رگرسیون
#regression
➖➖➖➖➖
@IUST_Bioelecteric

📦سرفصل مطالب مربوط به پیاده سازی الگوریتمهای مبتنی بر نزدیک ترین همسایه( knn , wknn, dwknn , knn in regression ):

⚪️تئوری تصمیم گیری کلاسبندهای متبنی بر نزدیکترین همسایه(knn)

⚫️پیاده‌سازی مرحله به مرحله کلاسبند knnمعرفی تولباکس آماده متلب( برای آن دسته از دوستانی که میخواهند فقط با ابزار کار کنند)

🔴انجام یک مثال عملی بسیار ساده جهت آشنایی با عملکرد الگوریتم knn

🔵تئوری تصمیم گیری کلاسبند knn وزندار( wknn معرفی شده توسط دو مقاله اول که در جلسه دوم آموزش داده شده است)

⚪️ پیاده‌سازی مرحله به مرحله الگوریتم wknn ( پیاده سازی مقالات 1-2)

⚫️انجام یک مثال عملی بسیار ساده جهت آشنایی با عملکرد الگوریتم wknn

🔴تئوری تصمیم گیری کلاسبند knn وزندار (wknn معرفی شده توسط سوم که در جلسه سوم آموزش داده شده است)

🔵 پیاده‌سازی مرحله به مرحله الگوریتم wknn ( پیاده سازی بخش اول مقاله 3)

⚪️انجام یک مثال عملی بسیار ساده جهت آشنایی با عملکرد الگوریتم wknn

⚫️تئوری تصمیم گیری کلاسبند knn وزنداردوگانه (dwknn معرفی شده توسط سوم که در جلسه سوم آموزش داده شده است) 

🔵پیاده‌سازی مرحله به مرحله الگوریتم dwknn( پیاده سازی بخش دوم مقاله 3)

🔴انجام یک مثال عملی بسیار ساده جهت آشنایی با عملکرد الگوریتم DWKNN


✅ پروژه هایی که در این ویدیوهای انجام داده ایم به صورت زیر است:

🔹تشخیص سرطان سینه با استفاده از کلاسبندهای knn، wknn و dwknn
🔸تشخیص نوع گل زنبق(iris) با استفاده از کلاسبندهای knn، wknn و dwknn
🔹تشخیص بیماری پارکیسنون از روی راه رفتن افراد با استفاده از کلاسبندهای knn، wknn و dwknn

➖➖➖➖➖➖➖➖➖➖➖
🔬 آزمایشاتی که انجام داده ایم به صورت زیر است:

1- تعیین تعداد k بهینه برای کلاسبند knn

2- تعیین معیار فاصله مناسب برای کلاسبند knn
🔴 معیار هایی که در ویدیوها پیاده سازی کرده ایم به صورت زیر است:

🔻فاصله اقلیدسی(euclidean) 
🔺فاصله بلوک شهری( city block) 
🔻فاصله چبیشف(chebychev)
🔺فاصله مینکوفسکی (minkowski) 
🔻فاصله کسینوسی (cosine)
🔺فاصله همبستگی (correlation)

3- بررسی عملکرد knn های وزندار

4- بررسی تاثیر k روی عملکرد knn  و knnهای وزندار

5- تاثیر نرمال کردن ویژگی ها بر روی عملکرد الگوریتمهای knn

➖➖➖➖➖➖➖➖➖➖➖
💡 انجام مسائل #رگرسیون با الگوریتم knn

✅مباحثی که در جلسه آخر آموزش داده ایم به صورت زیر است:

🔹فرق بین کلاسبندی و رگرسیون با یک مثال ساده
🔹تئوری تصمیم گیری knn در مسائل رگرسیون
🔹پیاده سازی knn برای مسائل رگرسیون
🔹تئوری تصمیم گیری wknnدر مسائل رگرسیون
🔹پیاده سازی wknnبرای مسائل رگرسیون

🔴انجام یک پروژه عملی رگرسیون (پیش بینی میزان آلودگی هوا با استفاده از الگوریتمهای knn و wknn)

🔹بررسی معایب knn
➖➖➖➖➖➖➖➖➖➖➖

✅یک خبر خوب هم برای دوستان بدهیم و آن هم این است که برای هر #پروژه ای که انجام شده یک #گزارش کامل 20-30 صفحه ای در #word نوشته و کنار کدها و ویدیوهای آموزشی قرار داده ایم تا دوستان بتوانند از این گزارشها در #پروژه‌های_درسی و #پایان_نامه خود استفاده کنند.

💡روال گزراش نویسی به صورت زیر است:

🔹چکیده
🔸مقدمه
🔹توضیح تئوری الگوریتمها
🔸توضیح خط به خط کدهای پیاده‌سازی شده برای الگوریتمها
🔹توضیح پایگاه داده
🔸جمع بندی و آزمایشات
➖➖➖➖➖➖➖➖➖➖➖
تعداد جلسات: 8
مدت زمان: 12 ساعت 
مدرس: محمد نوری زاده چرلو

#Knn, #wknn , #dwknn , #knn for #regression
#Distance
#weighted_knn
#کلاسبند_نزدیکترین_همسایه #تئوری #پیاده‌سازی #پیاده‌سازی_مقالات #پروژه‌های_عملی #پروژه‌های_درسی #کلاسبندی #رگرسیون
#شناسائی_الگو
#پترن
#یادگیری_ماشین

جزییات بیشتر👇👇
https://onlinebme.com/product/k-nearest-neighbors/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📺 دوره تخصصی شناسایی الگو و یادگیری ماشین
(#اولین دوره تخصصی در ایران)

🟣 فصل پنجم(جلسه دوم ): پیاده سازی تکنیک voting در مباحث طبقه بندی و رگرسیون
#یادگیری_جمعی #پروژه_محور
#Ensemble_learning
#Classification
#regression
#svm #knn #tree #Bayesian #LDA #Perceptron
 🌀 جهت کسب اطلاعات بیشتر به لینک زیر مراجعه کنید👇👇👇
https://onlinebme.com/product/ensemble-learning/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ دوره شناسایی الگو و یادگیری ماشین (اولین دوره جامع و تخصصی در ایران)
🟣 فصل هفتم: انتخاب ویژگی (feature selection)

🔹 feature conditioning
🔹filter methods feature Selection
🔹 ttsest
🔹 anova
🔻tvalue
🔻fvalue
🔺pvalue
🔹 fisher discriminant ratio
🔹 mutual information
🔹wrapper methods feature Selection
🔹 sequential forward feature Selection
🔹 filter methods with wrapper methods


✍ در فصل هفتم دوره پترن و یادگیری ماشین، روشهای انتخاب ویژگی( feature Selection)از قبیل ttest، anova، نرخ تفکیک پذیری فیشر(FDR) ، اطلاعات متقابل(Mutual information)  و روش جستجوی سلسله مراتبی روبه جلو (sequential forward feature selection ) را معرفی می کنیم و به صورت تخصصی آموزش میدهیم که رویکرد تک تک روشها به چه صورت است، سپس مرحله به مرحله روشها را پیاده سازی می کنیم و در نهایت  با انجام پروژه ها و مثالهایی نشان میدهیم که چطور میتوان از این روشها در پروژه های عملی جهت انتخاب ویژگی استفاده کرد.
این فصل یکی از مهمتری فصل های دوره “شناسایی الگو یادگیری ماشین” است و میتواند نقش قابل توجهی در افزایش عملکرد مدل داشته باشد.

سرفصل مطالب
🔲 مقدمه ای بر انتخاب ویژگی
🔳 انتخاب ویژگی با روشهای اسکالر ( Filter methods)
🟣 انتخاب ویژگی با تست آماری ttest
🔵 انتخاب ویژگی با روش تجزیه و تحلیل واریانسها( anova)
🟢  انتخاب ویژگی با نرخ تفکیک پذیری فیشر(FDR)
🔴 انتخاب ویژگی با اطلاعات متقابل (mutual information) 

🔲انتخاب ویژگی با روشهای برداری(ترکیبی)-  wrapper methods

🟣  بررسی معایب روشهای اسکالر و نحوه انتخاب ویژگی با کمک یک مدل
🔴  انتخاب ویژگی با روش جستجوی رو به جلو
🟢  ترکیب روشهای اسکالر با روشهای برداری


پروژه های انجام شده:
🔹انتخاب ویژگی‌های مهم در داده سرطان سینه (طبقه بندی)

🔹انتخاب ویژگی‌های مهم در داده سیگنال مغزی افراد مبتلا به صرع (طبقه بندی)

🔹انتخاب ویژگی‌های مهم در داده سیگنال emg جهت تخمین زاویه مفصل مچ (رگرسیون)

🔹انتخاب ویژگی‌های مهم در داده آلودگی هوا (رگرسیون)

✅ این فصل یکی از مهمترین فصلهای دوره ” شناسایی الگو و یادگیری ماشین” است و خیلی میتواند در پروژه ها برای افزایش دقت مدل کمک کند. سعی کرده ایم در این فصل پروژه های متعددی انجام دهیم تا متوجه شویم که چطور میتوانیم از روشهای انتخاب ویژگی بهره بگیریم تا دقت مدل را افزایش دهیم.

محتوای پکیج:
 ویدیوهای آموزشی
 کدهای پیاده سازی شده برای پروژه ها، تمرینات و مقالات
 منابع معتبری که برای تهیه ویدیو استفاده شده اند(کتب و مقالات مرجع)
 جزوه دست نویس مدرس

تعداد جلسات: 6
مدت زمان دوره: 16ساعت
مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

#regression #classification #featureselection

 🌀 جهت کسب اطلاعات بیشتر به لینک زیر مراجعه کنید👇👇👇
https://onlinebme.com/product/season07-featrue-selection/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme