بررسی هندسی معیار T2 و پیاده سازی آن در محیط متلب معرفی معیار Q یا باقیمانده برای تشخیص داده های پرت
بررسی هندسی معیار T2 و پیاده سازی آن در محیط متلب
معرفی معیار Q یا باقیمانده برای تشخیص داده های پرت
بررسی هندسی معیار T2 و پیاده سازی آن در محیط متلب
معرفی معیار Q یا باقیمانده برای تشخیص داده های پرت
لیل استفاده و خاستگاه شبکه های عصبی
انتخاب با یادگیری نظارت شده
جمع بندی و نتیجه گیری های نهایی
بحث بر روی توابع هدف مطرح در مسأله بهینه سازی
انتخاب ویژگی با تعداد ویژگی مطلوب از پیش تعیین شده و معلوم
آموزش شبکه
بررسی و آنالیز نتایج شبیه سازی
شیوه های انتخاب مراکز توابع شعاعی
انتخاب مراکز ثابت
بیان ایده تفکیک غیر خطی با یک مثال ساده
ساختار عمومی یک شبکه عصبی RBF
تنظیم پارامترهای شبکه عصبی RBF
استفاده از شبکه عصبی RBF برای پیش بینی سری زمانی
استفاده از شبکه عصبی RBF برای تقریب و درونیابی توابع
آماده سازی دیتاها برای اهداف پیش بینی
تعریف توابع شعاعی پایه و نورون های RBF
نرمایزه کردن داده ها
جداسازی دیتاهای آموزش و تست
تعیین ساختار شبکه
ستهبندی مسایل بهینهسازی (مقید-نامقید، خطی-کوادراتیک-غیرخطی، پیوسته-مخلوط-گسسته، محدب-نیمهمحدب-نامحدب، مسایل SDP و . . . )
پیاده سازی گام به گام حل مسأله انتخاب ویژگی با تعداد نامعلوم
انتخاب ویژگی با استفاده از الگوریتم ژنتیک باینری برای رگرسیون با استفاده از شبکه عصبی
انتخاب ویژگی چندهدفه با استفاده از الگوریتم PSO با اجرای چند باره
انتخاب ویژگی با استفاده از الگوریتم تکامل تفاضلی برای رگرسیون با استفاده از شبکه عصبی
مروری بر پیش بینی سریهای زمانی توسط شبکه عصبی
مروری بر ساختار سیستم استنتاج فازی در متلب
ابتدا به موضوع پیش بینی سری زمانی اشاره می شود و سپس ارتباط آن با شبکه عصبی مورد بررسی قرار می گیرد.
انتخاب با روش ها غیر نظارت شده، مانند الگوریتم k-Means یا Lloyd
بیان قضیه میچلی (Micchelli) و شرایط تعریف مناسب یک تابع RBF
ارتباط میان شبکه عصبی RBF و سیستم فازی تاکاگی-سوگنو یا TSK
مشکلات موجود با تفکیک کننده ها و نورون های خطی
حل دو مثال عملی و پیاده سازی گام به گام آن ها در محیط متلب
ساختار شبکه عصبی پرسپترون چند لایه و یادگیری
حل یک مسأله رگرسیون و مدل سازی برای قیمت گذاری مسکن (خانه) در یک منطقه به خصوص از شهر بر اساس داده های واقعی
اتصال تابع هزینه به چهار الگوریتم مورد استفاده در این آموزش
تنظیم و دریافت پارامترهای سیستم استنتاج فازی
پیاده سازی برنامه آموزش ANFIS در متلب
حل مسأله تقریب تابع یا Function Approximation برای تابع سینوس
با استفاده از یکی دیتاست های شناخته شده NIPS به نام MADELON با ۵۰۰ ویژگی (ورودی)
پیاده سازی رویکردهای مورد اشاره برای انتخاب ویژگی در طبقه بندی با استفاده از شبکه عصبی
انتخاب ویژگی چندهدفه با استفاده از الگوریتم ژنتیک چند هدفه NSGA-II
حل مسأله انتخاب ویژگی چند هدفه با استفاده از رویکردهای چند هدفه تکاملی
حل مسأله انتخاب ویژگی چند هدفه با استفاده از تکنیک تجزیه به چندین مسأله تک هدفه
پیاده سازی گام به گام حل مسأله انتخاب ویژگی به صورت چند هدفه
انتخاب ویژگی با استفاده از الگوریتم بهینه سازی ازدحام ذرات یا PSO برای رگرسیون با استفاده از شبکه عصبی
کدینگ پیوسته با استفاده تکنیک کلید تصادفی یا Random Key
انتخاب ویژگی با استفاده از الگوریتم شبیه سازی تبرید برای رگرسیون با استفاده از شبکه عصبی
انتخاب ویژگی با استفاده از الگوریتم مورچگان برای رگرسیون با استفاده از شبکه عصبی
پیاده سازی گام به گام حل مسأله انتخاب ویژگی با تعداد از پیش تعیین شده و معلوم
انتخاب ویژگی با تعداد ویژگی انتخابی نامعلوم
بیان ریاضی مسأله انتخاب ویژگی به صورت یک مسأله بهینه سازی
معرفی روش های کلی تشخیص داده های پرت
ررسی انواع الگوها و داده های پرت و ناسازگاری ها