دانلود حل مسائل یادگیری ماشین با پایتون بخش 2

حل مسائل یادگیری ماشین با پایتون بخش 2

فرمت فایل دانلودی: .zip
فرمت فایل اصلی: ipynb, pdf, csv
تعداد صفحات: 15
حجم فایل: 415 کیلوبایت
قیمت: 160000 تومان

توضیحات:

حل مسائل یادگیری ماشین با پایتون بخش 2.

7-دادهQ7_data.csvرا در نظر بگیرید.70درصد داده را برای آموزش و30درصد دادهرا برای تست در نظر بگیرید.یک مدل براساس رگرسیون خطی ایجاد کنید وپس از آموزش این مدل

(الف) معیار خطاMAEوRMSEرا براساس داده های تست به دست آورید.
(ب)میزان اهمیت ویژگیهای ورودی (F1,F2,F3)را تخمین خروجی به دست آورید (ضرایب این ویژگی در مدل رگرسیون خطی)
8-یک شبکه عصبی پرسپترون چند الیه با سه ورودی،4نرون در لایه پنهان و یک نرون در لایه خروجی در نظر بگیرید.مشابه با مساله قبل، شبکه عصبی را بر رویداده مساله قبل (Q7_data.csv)اعمال کنید
(الف)معیار خطاMAEوRMSEرا براساس داده های تست به دست آورید(نرخ یادگیری را0.2در نظر بگیرید).
(ب)معیارهای بخش الف را برای نرخ های یادگیری زیر به دست آوریدو نتیجه را در جدولارائه کنید و به صورت نمودار هم رسم کنید

9-مجموعه داده ایPV_Data.csvرا در نظر بگیرید.در این مجموعه داده ای اطلاعات کنتورهای هوشمندبرق تعدادی مشتری ارائه شده است.داده های این جدول بر اساس کیلووات بر ساعت است.هدف این است که بر اساس این داده ها تشخیص دهیم آیا یک مشتری از برق فتوولتاییک (برق با استفاده از پنل خورشیدی) استفاده می کند یا خیر؟ اطلاعات ورودی شامل پنج ویژگیBattery،Load، Generation،GridوSOCاست. جزییات این پنج ویژگی در زیر ارائه شده است.

پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.

دانلود سایر پروژه

دانلود شبکه های عصبی مصنوعی

شبکه های عصبی مصنوعی

فرمت فایل دانلودی:
فرمت فایل اصلی: powerpoint
تعداد صفحات: 86
حجم فایل: 5278 کیلوبایت
قیمت: 37000 تومان

فایل دانلودی حاوی یک فایل پاورپوینتی قابل ویرایش در 86 اسلاید به صورت متنی همراه با عکس میباشد.
فهرست فایل دانلودی:
مقدمه
شبکه عصبی چیست؟
شبکه عصبی چه قابلیتهائی دارد؟
مسائل مناسب برای یادگیری شبکه های عصبی
الهام از طبیعت
Perceptron
توانائی پرسپترون
توابعی که پرسپترون قادر به یادگیری آنها میباشد
توابع بولی و پرسپترون
اضافه کردن بایاس
آموزش پرسپترون
قانون پرسپترون
الگوریتم gradient descent
بدست آوردن قانون gradient descent
محاسبه گرادیان
خلاصه یادگیری قانون دلتا
مشکلات روش gradient descent
تقریب افزایشی gradient descent
مقایسه آموزش یکجا و افزایشی
شبکه های چند لایه
یک سلول واحد
تابع سیگموئید
الگوریتم Back propagation
الگوریتم Back propagation
الگوریتم BP
شرط خاتمه
مرور الگوریتم BP
افزودن ممنتم
قدرت نمایش توابع
فضای فرضیه و بایاس استقرا
قدرت نمایش لایه پنهان
قدرت نمایش لایه پنهان
قدرت تعمیم و overfitting
دلایل رخ دادن overfitting
مثال: تشخیص ارقام
روشی که وزنها یاد گرفته میشوند
شبکه چه چیزی را یاد میگیرد؟
مثالی از تنوع ارقام دستنویس
انواع اتصالات شبکه
انواع مختلف یادگیری
اعمال Backpropagation به تشخیص اشیا

مقدمه:

lشبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری میباشد.

lیادگیری شبکه عصبی در برابر خطاهای  داده های آموزشی مصون بوده  و اینگونه شبکه ها با موفقیت به مسائلی نظیر شناسائی گفتار،  شناسائی و  تعبیر تصاویر،  و یادگیری روبات  اعمال شده است.

پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.

دانلود سایر پروژه