آموزش شبکه عصبی در متلب با 13 درس رایگان+ دانلود PDF

در ادامه آموزش های کاربردی متلب، در این مقاله، بیش از ۱۳ فیلم کاربردی آموزش شبکه عصبی در متلب را جهت دانلود رایگان گلچین کرده ایم و سپس پی دی اف جزوه آموزش این موضوع را هم برای دانلود در اختیار شما قرار می دهیم.
در MATLAB (متلب) می‌توان برای ساخت، آموزش و ارزیابی شبکه‌های عصبی از ابزارهای یادگیری ماشین و یادگیری عمیق استفاده کرد. مهم‌تر از خود دستورات، فهمیدن منطق شبکه عصبی است.

شبکه عصبی چیست؟

شبکه عصبی مدلی محاسباتی است که از چند لایه تشکیل می‌شود و از روی داده‌ها الگو یاد می‌گیرد.

ساختار ساده آن:

ورودی → لایه‌های پنهان → خروجی

مثلاً برای پیش‌بینی قیمت خانه:

متراژ + سن بنا + موقعیت → شبکه عصبی → قیمت تقریبی

مفاهیم اصلی

Neuron یا نورون: واحد محاسباتی کوچک شبکه.

Layer یا لایه: مجموعه‌ای از نورون‌ها.

Input یا ورودی: اطلاعاتی که به شبکه داده می‌شود.

Output یا خروجی: نتیجه پیش‌بینی شبکه.

Weight یا وزن: میزان اهمیت هر ورودی.

Bias یا بایاس: مقدار کمکی برای انعطاف بیشتر مدل.

Activation Function یا تابع فعال‌سازی: مشخص می‌کند خروجی هر نورون چگونه محاسبه شود.

داده‌ها مهم‌تر از شبکه پیچیده هستند

قبل از آموزش شبکه، داده‌ها باید:

• کافی باشند
• خطاهای واضح نداشته باشند
• مقادیر گمشده کنترل شوند
• در صورت نیاز نرمال‌سازی شوند
• ورودی و خروجی درست مشخص شوند

یک شبکه پیچیده با داده ضعیف معمولاً نتیجه خوبی نمی‌دهد.

تقسیم داده‌ها

داده‌ها معمولاً به سه قسمت تقسیم می‌شوند:

Training یا آموزش: برای یادگیری شبکه

Validation یا اعتبارسنجی: برای تنظیم مدل و کنترل بیش‌برازش

Test یا آزمون: برای بررسی عملکرد نهایی

نباید همان داده‌ای که شبکه با آن آموزش دیده، تنها معیار ارزیابی مدل باشد.

بیش‌برازش چیست؟

Overfitting یا بیش‌برازش یعنی شبکه داده‌های آموزشی را خیلی خوب یاد گرفته، اما روی داده جدید عملکرد ضعیفی دارد.

نشانه ساده:

دقت آموزش بسیار بالا، اما دقت آزمون پایین.

راه‌های کاهش آن:

• افزایش داده
• ساده‌تر کردن شبکه
• استفاده از Dropout
• توقف آموزش در زمان مناسب
• تنظیم تعداد لایه‌ها و نورون‌ها

تعداد لایه و نورون

برای شروع شبکه را بیش از حد بزرگ نکنید.

بهتر است ابتدا:

شبکه ساده → آموزش → بررسی خطا → افزایش تدریجی پیچیدگی

انجام شود.

شبکه بزرگ‌تر همیشه به معنی نتیجه بهتر نیست.

تابع خطا

شبکه هنگام آموزش تلاش می‌کند مقدار Loss یا خطا را کاهش دهد.

برای مسائل پیش‌بینی عددی معمولاً خطای بین مقدار واقعی و پیش‌بینی بررسی می‌شود.

در مسائل دسته‌بندی، هدف تشخیص کلاس صحیح است؛ مثلاً:

3 مهارت برتر مهندسان کامپیوتر! بدون کلاس، سرعت 2 برابر، ماندگاری 3 برابر، پولسازی عالی با هک، متلب و برنامه نویسی... دانلود:

پک شروع یادگیری هک و ضدهک

پک کامل یادگیری متلب

پک کامل یادگیری مبانی برنامه نویسی

گربه / سگ

یا:

سالم / معیوب

Epoch چیست؟

هر بار که کل داده‌های آموزشی از شبکه عبور می‌کنند، یک Epoch یا دوره آموزش نامیده می‌شود.

افزایش بیش از حد Epoch ممکن است باعث بیش‌برازش شود.

Learning Rate چیست؟

Learning Rate یا نرخ یادگیری مشخص می‌کند وزن‌های شبکه در هر مرحله چقدر تغییر کنند.

اگر خیلی زیاد باشد، شبکه ممکن است ناپایدار شود.

اگر خیلی کم باشد، آموزش بسیار کند می‌شود.

شبکه‌های پرکاربرد

در متلب می‌توانید با انواع مختلف شبکه‌ها کار کنید:

• شبکه‌های پیش‌خور برای مسائل ساده
• شبکه‌های کانولوشنی برای تصویر
• شبکه‌های بازگشتی برای داده‌های ترتیبی
• شبکه‌های عمیق برای مسائل پیچیده
• مدل‌های ازپیش‌آموزش‌دیده برای انتقال یادگیری

انتقال یادگیری

Transfer Learning یا انتقال یادگیری یعنی استفاده از یک شبکه آموزش‌دیده و تنظیم آن برای مسئله جدید.

مثلاً به‌جای آموزش شبکه تشخیص تصویر از صفر، می‌توان یک مدل آماده را با تصاویر پروژه خود دوباره تنظیم کرد.

این روش مخصوصاً وقتی داده کمی دارید بسیار کاربردی است.

آماده‌سازی داده

قبل از آموزش:

• داده پرت را بررسی کنید.
• واحدها را هماهنگ کنید.
• ورودی‌های غیرضروری را حذف کنید.
• داده‌ها را مقیاس‌بندی کنید.
• برچسب‌ها را کنترل کنید.

برای تصاویر نیز اندازه تصاویر باید با ورودی شبکه هماهنگ باشد.

ارزیابی شبکه

فقط به یک عدد مثل Accuracy یا دقت نگاه نکنید.

بسته به مسئله، معیارهایی مانند:

• دقت
• خطای میانگین
• Precision
• Recall
• ماتریس درهم‌ریختگی

می‌توانند مهم باشند.

کاربرد MATLAB در شبکه عصبی

MATLAB برای این کارها مناسب است:

• آماده‌سازی داده
• طراحی شبکه
• آموزش مدل
• رسم نمودار آموزش
• ارزیابی خروجی
• پردازش تصویر
• پردازش سیگنال
• پیش‌بینی سری زمانی
• اتصال شبکه عصبی به Simulink

نمونه ویدیوی آموزشی و تصاویر دروس

نمونه ای از این ویدیوها را در زیر می بینید (البته ویدیوهایی که دانلود می کنید، از کیفیت بالاتری برخوردار هستند):

و یک سری تصاویر از این دروس را هم می بینید:

لینک های دانلود:

  دانلود دروس

نکته مهم! هیچ فیلم رایگان یا وب سایتی در سرتاسر اینترنت، نرم افزار متلب را به صورت مدون و اصولی، به شما آموزش نمی دهد و آموزش های تصویری بصورت پراکنده و غیر منسجم هستند. سعی کنید از این بسته آموزشی فوق العاده و کامل استفاده کنید تا متلب را بدون نیاز به کلاس، خیلی سریع و حرفه ای بیاموزید! 

دانلود جزوه PDF آموزشی

جزوه ای که برای دانلود قرار داده ایم، تقریبا، جدیدترین و بهترین پی دی اف آموزش شبکه عصبی متلب موجود در اینترنت می باشد. از این پی دی اف بعنوان مکمل یادگیری (و نه منبع اصلی!) استفاده کنید:

   دانلود پی دی اف آموزش شبکه عصبی در متلب (انگلیسی)

اشتباهات رایج مبتدی‌ها

• استفاده از شبکه بسیار پیچیده از ابتدا
• داده آموزشی کم
• نرمال نکردن داده‌ها
• بررسی نکردن داده آزمون
• توجه فقط به دقت آموزش
• افزایش بی‌دلیل تعداد لایه‌ها
• استفاده از داده‌های آزمون در آموزش
• نادیده گرفتن داده‌های اشتباه یا پرت

مسیر پیشنهادی یادگیری

برای شروع این ترتیب مناسب است:

MATLAB پایه → ماتریس‌ها و داده‌ها → آمار پایه → یادگیری ماشین → شبکه عصبی ساده → تقسیم داده → آموزش و ارزیابی → شبکه‌های عمیق → پروژه واقعی

یک پروژه مناسب برای شروع

برای تمرین می‌توانید یک شبکه بسازید که براساس چند ورودی عددی، یک مقدار را پیش‌بینی کند.

مثلاً:

دما + رطوبت + ساعت → مصرف انرژی

بعد از آن سراغ دسته‌بندی تصاویر بروید.

جمع‌بندی

برای یادگیری شبکه عصبی در متلب، این مفاهیم را خوب بفهمید:

داده → ورودی → وزن → لایه → تابع فعال‌سازی → خطا → آموزش → اعتبارسنجی → آزمون

مهم‌ترین اصل این است که کیفیت داده و ارزیابی درست مدل معمولاً از بزرگ و پیچیده کردن شبکه مهم‌تر است. هر گونه سوالی در زمینه این مطلب دارید در بخش نظرات مطرح کنید تا به آن پاسخ دهیم.