دانلود رایگان کدهای‌ آموزشی متلب جامع طبقه بندی یا Classification

Introduction to Classification

Soil Classification

Scenes/Objects classification toolbox

classification k-means

Performance Measures for Classification

Folk_S_Classification

Eigenface based Facial Expression Classification

CLUSTERING THROUGH OPTIMAL BAYESIAN CLASSIFICATION

Jordan Recurrent Neural Network for Data Classification Algorithm

Bayes classification for 2D Gaussian distributions

A Trade Classification Algorithm from Market Quotes

Net Reclassification Improvement

Bayesian Linear Classifier

Character Recognition Example (III):Training a Simple NN for classification

Character Recognition Example (IV):Training a Simple NN for classification

R-peak detection using DWT and classification of arrhythmia using bayesian classifier

Geometric Gaussian-Kernel Bolstered Error Estimation for Linear Classification

K-nearest neighbor for English letter classification by doing random partition.

Fuzzy k-NN

دانلود فایل در ادامه مطلب

دانلود رایگان فیلم آموزش الگوریتم های Clustering در متلب

در این قسمت کار با الگوریتم های Kmeans , FCM برای دسته بندی داده ها را می آموزید,

نحوه دسته بندی داده ها و قطعه بندی تصاویر با این الگوریتم ها را می آموزید,

تفاوت الگوریتم های clustering , classification را می آموزید,

با الگوریتم های Kmeans , FCM, SOM, SVM , .. آشنا می شوید,

داده کاوی کلیک کنید + 

در بسیاری از رشته های علمی و فنی، در نهایت ما با مجموعه ای از داده ها روبرو هستیم که حجم کم یا زیادی را دارند؛ اما مهم ترین کار، به دست آوردن چنین پایگاه داده ای نیست. بلکه باید بتوانیم، سطح بالاتری از دانش را با توجه به پایگاه داده مذکور به دست بیاوریم؛ این یعنی نتیجه گیری و جمع بندی تمام تلاش هایی که برای جمع آوری آن داده ها صرف شده است.

اکثر دانشمندان و محققین سرشناس هر رشته علمی یا فنی، در کنار عامل خلاقیت و تخصص، یک ویژگی مشترک و بسیار مهم دارند، و آن نتیجه گیری های مهمی است که از مشاهدات و داده های جمع آوری شده ارائه کرده اند. در رشته های مختلف علمی، نظریه های بسیار مهمی که با مطالعات میدانی به دست آمده اند، همگی دارای این مولفه مشترک هستند: به دست آوردن قواعد و قوانینی که توضیحی فشرده و مفهومی از داده های در دسترس را ارائه می دهند. این عملیات، و مجموعه دیگری از کارهای مرتبط با آن، موضوع بحث یکی از زیر شاخه های مشترک علوم کامپیوتر و آمار، به نام داده کاوی یا Data Mining است. فرآیند کلی استخراج دانش از داده، معنای عام تری از داده کاوی را در بر دارد که به Knowledge Discovery from Data یا KDD معروف است.

بسیاری از مسائل داده کاوی را می توان به صورت یک مسأله طبقه بندی یا Classification بیان نمود، که در آن در نهایت یک عامل پیش بین تربیت می شود که می تواند با در دست داشتن دانش موجود برای طبقه بندی یک مجموعه از موارد، آن دانش را به طبقه بندی سایر موارد تعمیم دهد. در واقع مسأله طبقه بندی، یک مسأله یادگیری نظارت شده است. در فیلم آموزشی جامع طبقه بندی یا Classification، پس از مرور کلی بر مفاهیم طبقه بندی و شیوه تربیت یک عامل طبقه بندی کننده یا Classifier، چند روش پر کاربرد معرفی و در محیط متلب پیاده سازی شده اند.

 

سرفصل های مهم‌ترین مباحث مطرح شده در این فیلم آموزشی در ادامه آمده اند:

مفاهیم پایه طبقه بندی یا Classification
کاربرد درخت تصمیم یا Decision Tree در طبقه بندی
پیاده سازی طبقه بندی درخت تصمیم باینری در متلب
مفاهیم تقسیم بندی اطلاعات به سه گروه آموزش یا Train، آزمایش یا Test و اعتبارسنجی یا Validation
بررسی مفهوم Overtraining
روش اعتبارسنجی چند لایه ای یا k-Fold Cross-Validation
طبقه بندی کننده پایه بیزی یا Naive Bayesian Classifier
پیاده سازی طبقه بندی پایه بیزی در متلب
الگوریتم k-Nearest Neighbors یا KNN
پیاده سازی KNN در محیط متلب
معرفی روش پیشرفته تر حل مسائل طبقه بندی

 
سرفصل های مهم‌ترین مباحث مطرح شده در این فیلم آموزشی در ادامه آمده اند:

مروری بر مفاهیم پایه خوشه بندی یا Clustering
مروری بر تفاوت های خوشه بندی و طبقه بندی
ارائه چند مثال از کاربردهای خوشه بندی در داده کاوی و مسائل عملی
بررسی انواع روش های خوشه بندی
روش های خوشه بندی مبتنی بر تقسیم بندی یا Partitioning Methods
بررسی روش k-Means (الگوریتم Lloyd) به همراه پیاده سازی در متلب
بررسی روش k-Medoids به همراه پیاده سازی در متلب
بررسی روش Fuzzy C-Means یا FCM و پیاده سازی آن در متلب
معرفی نگاشت های خود سازمان ده یا SOM و پیاده سازی آن ها در محیط متلب
روش های خوشه بندی سلسله مراتبی یا Hierarchical Clustering
بررسی روش های بالارونده یا AGNES و پایین رونده یا DIANA
پیاده سازی رویکرد AGNES در محیط متلب
روش های خوشه بندی مبتنی بر چگالی یا توزیع
بررسی الگوریتم DBSCAN یا Density-Based Spatial Clustering of Applications with Noise
پیاده سازی الگوریتم DBSCAN در محیط متلب
روش های خوشه بندی جدولی یا Grid-based Clustering
بررسی رویکردهای استفاده از الگوریتم های تکاملی و بهینه سازی در خوشه بندی