پیاده سازی کد رگرسیون خطی در متلب

پیاده سازی کد رگرسیون خطی در متلب

در این بخش کد رگرسیون خطی در متلب را پیاده سازی خواهیم کرد. در بخش قبل در مورد مفهوم رگرسیون خطی صحبت کردیم و فرق رگرسیون و کلاس بندی را بیان کردیم. بیان کردیم که رگرسیون برای پیش بینی مقادیر پیوسته استفاده می شود. برای درک بهتر موضوع مثالی نیز بیان شد.  در کلاس بندی هدف تفکیک داده های بین دو کلاس بود(داده یا به کلاس یک تعلق داشت و یا دو و در مسائل چندکلاسه داده ممکن بود به کلاس های دیگر تعلق یابد) ولی در رگرسیون مسئله متفاوت است، و یک محدوده ای را تعیین می کنیم و داده به یک فضای پیوسته تعلق می گیرد. دو روش هم برای حل مسئله ی رگرسیون خطی بیان کردیم. در این بخش کد رگرسیون خطی در متلب را با دو روشی که در بخش گفته شد، پیاده سازی می کنیم.

 روش اول: 

ابتدا یک ورودی را بصورت رندوم تولید می کنیم و خروجی آن را نیز مشخص میکنیم(خروجی را برحسب ورودی رسم میکنیم). هدف این است که خطی را بیابیم که کمترین فاصله را تا داده ها داشته باشد. با توجه به روابطی که در بخش قبل گفته شد پارامترهای آزاد را بدست می آوریم.

روش دوم:

روش دوم برای پیاده سازی کد رگرسیون خطی در متلب  ساده تر از روش قبل است.مجددا ورودی و خروجی را می سازیم و یک بایاس به آن اضافه میکنیم. طبق رابطه ای که برای این روش گفته شد، مقادبر پارامترها را بدست می آوریم و خط بهینه را رسم می کنیم.

 


برای مشاهده ی مطالب علمی و همچنین ویدئوهای آموزشی رایگان درباره، شبکه های عصبی، شناسایی آماری الگو، پردازش سیگنال، پردازش تصاویر پزشکی و …به کانال تلگرام ما مراجعه کنید(سوالات خود را با ادمین کانال در میان بگذارید).

اولین کانال آموزش رایگان دروس مربوط به رشته ی مهندسی پزشکی

لینک کانال

دیدگاه و اطلاعاتتان را در مورد این ویدئو در اختیار ما قرار دهید.

پایان اولین دوره ی شبکه های عصبی در تهران

دوره ی پیاده سازی شبکه های عصبی به پایان رسید و لازمه که از همینجا از همه شرکت کنندگان بخاطر شرکت در این دوره تشکر کنیم و امیدواریم که این دوره برای دوستان مفید بوده باشه.

 لازمه که مروری داشته باشیم به مباحثی که در این دوره آموزش داده شد تا از این طریق دوستان دیگه ای که علاقه مند به یادگیری این مباحث هستند در دوره های بعد شرکت کنند.

وجه تمایز این دوره با دوره های دیگه این بود که اولا در این دوره نحوه استفاده از توابع آماده متلب آموزش داده نشد بلکه نحوه ی پیاده سازی شبکه ها بطور کامل آموزش داده شد! (چون باور داریم که یک مهندس باید خودش کد بنویسه نه اینکه از منابع آماده استفاده کنه).

استفاده از شبکه عصبی آماده برای شخصی که مهندسی نمیخونه و صرفا مصرف کننده هست مناسب هست.

  1. در این دوره نحوه پیاده سازی شبکه های عصبی آموزش داده شد و مطمئنا شرکت کنندگان بعد از تمرین و تکرار مطالبی که آموزش داده شد، در پیاده سازی شبکه ها، بهبود شبکه ها، شبیه سازی مقالات و استفاده از شبکه ها در پروژه های عملی دچار مشکل نخواهند شد.
  2.  در این دوره سعی بر این بوده است که تمام مباحث کتاب معروف Siomon Haykin را آموزش بدیم.
  3. کتاب معروف Siomon Haykin، کتابی استاندارد برای یادگیری شبکه های عصبی است که در بیشتر دانشگاههای داخل و خارج کشور تدریس می شود.
  4. در ابتدای هر جلسه، مباحث تئوری کتاب آموزش داده شد و سپس به طور گام به گام در متلب پیاده سازی شد.
  5. علاوه بر مباحث کتاب Siomon Haykin ، دو شبکه عصبی معروفPNNو ELM (بانظارت – که جهت کلاسبندی و پیش بینی استفاده می شوند) را طبق مقالات معتبر پیاده سازی کردیم که از این طریق شرکت کنندگان با پیاده سازی مقالات نیز آشنا شدند.
  6. تمامی شبکه ها در متلب پیاده سازی و سپس در پروژه‌های عملی استفاده شدند!

وجه تمایز دیگه ای این دوره با دوره های دیگه این بود که این دوره کاملا پروژه محور بود و در طول دوره پروژه های مختلفی با شبکه های عصبی انجام شد.

 

پروژه هایی که در دوره آموزش داده شدند:

◦ تشخیص سرطان سینه با استفاده از شبکه عصبی آدالاین
◦ تشخیص سرطان سینه با استفاده از قانون یادگیری وینرهاف
◦ تشخیص سرطان سینه با استفاده از ML(ماکزیمم شباهت)
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری دلتا دلتا
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری دلتا بار دلتا
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری دلتا دلتا
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی توابع شعاعی پایه (RBF)
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی (ELM(Extreme learning machine
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی احتمالی (PNN)
◦ کلاسبندی داده های سه کلاسه iris# (داده ی معروف در سایت uci) با استفاده از شبکه هایی عصبی
-(Pnn -Elm -Rbf -MLP (back propagation)- MLP (delta bar delat)-MLP (delta delta.

◦ خوشه_بندی با استفاده از شبکه های عصبی خودسازمانده با قانون یادگیری رقابتی(som)
◦ پیاده سازی الگوریتم PCA(تجزیه مولفه های اساسی) با استفاده از شبکه های عصبی خودسازمانده با قانون یادگیری هببین
◦ کلاسبندی داده های دوکلاسه و #چندکلاسه (توزیع نرمال)، مثال AND، OR، NOT، XOR
◦ تخمین کیفیت شراب با استفاده از شبکه های عصبی
◦ پیش_بینی نرخ ارز با استفاده از شبکه های عصبی

با پیاده سازی این پروژه ها ، دوستان با مباحث مرتبط با تقسیم داده(روش معمول (۷۰-۳۰) و k_fold cross validation)، تست و ارزیابی شبکه، لیبل گذاری داده، تعیین مدل بهینه آشنا شدند.

 


دوره ی بعدی مهرماه در مشهد برگزار خواهد شد. دوستانی که قصد شرکت در دوره را دارند میتوانند برای پیش ثبت نام با شماره زیر تماس بگیرند.

۰۹۳۶-۰۳۸-۲۶۸۷

Bio_Engineerr@
مدرس دوره: مهندس محمد نوری زاده چرلو

اولین کانال آموزش رایگان دروس مربوط به رشته ی مهندسی پزشکی

لینک کانال

رگرسیون خطی

مفهوم رگرسیون خطی

در این ویدوئو فرق رگرسیون خطی و کلاس بندی توضیح داده شده است و راه حل های موجود برای حل معادله ی رگرسیون خطی و همچنین برای درک بهتر موضوع مثالی نیز بیان شده است. در کلاس بندی هدف تفکیک داده های بین دو کلاس بود(داده یا به کلاس یک تعلق داشت و یا دو و در مسائل چندکلاسه داده ممکن بود به کلاس های دیگر تعلق یابد) ولی در رگرسیون مسئله متفاوت است، و یک محدوده ای را تعیین می کنیم و داده به یک فضای پیوسته تعلق می گیرد.

در رگرسیون خطی باید بین ورودی(داده ها) و خروجی یک رابطه ی خطی بیابیم(شیب و عرض از مبدا را بیابیم). اگر داده های را نسبت به خروجی رسم کنیم هدف این است که خطی را پیدا کنیم که کمترین فاصله را نسبت به داده داشته باشد.  برای حل این مسئله ذو روش مطرح می شود.

روش اول: روش حداقل کردن مربعات خطا

یک تابع هزینه تعریف  میشود(برحسب شیب و عرض از مبدا) و برای پیدا کردن خط بهینه از تابع هزینه نسبت به پارامترهای آزاد مشتق میگیریم و مقادیری که بدست می آیند بهینه ترین حالت برای پارامترهای آزاد هستند.

روش دوم: حل میانگین مربعات خطا با استفاده از رابطه ی وینرهاف

ممکن است چندتا ورودی داشته باشیم و یک خروجی داشته باشیم. که این روش برای حل این گونه مسائل است.

جزئیات بیشتر را در این ویدئو می توانید مطالعه کنید

 

 

 

فایل PDF


 

برای مشاهده ی مطالب علمی و همچنین ویدئوهای آموزشی رایگان درباره، شبکه های عصبی، شناسایی آماری الگو، پردازش سیگنال، پردازش تصاویر پزشکی و …به کانال تلگرام ما مراجعه کنید(سوالات خود را با ادمین کانال در میان بگذارید).

اولین کانال آموزش رایگان دروس مربوط به رشته ی مهندسی پزشکی

لینک کانال

دیدگاه و اطلاعاتتان را در مورد این ویدئو در اختیار ما قرار دهید.

 

آموزش تجزیه مولفه های اساسی (PCA) در متلب

تجزیه مولفه های اساسی PCA

بخش اول
در این بخش مبحث تئوری pca با یک مثال عملی و ساده آموزش داده میشود.

 

در بخش دوم پیاده سازی الگوریتم pca در متلب را آموزش خواهیم داد و سپس جهت این الگوریتم را روی داده های واقعی اعمال می کنیم و نتیجه را بررسی می کنیم.

 

کد و فایل pdf مربوط به این بخش در کانال تلگراممون قرار داده شده است، میتوانید به صورت رایگان از کانال دانلود کنید.


✅ دوستان علاقه مند به برنامه نویسی متلب، پردازش تصویر، پردازش سیگنال ، شبکه های عصبی ، شناسایی آماری الگو (پترن ) به کانال تلگراممون مراجعه کنند.

✅ تمامی ویدیوها در کانال به صورت رایگان قرار داده می شوند و هدف اشتراک اطلاعات برای دوستانی است که فرصت شرکت در دوره های مهندسی پزشکی را ندارند.

 

اولین کانال آموزش رایگان دروس مربوط به رشته ی مهندسی پزشکی

 لینک کانال  

سوالات و دیدگاه خود را درباره ی این پست با ما درمیان بگذارید

 


 

الگوریتم آدابوست  

الگوریتم آدابوست

الگوریتم آدابوست مخفف بوستینگ(ارتقاء) تطبیقی بوده و یک الگوریتم یادگیری ماشین است که توسط یاو فروند و رابرت شاپیر ابداع شد. در واقع الگوریتم آدابوست یک متا الگوریتم است که بمنظور ارتقاء عملکرد(افزایش دقت کلاسبندی) همراه دیگر الگوریتم‌های یادگیری استفاده می‌شود. در این الگوریتم، کلاسبند هر مرحله جدید به نفع نمونه‌های غلط کلاسبندی شده در مراحل قبل تنظیم می‌گردد.
هدف الگوریتم آدابوست افزایش میزان یادگیری کلاسبندها هست. این الگوریتم با ترکیب چند کلاسبند ضعیف یک مرز مناسب جهت تفکیک داده‌های بین دوکلاس بدست می آورد.
شعار کلاسبند ها همیشه به نفع داده هایی که در مرحله قبل به اشتباه کلاسبندی شده اند، عمل می کنیم. الگوریتم آدابوست نسبت به داده‌های نویزی و پرت حساس است؛ ولی نسبت به مشکل بیش برازش از بیشتر الگوریتم‌های یادگیری برتری دارد.

الگوریتم آدابوست

آدابوست

کلاسبند ضعیف

فقط کافیست از طبقه بند نصادفی(۵۰٪) (برای داده های دو کلاسه التبه)بهتر باشد و به این ترتیب بهبود عملکرد الگوریتم با تکرارهای بیشتر بهبود می‌یابد. حتی کلاسبندهای با خطای بالاتر از تصادفی با گرفتن ضریب منفی عملکرد کلی را بهبود می‌بخشند.  در الگوریتم آدابوست در هر دور یک طبقه بند ضعیف اضافه می‌شود. در هر فراخوانی بر اساس اهمیت نمونه‌ها، وزن‌های نمونه های آموزشی براساس خطای کلاسبندی بروز می‌شوند.
در هر دور وزن نمونه‌های غلط طبقه‌بندی شده افزایش و وزن نمونه‌های درست طبقه‌بندی شده کاهش داده می‌شود(و یا ثابت می ماند)؛ بنابراین کلاسبند جدید تمرکز بر نمونه‌هایی که سخت تر یادگرفته می‌شوند، خواهند داشت.

 

الگوریتم آدابوست

الگوریتم آدابوست

 

جهت آشنایی کامل با الگوریتم آدابوست پیشنهاد می کنیم حتما ویدیوی زیر را مشاهده کنید


اولین کانال آموزش رایگان دروس مربوط به رشته ی مهندسی پزشکی

 لینک کانال  

سوالات و دیدگاه خود را درباره ی این پست با ما درمیان بگذارید