Media is too big
VIEW IN TELEGRAM
#part_10post_4
📌📹فيلم آموزشي حل مسائل بهينه سازي غير خطي و غير مقيد با استفاده از دستور fminsearch
در اين فيلم آموزشي به حل مسائل بهينه سازي غير خطي و غير مقيد با استفاده از دستور fminsearch در نرم افزار متلب پرداخته شده است.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
📌📹فيلم آموزشي حل مسائل بهينه سازي غير خطي و غير مقيد با استفاده از دستور fminsearch
در اين فيلم آموزشي به حل مسائل بهينه سازي غير خطي و غير مقيد با استفاده از دستور fminsearch در نرم افزار متلب پرداخته شده است.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
#part_10post_5
📌📌دستور fminunc در حل مسائل بهينه سازي غيرخطي و غير مقيد
يكي ديگر از روشهايي كه ميتوان براي حل اين تيپ از مسائل بهينه سازي استفاده كرد، استفاده از دستور fminunc ميباشد كه طرز استفاده از اين دستور، همانند دستور fminsearch ميباشد.(#part_10post_4)
به عنوان مثال در پنجره command داريم:
تعريف تابع هدف:
>>f=@(x) cos^2(x)+x^3;
تعريف مقدار اوليه x:
x0=0.1;
يافتن مقدار x كه به ازاي آن تابع f ميني مايز ميشود:
>>x=fminunc(f, x0)
كه مقدار x با توجه به مقدار اوليه x0 براي ما چاپ ميشود.
‼️تذكر: تفاوت دستور fminunc و fminsearch در اين ميباشد كه دستور fminunc جهت يافتن نقطه مينيمم از مشتق گيري استفاده ميكند.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
📌📌دستور fminunc در حل مسائل بهينه سازي غيرخطي و غير مقيد
يكي ديگر از روشهايي كه ميتوان براي حل اين تيپ از مسائل بهينه سازي استفاده كرد، استفاده از دستور fminunc ميباشد كه طرز استفاده از اين دستور، همانند دستور fminsearch ميباشد.(#part_10post_4)
به عنوان مثال در پنجره command داريم:
تعريف تابع هدف:
>>f=@(x) cos^2(x)+x^3;
تعريف مقدار اوليه x:
x0=0.1;
يافتن مقدار x كه به ازاي آن تابع f ميني مايز ميشود:
>>x=fminunc(f, x0)
كه مقدار x با توجه به مقدار اوليه x0 براي ما چاپ ميشود.
‼️تذكر: تفاوت دستور fminunc و fminsearch در اين ميباشد كه دستور fminunc جهت يافتن نقطه مينيمم از مشتق گيري استفاده ميكند.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
#part_10post_6
📌📌پياده سازي مسائل بهينه سازي غيرخطي و مقيد در نرم افزار متلب
#قسمت_اول
فرم كلي اين نوع از مسائل بهينه سازي، در تصوير قابل مشاهده ميباشد.
كه c(x) بيانگر قيد نامساوي غيرخطي و ceq(x) بيانگر قيد مساوي غيرخطي، A بيانگر ماتريس ضرايب قيد مساوي خطي و Aeq بيانگر ماتريس ضرايب قيد مساوي خطي ميباشد.
جهت حل اين نوع از مسائل در نرم افزار متلب، از دستور fmincon به ترتيب زير استفاده ميكنيم.
x=fmincon(f , x0 , A , b , Aeq , beq , lb , ub , nonclon)
كه f بيانگر تابع هدف غيرخطي ما بوده و x0 بيانگر جواب اوليه اي است كه ما در نظر گرفته ايم.
‼️تذكر: nonlcon درواقع تابعي است كه ما در آن قيد مساوي و نامساوي غير خطي را معرفي كرده ايم.
در #قسمت_دوم اين بحث از آموزش به حل مثالي ميپردازيم تا نحوه پياده سازي اين نوع از مسائل در نرم افزار متلب براي شما عزيزان به طور كامل قابل فهم باشد.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
📌📌پياده سازي مسائل بهينه سازي غيرخطي و مقيد در نرم افزار متلب
#قسمت_اول
فرم كلي اين نوع از مسائل بهينه سازي، در تصوير قابل مشاهده ميباشد.
كه c(x) بيانگر قيد نامساوي غيرخطي و ceq(x) بيانگر قيد مساوي غيرخطي، A بيانگر ماتريس ضرايب قيد مساوي خطي و Aeq بيانگر ماتريس ضرايب قيد مساوي خطي ميباشد.
جهت حل اين نوع از مسائل در نرم افزار متلب، از دستور fmincon به ترتيب زير استفاده ميكنيم.
x=fmincon(f , x0 , A , b , Aeq , beq , lb , ub , nonclon)
كه f بيانگر تابع هدف غيرخطي ما بوده و x0 بيانگر جواب اوليه اي است كه ما در نظر گرفته ايم.
‼️تذكر: nonlcon درواقع تابعي است كه ما در آن قيد مساوي و نامساوي غير خطي را معرفي كرده ايم.
در #قسمت_دوم اين بحث از آموزش به حل مثالي ميپردازيم تا نحوه پياده سازي اين نوع از مسائل در نرم افزار متلب براي شما عزيزان به طور كامل قابل فهم باشد.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
Media is too big
VIEW IN TELEGRAM
#part_10post_7
📌📹فيلم آموزشي پياده سازي مسائل بهينه سازي غيرخطي و مقيد در نرم افزار متلب
#قسمت_دوم
در اين فيلم آموزشب به حل مثالي از اين نوع مسائل و نحوه پيادي سازي آن در نرم افزار متلب پرداخته شده است.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
📌📹فيلم آموزشي پياده سازي مسائل بهينه سازي غيرخطي و مقيد در نرم افزار متلب
#قسمت_دوم
در اين فيلم آموزشب به حل مثالي از اين نوع مسائل و نحوه پيادي سازي آن در نرم افزار متلب پرداخته شده است.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
Media is too big
VIEW IN TELEGRAM
#part_11post_1
📌📹فيلم آموزشي توليد اعداد تصادفي گسسته در نرم افزار متلب
در اين فيلم آموزشي به دستورهاي مورد استفاده جهت توليد اعداد تصادفي گسسته در نرم افزار متلب پرداخته شده است.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
📌📹فيلم آموزشي توليد اعداد تصادفي گسسته در نرم افزار متلب
در اين فيلم آموزشي به دستورهاي مورد استفاده جهت توليد اعداد تصادفي گسسته در نرم افزار متلب پرداخته شده است.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
Media is too big
VIEW IN TELEGRAM
#part_11post_2
📌📹فيلم آموزشي توليد داده هاي تصادفي پيوسته با توزيع نرمال و نرمال استاندارد در نرم افزار متلب
✅در اين فيلم آموزشي به نحوه ايجاد توزيع نرمال و نرمال استاندارد با استفاده از داده هاي تصادفي پرداخته شده است.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
📌📹فيلم آموزشي توليد داده هاي تصادفي پيوسته با توزيع نرمال و نرمال استاندارد در نرم افزار متلب
✅در اين فيلم آموزشي به نحوه ايجاد توزيع نرمال و نرمال استاندارد با استفاده از داده هاي تصادفي پرداخته شده است.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
#part_11post_3
📌📌ايجاد داده تصادفي با توزيع يكنواخت در اعداد پيوسته
جهت ايجاد اعداد تصادفي پيوسته با توزيع يكنواخت ميتوان از دو روش زير استفاده كرد:
١-ايجاد توزيع يكنواخت در بازه صفر تا يك :
✅در اين صورت از دستور rand استفاده ميكنيم و ميتوان تعداد سطر و ستون ماتريسي كه درايه هاي آن تشكيل شده از اين اعداد تصادفي باشد، درون اين دستور قرار داد.
⭕️به عنوان مثال اگر يك ماتريس ٤ در ٣ با درايه هاي تصادفي پيوسته بين صفر تا يك بخواهيم، در پنجره command داريم:
>>rand(4 , 3)
٢-ايجاد توزيع يكنواخت در بازه دلخواه :
✅در اين صورت از دستور unifrnd استفاده ميكنم.
⭕️به عنوان مثال اگر يك ماتريس سه در دو با درايه هاي تصادفي پيوسته در بازه صفر تا پنجاه بخواهيم، ابتدا در اين دستور بازه و سپس ابعاد ماتريس را مشخص ميكنيم:
>>unifrnd(0 , 50 , 3 , 2)
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
📌📌ايجاد داده تصادفي با توزيع يكنواخت در اعداد پيوسته
جهت ايجاد اعداد تصادفي پيوسته با توزيع يكنواخت ميتوان از دو روش زير استفاده كرد:
١-ايجاد توزيع يكنواخت در بازه صفر تا يك :
✅در اين صورت از دستور rand استفاده ميكنيم و ميتوان تعداد سطر و ستون ماتريسي كه درايه هاي آن تشكيل شده از اين اعداد تصادفي باشد، درون اين دستور قرار داد.
⭕️به عنوان مثال اگر يك ماتريس ٤ در ٣ با درايه هاي تصادفي پيوسته بين صفر تا يك بخواهيم، در پنجره command داريم:
>>rand(4 , 3)
٢-ايجاد توزيع يكنواخت در بازه دلخواه :
✅در اين صورت از دستور unifrnd استفاده ميكنم.
⭕️به عنوان مثال اگر يك ماتريس سه در دو با درايه هاي تصادفي پيوسته در بازه صفر تا پنجاه بخواهيم، ابتدا در اين دستور بازه و سپس ابعاد ماتريس را مشخص ميكنيم:
>>unifrnd(0 , 50 , 3 , 2)
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
Media is too big
VIEW IN TELEGRAM
#part_11post_4
📌📹فيلم آموزشي طريقه ايجاد توزيع نرمال چند متغيره در نرم افزار متلب
✅در اين فيلم آموزشي به نحوه ايجاد توليد توزيع نرمال چند متغيره در نرم افزار متلب
پرداخته شده است.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
📌📹فيلم آموزشي طريقه ايجاد توزيع نرمال چند متغيره در نرم افزار متلب
✅در اين فيلم آموزشي به نحوه ايجاد توليد توزيع نرمال چند متغيره در نرم افزار متلب
پرداخته شده است.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
#part_11post_5
📌📌محاسبه ضريب چولگي در نرم افزار متلب
✅ چولگی در حقیقت معیاری از میزان تقارن تابع توزیع میباشد. برای یک توزیع کاملاً متقارن (مانند توزيع نرمال) ضريب چولگی صفر و برای یک توزیع نامتقارن با کشیدگی به سمت مقادیر بالاتر ضريب چولگی مثبت و برای توزیع نامتقارن با کشیدگی به سمت مقادیر کوچکتر مقدار ضريب چولگی منفی است.
🔻در نرم افزار متلب، جهت محاسبه ضريب چولگي ميتوان از دستور skewness استفاده كرد.
⭕️مثال: ميخواهيم ضريب چولگي يك توزيع نرمال استاندارد( كه برابر صفر است) را در نرم افزار متلب حساب كنيم.
✅حل:
١-ابتدا يك توزيع نرمال استاندار در پنجره command ايجاد ميكنيم:
>>x=randn(1000,1);
٢-با استفاده از دستور skewness ضريب چولگي را حساب ميكنيم:
>>skewness(x)
و جواب زير براي ما چاپ ميشود:
ans=
0.095
كه تقريبا برابر صفر ميباشد.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
📌📌محاسبه ضريب چولگي در نرم افزار متلب
✅ چولگی در حقیقت معیاری از میزان تقارن تابع توزیع میباشد. برای یک توزیع کاملاً متقارن (مانند توزيع نرمال) ضريب چولگی صفر و برای یک توزیع نامتقارن با کشیدگی به سمت مقادیر بالاتر ضريب چولگی مثبت و برای توزیع نامتقارن با کشیدگی به سمت مقادیر کوچکتر مقدار ضريب چولگی منفی است.
🔻در نرم افزار متلب، جهت محاسبه ضريب چولگي ميتوان از دستور skewness استفاده كرد.
⭕️مثال: ميخواهيم ضريب چولگي يك توزيع نرمال استاندارد( كه برابر صفر است) را در نرم افزار متلب حساب كنيم.
✅حل:
١-ابتدا يك توزيع نرمال استاندار در پنجره command ايجاد ميكنيم:
>>x=randn(1000,1);
٢-با استفاده از دستور skewness ضريب چولگي را حساب ميكنيم:
>>skewness(x)
و جواب زير براي ما چاپ ميشود:
ans=
0.095
كه تقريبا برابر صفر ميباشد.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
Media is too big
VIEW IN TELEGRAM
#part_11post_6
📌📹فيلم آموزشي نحوه ارزيابي كمي و آماري داده هاي مشاهداتي و داده هاي محاسباتي حاصل از يك مدلسازي
✅در واقع هنگامي كه در زمينه اي مدلسازي انجام ميدهيم، جهت اعتبارسنجي و تست كردن آن مدل، بايستي ارزيابي كمي و آماري انجام دهيم.
در اين فيلم آموزشي به نحوه ارزيابي كمي و آماري در نرم افزار متلب پرداخته شده است.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
📌📹فيلم آموزشي نحوه ارزيابي كمي و آماري داده هاي مشاهداتي و داده هاي محاسباتي حاصل از يك مدلسازي
✅در واقع هنگامي كه در زمينه اي مدلسازي انجام ميدهيم، جهت اعتبارسنجي و تست كردن آن مدل، بايستي ارزيابي كمي و آماري انجام دهيم.
در اين فيلم آموزشي به نحوه ارزيابي كمي و آماري در نرم افزار متلب پرداخته شده است.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
#part_11post_7
📌📌رسم نمودار جعبهای(box plot) در نرم افزار متلب
✅✅یکی از نمودارهایی که برای مقایسهی آماری و بررسی پراکندگی اعداد استفاده میشود، نمودار جعبهای ميباشد. در این نمودار از جعبهای برای نمایش فاصله بین چارك اول و سوم استفاده میشود و خطی در داخل جعبه ميانه (چارك دوم) را مشخص میکند. خارج از جعبه حداقل و حداکثر مقدار داده را نیز مشخص مینمایند. گهگاه نمونههای خارج از محدوده نیز به صورت نقاطی نشان داده میشوند. هر چه این نمودار مایل به پایین محور باشد نشان از این است که داده های آماری بیشتر از اعداد کوچکتر یا پایین
تر است.
⭕️در نرم افزار متلب، جهت رسم نمودار جعبهای از دستور boxplot، استفاده ميكنيم.
به عنوان مثال فرض كنيم داده هاي خود را كه داراي توزيع نرمال استاندار ميباشد به صورت زير تعريف كرده ايم:
>>x =randn(1 , 100);
>>y =x+0.1*randn(1 , 100);
جهت رسم نمودار جعبه اي داده هاي x :
>>boxplot(x);
رسم نمودار جعبه اي x و y در يك صفحه:
>>boxplot([x’ y’])
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
📌📌رسم نمودار جعبهای(box plot) در نرم افزار متلب
✅✅یکی از نمودارهایی که برای مقایسهی آماری و بررسی پراکندگی اعداد استفاده میشود، نمودار جعبهای ميباشد. در این نمودار از جعبهای برای نمایش فاصله بین چارك اول و سوم استفاده میشود و خطی در داخل جعبه ميانه (چارك دوم) را مشخص میکند. خارج از جعبه حداقل و حداکثر مقدار داده را نیز مشخص مینمایند. گهگاه نمونههای خارج از محدوده نیز به صورت نقاطی نشان داده میشوند. هر چه این نمودار مایل به پایین محور باشد نشان از این است که داده های آماری بیشتر از اعداد کوچکتر یا پایین
تر است.
⭕️در نرم افزار متلب، جهت رسم نمودار جعبهای از دستور boxplot، استفاده ميكنيم.
به عنوان مثال فرض كنيم داده هاي خود را كه داراي توزيع نرمال استاندار ميباشد به صورت زير تعريف كرده ايم:
>>x =randn(1 , 100);
>>y =x+0.1*randn(1 , 100);
جهت رسم نمودار جعبه اي داده هاي x :
>>boxplot(x);
رسم نمودار جعبه اي x و y در يك صفحه:
>>boxplot([x’ y’])
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
Media is too big
VIEW IN TELEGRAM
#part_11post_8
📌📹فيلم آموزشي نحوه رسم تابع توزيع تجمعي احتمال در نرم افزار متلب
✅دراين فيلم آموزشي، با حل مثالي، به نحوه رسم تابع توزيع تجمعي احتمال پرداخته شده است.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
📌📹فيلم آموزشي نحوه رسم تابع توزيع تجمعي احتمال در نرم افزار متلب
✅دراين فيلم آموزشي، با حل مثالي، به نحوه رسم تابع توزيع تجمعي احتمال پرداخته شده است.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
⭕️اتمام مبحث آمار و شروع آموزش طراحي شبكه عصبي و هوش مصنوعي در نرم افزار متلب.
دوستان در قسمت دوازدهم آموزش قصد داريم به مبحث طراحي شبكه عصبي چندلايه MLP در نرم افزار متلب بپردازيم.
✅ با ما همراه باشيد.
لطفا ما را به دوستان خود معرفي كنيد و از اين طريق از ما حمايت كنيد🙏
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
دوستان در قسمت دوازدهم آموزش قصد داريم به مبحث طراحي شبكه عصبي چندلايه MLP در نرم افزار متلب بپردازيم.
✅ با ما همراه باشيد.
لطفا ما را به دوستان خود معرفي كنيد و از اين طريق از ما حمايت كنيد🙏
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
#part_12post_1
📌📌مقدمه اي بر هوش مصنوعي و طراحي ماشين
✅هوش مصنوعی ( Artificial Intelligence) که گاهی اوقات هوش ماشینی نامیده میشود، به هوشمندی نشان داده شده توسط ماشینها در شرایط مختلف اطلاق میشود که در مقابل هوش طبیعی در انسانها قرار دارد. به عبارت دیگر هوش مصنوعی به سامانههایی گفته میشود که میتوانند واکنشهایی مشابه رفتارهای هوشمند انسانی از جمله درک شرایط پیچیده، شبیهسازی فرایندهای تفکری و شیوههای استدلالی انسانی و پاسخ موفق به آنها، یادگیری و توانایی کسب دانش و استدلال برای حل مسایل را داشته باشند. بیشتر نوشتهها و مقالههای مربوط به هوش مصنوعی، آن را به عنوان (دانش شناخت و طراحی عاملهای هوشمند) تعریف کردهاند.
⭕️بهطور کلی ماهیت وجودی هوش به مفهوم جمعآوری اطلاعات، استقراء و تحلیل تجربیات به منظور رسیدن به دانش یا ارائه تصمیم است. در واقع هوش به مفهوم بهکارگیری تجربه به منظور حل مسائل دریافت شده تلقی میشود. هوش مصنوعی علم و مهندسی ایجاد ماشینهایی هوشمند با بهکارگیری از کمپیوتر و الگوگیری از درک هوش انسانی یا حیوانی و نهایتاً دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی است.
——————————————
❇️منبع:
ويكي پديا
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
📌📌مقدمه اي بر هوش مصنوعي و طراحي ماشين
✅هوش مصنوعی ( Artificial Intelligence) که گاهی اوقات هوش ماشینی نامیده میشود، به هوشمندی نشان داده شده توسط ماشینها در شرایط مختلف اطلاق میشود که در مقابل هوش طبیعی در انسانها قرار دارد. به عبارت دیگر هوش مصنوعی به سامانههایی گفته میشود که میتوانند واکنشهایی مشابه رفتارهای هوشمند انسانی از جمله درک شرایط پیچیده، شبیهسازی فرایندهای تفکری و شیوههای استدلالی انسانی و پاسخ موفق به آنها، یادگیری و توانایی کسب دانش و استدلال برای حل مسایل را داشته باشند. بیشتر نوشتهها و مقالههای مربوط به هوش مصنوعی، آن را به عنوان (دانش شناخت و طراحی عاملهای هوشمند) تعریف کردهاند.
⭕️بهطور کلی ماهیت وجودی هوش به مفهوم جمعآوری اطلاعات، استقراء و تحلیل تجربیات به منظور رسیدن به دانش یا ارائه تصمیم است. در واقع هوش به مفهوم بهکارگیری تجربه به منظور حل مسائل دریافت شده تلقی میشود. هوش مصنوعی علم و مهندسی ایجاد ماشینهایی هوشمند با بهکارگیری از کمپیوتر و الگوگیری از درک هوش انسانی یا حیوانی و نهایتاً دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی است.
——————————————
❇️منبع:
ويكي پديا
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
Media is too big
VIEW IN TELEGRAM
#part_12post_2
📌📌#جلسه_اول: فيلم آموزشي مباني تئوري طراحي شبكه عصبي MLP
#قسمت_اول
✅در اين فيلم آموزشي به مباحث مقدماتي و تئوري طراحي شبكه عصبي MLP پرداخته شده است.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
📌📌#جلسه_اول: فيلم آموزشي مباني تئوري طراحي شبكه عصبي MLP
#قسمت_اول
✅در اين فيلم آموزشي به مباحث مقدماتي و تئوري طراحي شبكه عصبي MLP پرداخته شده است.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
neural network(1).pdf
355.6 KB
فايل pdf آموزش داده شده #جلسه_اول طراحي شبكه عصبي MLP
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
Media is too big
VIEW IN TELEGRAM
#part_12post_2
📌📌#جلسه_دوم: فيلم آموزشي مباني تئوري طراحي شبكه عصبي MLP
#قسمت_دوم
✅در اين فيلم آموزشي به مباحث مقدماتي و تئوري طراحي شبكه عصبي MLP پرداخته شده است.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
📌📌#جلسه_دوم: فيلم آموزشي مباني تئوري طراحي شبكه عصبي MLP
#قسمت_دوم
✅در اين فيلم آموزشي به مباحث مقدماتي و تئوري طراحي شبكه عصبي MLP پرداخته شده است.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
neural network(2).pdf
367.6 KB
فايل pdf آموزش داده شده #جلسه_دوم طراحي شبكه عصبي MLP
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
Media is too big
VIEW IN TELEGRAM
#part_12post_3
📌📌#جلسه_سوم: 📹فيلم آموزشي طراحي شبكه عصبي MLP با استفاده از toolbox در نرم افزار متلب
#قسمت_اول
✅در اين فيلم آموزشي به طراحي شبكه عصبي MLP با استقاده از toolbox در نرم افزار متلب پرداخته شده است.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance
📌📌#جلسه_سوم: 📹فيلم آموزشي طراحي شبكه عصبي MLP با استفاده از toolbox در نرم افزار متلب
#قسمت_اول
✅در اين فيلم آموزشي به طراحي شبكه عصبي MLP با استقاده از toolbox در نرم افزار متلب پرداخته شده است.
——————————————
جهت آموزش به زبان ساده متلب به آيدي زير مراجعه كنيد👇
🆔 @matlab_guidance