیط برنامه نویسی و محاسبات عددی هست که میلیون ها مهندس و اهل علم از آن استفاده می کنند برای:
تحلیل داده
توسعه الگوریتم ها
ایجاد مدل ها و سیستم ها
و ...

🔶🔶 متلب تولباکس های زیادی آماده سازی کرده که از مهم ترین ان ها:
پردازش تصویر
کنترل سیستم
یادگیری عمیق و هوش مصنوعی
رباتیک
ارتباطات wireless
بهینه سازی
و ...

✳️ آموزش متلب
🆔 www.tg-me.com/matlabanyone

❇️❇️❇️ انواع مسائل طبقه بندی Classification:

طبقه بندی یکی از روش های یادگیری ماشین است و برای یادگیری چگونگی تخصیص برچسب کلاس به یک نمونه ورودی، استفاده می شود. مسئله طبقه بندی را به چهار دسته تقسیم کرد:

🔸طبقه بندی دودویی: مسائلی که دارای دو برچسب کلاس هستند. مانند شناسایی ایمیل اسپم که دارای دو برچسب اسپم یا غیر اسپم است.

🔹طبقه بندی چند کلاسه: مسائل طبقه بندی هستند که دارای بیش از دو برچسب کلاس هستند. مانند طبقه بندی چهره، طبقه بندی گونه های گیاهی و شناسایی کاراکترهای نوری.

🔸طبقه بندی چند برچسبی: وظایفی هستند که برای هر نمونه دو یا چند برچسب کلاس قابل پیش بینی است. در مثال طبقه بندی عکس، زمانی که یک عکس شامل چند جزء در تصویر باشد، یک مدل به پیش بینی چندین برچسب در عکس می پردازد مانند افراد، دوچرخه و غیره (شکل بالا تفاوت بین طبقه بندی چندکلاسه و چند برچسبی).

🔹طبقه بندی نامتوازن: مسائل طبقه بندی که تعداد نمونه ها در هر کلاس به صورت نابرابر توزیع شده اند. مثلا در تست های تشخیص سرطان تعداد بسیار زیادی از افراد سالم و تعداد اندکی دارای سرطان هستند.


✳️ آموزش متلب
🆔 www.tg-me.com/matlabanyone

✅ آموزش الگوریتم خفاش Bat Algorithm و پیادسازی ان در متلب

🔸آموزش تئوری
🔹آموزش کدنویسی در متلب
🔸به همراه کدنویسی های ساده شده

✴️ لینک معرفی آموزش
https://www.aparat.com/v/4KxV1

🔶 نویسنده:
Xin-She Yang, (2010).

#Metaheuristic
⭕️ مدرس:
@hassan_saadatmand

✳️ آموزش متلب
🆔: @matlabanyone

🔶 مقاله پایه استفاده شده در آموزش الگوریتم خفاش
✳️ Yang, X.-S. (2010).
❇️ A New Metaheuristic Bat-Inspired Algorithm.

✳️ آموزش متلب
🆔 www.tg-me.com/matlabanyone

❇️ آموزش کدنویسی سیستم فازی بدون استفاده از تولباکس فازی

🔶 ایجاد قوانین فازی از روی نمونه ها
🔶 تخمین تابع با سیستم فازی
🔶 عملکرد سیستم فازی در برابر نویز
🔶 محاسبه معیار MSE برای سیستم فازی
🔶 و ...

🔹 لینک مشاهده معرفی آموزش
🌎 https://www.aparat.com/v/k0IAS

🔹مدت زمان اموزش: ۲ ساعت و نیم

🚹 مدرس
@hassan_saadatmand

✳️ آموزش متلب
🆔 www.tg-me.com/matlabanyone

❇️ آموزش کدنویسی شبکه عصبی پرسپترون برای طبقه بندی دو یا چند کلاس داده بدون توابع متلب

🔹 لینک مشاهده معرفی آموزش
🌎 http://www.aparat.com/v/h1bFQ

🔹مدت زمان اموزش: ۷۰ دقیقه

🚹 مدرس
@hassan_saadatmand

✳️ آموزش متلب
🆔 www.tg-me.com/matlabanyone

❇️ آموزش کدنویسی شبکه عصبی پرسپترون برای تشخیص حروف بدون توابع متلب


🔹 لینک مشاهده معرفی آموزش
🌎 http://www.aparat.com/v/VT3oB

🔹مدت زمان اموزش: ۸۰ دقیقه

🚹 مدرس
@hassan_saadatmand

✳️ آموزش متلب
🆔 www.tg-me.com/matlabanyone

❇️ آموزش شبکه عصبی پرسپترون چند لایه MLP برای طبقه بندی Classification


🔹 لینک مشاهده معرفی آموزش
🌎 https://www.aparat.com/v/wpJoE

🔹مدت زمان اموزش: ۷۰ دقیقه

🚹 مدرس
@hassan_saadatmand

✳️ آموزش متلب
🆔 www.tg-me.com/matlabanyone

❇️ آموزش شبکه عصبی پرسپترون چند لایه MLP برای حل مسئله XOR بدون تولباکس


🔹 لینک مشاهده معرفی آموزش
🌎 https://www.aparat.com/v/5TwNh

🔹مدت زمان اموزش: ۷۰ دقیقه

🚹 مدرس
@hassan_saadatmand

✳️ آموزش متلب
🆔 www.tg-me.com/matlabanyone

🔶🔶بخش هفتم از آموزش های عمومی Matlab 🔶🔶

❇️ آموزش نرمال سازی Normalization داده دل خواه در متلب
✅ آموزش ایجاد یک تابع Function و نوشتن تابع نرمال سازی


🔵 لینک دانلود و مشاهده آموزش

http://www.aparat.com/v/zZbI9

🔶 مدرس :
@hassan_saadatmand

✳️ آموزش متلب
🆔 @matlabanyone

#Matlab_7

❇️ آموزش شبکه عصبی پرسپترون چند لایه MLP با k-fold cross validation بدون تولباکس


🔹 لینک مشاهده معرفی آموزش
🌎 https://www.aparat.com/v/OctWa

🔹مدت زمان اموزش: ۱۱۰ دقیقه

🚹 مدرس
@hassan_saadatmand

✳️ آموزش متلب
🆔 www.tg-me.com/matlabanyone

❇️ آموزش طبقه بندی سیگنال های EEG با شبکه های عصبی MLP:
🔹 آماده سازی داده
🔹 استخراج ویژگی مبتنی بر موجک wavelet
🔹 طبقه بندی با mlp

مدت زمان کامل آموزش ویدئویی: 1 ساعت و نیم

❇️ لینک مشاهده دمو اموزش
https://www.aparat.com/v/jODKW


✳️ آموزش متلب
🆔: www.tg-me.com/matlabanyone

❇️ آموزش شبکه عصبی عمیق LSTM در متلب :
🔶 آموزش تئوری:
🔹 RNN: Recurrent neural network
🔹 LSTM: Long Short Term Memory
🔶 آموزش مقدمات کدنویسی
🔶 آموزش طبقه بندی با LSTM با حل داده Sequence در ورودی مانند طبقه بندی داده از نوع سیگنال
🔶 آموزش تحلیل داده Sequence to Sequence از نوع طبقه بندی با LSTM
🔶 آموزش تحلیل یا پیش بینی سری زمانی Time Series Forecasting با استفاده از LSTM : مناسب برای پیش بینی آب و هوا، بورس، قیمت طلا، زلزله، فراگیری یک نوع بیماری و ....


❇️ مدت زمان کامل آموزش ویدئویی: ۴ ساعت و ۱۵ دقیقه

🚹 مدرس
ID: @hassan_saadatmand
Phone: 09155137038


❇️ لینک مشاهده دمو اموزش
https://www.aparat.com/v/cRurW

#deeplearning #Classification #lstm #sequence #timeseries #forecasting #prediction #machinelearning
✳️ آموزش متلب
🆔: www.tg-me.com/matlabanyone