- 286
- 22 097
MATLAB Learning
France
เข้าร่วมเมื่อ 23 ก.ย. 2018
Dear viewer,
Welcome to my TH-cam channel! Here, you'll find videos on MATLAB across various main fields, including Machine Learning, Deep Learning, Neural Networks, Fuzzy and ANFIS, Optimization (with a focus on Meta-heuristic Algorithms), Dimensionality Reduction (Feature Selection and Extraction), Control, and Community Detection in Social Networks. If there's a specific course you need that isn't available on my channel, feel free to send me an enquiry, and I will develop it for you.
Additionally, I am proficient in Python for all the courses on my channel. If you need the Python code for any of my MATLAB courses, you can submit an enquiry as well.
My Telegram channel: t.me/matlabanyone
My website: www.matlablearning.com
Email: h.saadatmand22@yahoo.com
Best Regards,
Hassan
Welcome to my TH-cam channel! Here, you'll find videos on MATLAB across various main fields, including Machine Learning, Deep Learning, Neural Networks, Fuzzy and ANFIS, Optimization (with a focus on Meta-heuristic Algorithms), Dimensionality Reduction (Feature Selection and Extraction), Control, and Community Detection in Social Networks. If there's a specific course you need that isn't available on my channel, feel free to send me an enquiry, and I will develop it for you.
Additionally, I am proficient in Python for all the courses on my channel. If you need the Python code for any of my MATLAB courses, you can submit an enquiry as well.
My Telegram channel: t.me/matlabanyone
My website: www.matlablearning.com
Email: h.saadatmand22@yahoo.com
Best Regards,
Hassan
الگوریتم فراابتکاری رقابت استعماری برای انتخاب ویژگی
معرفی دوره: آموزش جامع الگوریتم فراابتکاری رقابت استعماری (ICA) برای انتخاب ویژگی در MATLAB
در این دوره جامع، شما با یکی از الگوریتم‌های فراابتکاری نوین یعنی االگوریتم فراابتکاری رقابت استعماری (Imperialist Competitive Algorithm - ICA) برای انتخاب ویژگی (Feature Selection) آشنا خواهید شد. این الگوریتم الهام‌گرفته از تغییر امپراتوری ها در گذر زمان است و برای حل مسائل پیچیده بهینه‌سازی، از جمله انتخاب ویژگی، کاربرد دارد. تمرکز اصلی دوره بر بهینه‌سازی انتخاب ویژگی‌ها در مجموعه داده‌های واقعی و کاربرد آن در مسائل داده کاوی (Data Mining) و یادگیری ماشین (Machine Learning)مانند طبقه‌بندی (Classification) و رگرسیون (Regression) است. از میان دو رویکرد مهم انتخاب ویژگی یعنی فیلترها (Filters)، پوششی (Wrappers)، این دوره متنی بر Wrapper و طبقه بندی با دو روش نزدیگترین همسایه (K-Nearest Neighbor - KNN)، ماشین بردار پشتیبان (Support Vector Machines - SVM) ها است. و کدینگ Coding از نوع Integer است.
چرا این دوره؟
با استفاده از ICA برای انتخاب ویژگی، می‌توانید دقت مدل‌های یادگیری ماشین را بهبود بخشید و در عین حال پیچیدگی محاسباتی را کاهش دهید. این دوره ترکیبی از آموزش تئوری و عملی است که مهارت‌های شما در MATLAB و یادگیری ماشین را تقویت می‌کند.
سرفصل‌های دوره
1. مقدمه‌ای بر انتخاب ویژگی (Feature Selection)
مفهوم انتخاب ویژگی:
چرا انتخاب ویژگی در یادگیری ماشین ضروری است؟
اهمیت کاهش ابعاد داده برای بهبود کارایی مدل‌ها.
کاربردهای انتخاب ویژگی:
شناسایی ویژگی‌های مهم در مسائل طبقه‌بندی و رگرسیون.
بهبود دقت و سرعت یادگیری مدل‌ها.
2. الگوریتم فراابتکاری رقابت استعماری (ICA)
مفهوم و نحوه عملکرد ICA
مزایای استفاده از ICA در انتخاب ویژگی:
کاهش ابعاد داده و حفظ دقت بالا.
توانایی حل مسائل پیچیده بهینه‌سازی.
3. انواع کدینگ برای انتخاب ویژگی در الگوریتم‌های فراابتکاری
کدینگ باینری (Binary Coding):
استفاده از صفر و یک برای نمایش انتخاب یا عدم انتخاب ویژگی.
مناسب برای مسائل انتخاب ویژگی کلاسیک.
کدینگ اینتیجر (Integer Coding):
استفاده از مقادیر عددی برای نشان دادن ویژگی‌ها.
کاربرد در مسائل پیچیده‌تر
4. آماده‌سازی داده‌ها در MATLAB
لود کردن داده‌ها:
وارد کردن داده‌ها
تقسیم‌بندی داده‌ها:
ایجاد سه مجموعه داده:
آموزش (Training).
اعتبارسنجی (Validation).
تست (Testing).
5. معرفی طبقه‌بندهای یادگیری ماشین: SVM و KNN
ماشین بردار پشتیبان (SVM):
معرفی مفهوم کرنل‌ها (Kernel Functions).
تنظیم پارامترهای C و Gamma برای بهینه‌سازی عملکرد.
K-نزدیک‌ترین همسایه (KNN):
انتخاب مقدار K و معیار فاصله.
مقایسه عملکرد با SVM در داده‌های مختلف.
6. پیاده‌سازی الگوریتم ICA برای انتخاب ویژگی در MATLAB
تعریف تابع هدف (Fitness Function):
بهینه‌سازی تعداد ویژگی‌ها و دقت طبقه‌بند.
پیاده‌سازی مراحل الگوریتم
ادغام ICA با طبقه‌بندهای SVM و KNN.
7. ارزیابی و تحلیل نتایج
محاسبه معیار دقت (Accuracy):
دقت مدل برای داده‌های آموزش، اعتبارسنجی، و تست.
مقایسه تعداد ویژگی‌ها:
تحلیل کاهش ابعاد و تاثیر آن بر عملکرد.
مقایسه عملکرد طبقه‌بندها:
بررسی تفاوت دقت SVM و KNN با ویژگی‌های انتخاب‌شده.
8. مصورسازی و ارائه نتایج
رسم نمودار همگرایی الگوریتم ICA در طول تکرارها.
دستاوردهای دوره
درک کامل الگوریتم ICA و کاربرد آن در مسائل انتخاب ویژگی.
تسلط بر آماده‌سازی داده‌ها برای تحلیل و یادگیری ماشین در MATLAB.
توانایی بهبود دقت مدل‌های یادگیری ماشین از طریق انتخاب ویژگی‌های بهینه.
مهارت در تحلیل و ارزیابی مدل‌های طبقه‌بندی با استفاده از معیارهای استاندارد.
حتما قبل از تهیه دوره معرفی دوره را مشاهده بفرمایید
تماس با مدرس:
• Telegram: t.me/matlabanyone
• Telegram: t.me/hassan_saadatmand
• Email: h.saadatmand22@yahoo.com
• Website: www.matlablearning.com
• Phone: 09155137038
مدرس حسن سعادتمند:
• بیش از 250 دوره آموزشی در متلب و پایتون
• بیش از 15 سال تجربه در زمینه تدریس
LinkedIn , Google Scholar, ResearchGate
دوستانی که تمایل دارند این دوره را در پایتون Python داشته باشند با مدرس در ارتباط باشند.
انتخاب ویژگی با الگوریتم فراابتکاری رقابت استعماری ICA در پایتون Python
در این دوره جامع، شما با یکی از الگوریتم‌های فراابتکاری نوین یعنی االگوریتم فراابتکاری رقابت استعماری (Imperialist Competitive Algorithm - ICA) برای انتخاب ویژگی (Feature Selection) آشنا خواهید شد. این الگوریتم الهام‌گرفته از تغییر امپراتوری ها در گذر زمان است و برای حل مسائل پیچیده بهینه‌سازی، از جمله انتخاب ویژگی، کاربرد دارد. تمرکز اصلی دوره بر بهینه‌سازی انتخاب ویژگی‌ها در مجموعه داده‌های واقعی و کاربرد آن در مسائل داده کاوی (Data Mining) و یادگیری ماشین (Machine Learning)مانند طبقه‌بندی (Classification) و رگرسیون (Regression) است. از میان دو رویکرد مهم انتخاب ویژگی یعنی فیلترها (Filters)، پوششی (Wrappers)، این دوره متنی بر Wrapper و طبقه بندی با دو روش نزدیگترین همسایه (K-Nearest Neighbor - KNN)، ماشین بردار پشتیبان (Support Vector Machines - SVM) ها است. و کدینگ Coding از نوع Integer است.
چرا این دوره؟
با استفاده از ICA برای انتخاب ویژگی، می‌توانید دقت مدل‌های یادگیری ماشین را بهبود بخشید و در عین حال پیچیدگی محاسباتی را کاهش دهید. این دوره ترکیبی از آموزش تئوری و عملی است که مهارت‌های شما در MATLAB و یادگیری ماشین را تقویت می‌کند.
سرفصل‌های دوره
1. مقدمه‌ای بر انتخاب ویژگی (Feature Selection)
مفهوم انتخاب ویژگی:
چرا انتخاب ویژگی در یادگیری ماشین ضروری است؟
اهمیت کاهش ابعاد داده برای بهبود کارایی مدل‌ها.
کاربردهای انتخاب ویژگی:
شناسایی ویژگی‌های مهم در مسائل طبقه‌بندی و رگرسیون.
بهبود دقت و سرعت یادگیری مدل‌ها.
2. الگوریتم فراابتکاری رقابت استعماری (ICA)
مفهوم و نحوه عملکرد ICA
مزایای استفاده از ICA در انتخاب ویژگی:
کاهش ابعاد داده و حفظ دقت بالا.
توانایی حل مسائل پیچیده بهینه‌سازی.
3. انواع کدینگ برای انتخاب ویژگی در الگوریتم‌های فراابتکاری
کدینگ باینری (Binary Coding):
استفاده از صفر و یک برای نمایش انتخاب یا عدم انتخاب ویژگی.
مناسب برای مسائل انتخاب ویژگی کلاسیک.
کدینگ اینتیجر (Integer Coding):
استفاده از مقادیر عددی برای نشان دادن ویژگی‌ها.
کاربرد در مسائل پیچیده‌تر
4. آماده‌سازی داده‌ها در MATLAB
لود کردن داده‌ها:
وارد کردن داده‌ها
تقسیم‌بندی داده‌ها:
ایجاد سه مجموعه داده:
آموزش (Training).
اعتبارسنجی (Validation).
تست (Testing).
5. معرفی طبقه‌بندهای یادگیری ماشین: SVM و KNN
ماشین بردار پشتیبان (SVM):
معرفی مفهوم کرنل‌ها (Kernel Functions).
تنظیم پارامترهای C و Gamma برای بهینه‌سازی عملکرد.
K-نزدیک‌ترین همسایه (KNN):
انتخاب مقدار K و معیار فاصله.
مقایسه عملکرد با SVM در داده‌های مختلف.
6. پیاده‌سازی الگوریتم ICA برای انتخاب ویژگی در MATLAB
تعریف تابع هدف (Fitness Function):
بهینه‌سازی تعداد ویژگی‌ها و دقت طبقه‌بند.
پیاده‌سازی مراحل الگوریتم
ادغام ICA با طبقه‌بندهای SVM و KNN.
7. ارزیابی و تحلیل نتایج
محاسبه معیار دقت (Accuracy):
دقت مدل برای داده‌های آموزش، اعتبارسنجی، و تست.
مقایسه تعداد ویژگی‌ها:
تحلیل کاهش ابعاد و تاثیر آن بر عملکرد.
مقایسه عملکرد طبقه‌بندها:
بررسی تفاوت دقت SVM و KNN با ویژگی‌های انتخاب‌شده.
8. مصورسازی و ارائه نتایج
رسم نمودار همگرایی الگوریتم ICA در طول تکرارها.
دستاوردهای دوره
درک کامل الگوریتم ICA و کاربرد آن در مسائل انتخاب ویژگی.
تسلط بر آماده‌سازی داده‌ها برای تحلیل و یادگیری ماشین در MATLAB.
توانایی بهبود دقت مدل‌های یادگیری ماشین از طریق انتخاب ویژگی‌های بهینه.
مهارت در تحلیل و ارزیابی مدل‌های طبقه‌بندی با استفاده از معیارهای استاندارد.
حتما قبل از تهیه دوره معرفی دوره را مشاهده بفرمایید
تماس با مدرس:
• Telegram: t.me/matlabanyone
• Telegram: t.me/hassan_saadatmand
• Email: h.saadatmand22@yahoo.com
• Website: www.matlablearning.com
• Phone: 09155137038
مدرس حسن سعادتمند:
• بیش از 250 دوره آموزشی در متلب و پایتون
• بیش از 15 سال تجربه در زمینه تدریس
LinkedIn , Google Scholar, ResearchGate
دوستانی که تمایل دارند این دوره را در پایتون Python داشته باشند با مدرس در ارتباط باشند.
انتخاب ویژگی با الگوریتم فراابتکاری رقابت استعماری ICA در پایتون Python
มุมมอง: 19
วีดีโอ
Support Vector Regression (SVR) in MATLAB
มุมมอง 2414 ชั่วโมงที่ผ่านมา
Implement Support Vector Regression (SVR) in MATLAB SVR and SVM Benefits of SVR peer regression algorithms load data split data cross validation train data setting hyper-parameter predict test data calculate rmse and mse plot regression and fitting plots analyzing sensivity of parameters conclution
اضافه کردن ویدئو یوتیوب به سایت وردپرس
มุมมอง 216 ชั่วโมงที่ผ่านมา
اضافه کردن ویدئو یوتیوب و اپارات به سایت وردپرس
اضافه کردن ویدئو در وردپرس از اپارات
มุมมอง 416 ชั่วโมงที่ผ่านมา
اضافه کردن ویدئو در وردپرس از اپارات و یوتیوب Telegram: t.me/matlabanyone t.me/hassan_saadatmand h.saadatmand22@yahoo.com www.matlablearning.com 09155137038 مدرس بیش از 250 دوره آموزشی در متلب و پایتون با بیش از 15 سال تجربه در زمینه تدریس
خوشه بندی خودکار با الگوریتم فراابتکاری حسابی
มุมมอง 3516 ชั่วโมงที่ผ่านมา
معرفی دوره: خوشه‌بندی خودکار با الگوریتم حسابی (AOA) و متلب این دوره به ارائه راهکارهایی برای بهبود فرآیند خوشه‌بندی داده‌ها از طریق ترکیب الگوریتم فراابتکاری حسابی (Arithmetic Optimization Algorithm - AOA) و الگوریتم k-means می‌پردازد. با تمرکز بر چالش‌های الگوریتم‌های خوشه‌بندی، به ویژه الگوریتم k-means، شما با ترکیب روش‌های بهینه‌سازی و خوشه‌بندی برای دستیابی به نتایج دقیق‌تر و کارآمدتر آشنا...
بهبود الگوریتم کامینز kmeans با الگوریتم حسابی در متلب
มุมมอง 616 ชั่วโมงที่ผ่านมา
معرفی دوره: خوشه‌بندی خودکار با الگوریتم حسابی (AOA) و متلب این دوره به ارائه راهکارهایی برای بهبود فرآیند خوشه‌بندی داده‌ها از طریق ترکیب الگوریتم فراابتکاری حسابی (Arithmetic Optimization Algorithm - AOA) و الگوریتم k-means می‌پردازد. با تمرکز بر چالش‌های الگوریتم‌های خوشه‌بندی، به ویژه الگوریتم k-means، شما با ترکیب روش‌های بهینه‌سازی و خوشه‌بندی برای دستیابی به نتایج دقیق‌تر و کارآمدتر آشنا...
بررسی چالش های الگوریتم فراابتکاری حسابی
มุมมอง 1916 ชั่วโมงที่ผ่านมา
معرفی دوره: در این دوره، شما با اصول و چالش‌های الگوریتم بهینه‌سازی حسابی (Arithmetic Optimization Algorithm - AOA) و روش‌های بهبود آن آشنا خواهید شد. هدف این دوره ارائه رویکردهای نوآورانه برای ارتقاء عملکرد این الگوریتم با استفاده از بهینه‌سازی مقداردهی اولیه، نخبه‌گرایی (Elitism)، و بهبود فرایند بروزرسانی موقعیت راه‌حل‌ها است. در ادامه، کارایی الگوریتم حسابی بهبود یافته (Improved Arithmetic O...
آموزش الگوریتم فراابتکاری بهبود یافته حسابی IAOA در متلب
มุมมอง 1716 ชั่วโมงที่ผ่านมา
معرفی دوره: در این دوره، شما با اصول و چالش‌های الگوریتم بهینه‌سازی حسابی (Arithmetic Optimization Algorithm - AOA) و روش‌های بهبود آن آشنا خواهید شد. هدف این دوره ارائه رویکردهای نوآورانه برای ارتقاء عملکرد این الگوریتم با استفاده از بهینه‌سازی مقداردهی اولیه، نخبه‌گرایی (Elitism)، و بهبود فرایند بروزرسانی موقعیت راه‌حل‌ها است. در ادامه، کارایی الگوریتم حسابی بهبود یافته (Improved Arithmetic O...
آموزش رایگان بردار پشتیبان رگرسیون (SVR) در متلب به زبان ساده
มุมมอง 3419 ชั่วโมงที่ผ่านมา
معرفی الگوریتم بردار پشتیبان رگرسیون (SVR) الگوریتم بردار پشتیبان رگرسیون (SVR) یکی از الگوریتم‌های قدرتمند یادگیری ماشین است که بر اساس مفهوم ماشین بردار پشتیبان (SVM) طراحی شده است. در این الگوریتم به جای دسته‌بندی داده‌ها، هدف پیش‌بینی مقادیر پیوسته است. در SVR، با استفاده از یک کرنل مناسب و یک حاشیه خطای ε (اپسیلون)، مدل سعی می‌کند تا بهترین تطابق را بین داده‌ها ایجاد کند. Telegram: t.me/ma...
تشخیص سرطان سینه با مدل بردار پشتیبان SVM بهبود یافته
มุมมอง 1421 ชั่วโมงที่ผ่านมา
دوره آموزشی: بهینه‌سازی مدل SVM با الگوریتم علی‌بابا و چهل دزد (AFT) برای تشخیص سرطان سینه مدت زمان دوره 2 ساعت Telegram: t.me/matlabanyone t.me/hassan_saadatmand h.saadatmand22@yahoo.com www.matlablearning.com 09155137038 مدرس بیش از 250 دوره آموزشی در متلب و پایتون با بیش از 15 سال تجربه در زمینه تدریس معرفی دوره: این دوره شما را با فرآیند کامل طراحی، پیاده‌سازی و بهینه‌سازی مدل ماشین بردار پ...
بهینه سازی الگوریتم بردار پشتیبان SVM با الگوریتم علی بابا AFT
มุมมอง 1621 ชั่วโมงที่ผ่านมา
دوره آموزشی: بهینه‌سازی مدل SVM با الگوریتم علی‌بابا و چهل دزد (AFT) برای تشخیص سرطان سینه مدت زمان دوره 2 ساعت Telegram: t.me/matlabanyone t.me/hassan_saadatmand h.saadatmand22@yahoo.com www.matlablearning.com 09155137038 مدرس بیش از 250 دوره آموزشی در متلب و پایتون با بیش از 15 سال تجربه در زمینه تدریس معرفی دوره: این دوره شما را با فرآیند کامل طراحی، پیاده‌سازی و بهینه‌سازی مدل ماشین بردار پ...
تشخیص COVID-19 با یادگیری عمیق MLT از تصاویر CT در متلب
มุมมอง 3121 ชั่วโมงที่ผ่านมา
دوره آموزشی: تشخیص COVID-19 با یادگیری چندوظیفه‌ای (Multi-Task Learning) از تصاویر CT در MATLAB مدت زمان دوره: 3 ساعت و 20 دقیقه Telegram: t.me/matlabanyone t.me/hassan_saadatmand h.saadatmand22@yahoo.com www.matlablearning.com 09155137038 مدرس بیش از 250 دوره آموزشی در متلب و پایتون با بیش از 15 سال تجربه در زمینه تدریس معرفی دوره: در این دوره جامع، نحوه طراحی و پیاده‌سازی یک مدل یادگیری چندوظ...
آموزش یادگیری چندوظیفه‌ای (Multi-Task Learning) با MATLAB
มุมมอง 2221 ชั่วโมงที่ผ่านมา
دوره آموزشی: یادگیری چندوظیفه‌ای (Multi-Task Learning) با MATLAB مدت زمان دوره: 3 ساعت و 20 دقیقه دیتاست استفاده شده مربوط به تصاویر Ct از ریه است جهت تشخیص Covid19 Telegram: t.me/matlabanyone t.me/hassan_saadatmand h.saadatmand22@yahoo.com www.matlablearning.com 09155137038 مدرس بیش از 250 دوره آموزشی در متلب و پایتون با بیش از 15 سال تجربه در زمینه تدریس معرفی دوره: این دوره جامع به شما آموزش...
الگوریتم جست و جوی فاخته Cuckoo Search تئوری و عملی در متلب
มุมมอง 12วันที่ผ่านมา
الگوریتم جست و جوی فاخته Cuckoo Search تئوری و عملی در متلب Telegram: t.me/matlabanyone t.me/hassan_saadatmand h.saadatmand22@yahoo.com www.matlablearning.com 09155137038 مدرس بیش از 250 دوره آموزشی در متلب و پایتون با بیش از 15 سال تجربه در زمینه تدریس
آموزش رایگان تناظر یابی در ویدیو با هیستوگرام در متلب (بازیابی تصویر)
มุมมอง 22วันที่ผ่านมา
آموزش رایگان تناظر یابی در ویدیو با هیستوگرام در متلب (بازیابی تصویر) Image retrieval in MTALAB Video Search in MATLAB Video search with Histogram Feature Extraction with Histogram میزان شباهت تصویر با هیستوگرام Telegram: t.me/matlabanyone t.me/hassan_saadatmand h.saadatmand22@yahoo.com www.matlablearning.com 09155137038 مدرس بیش از 250 دوره آموزشی در متلب و پایتون با بیش از 15 سال تجربه در زمی...
آموزش تئوری و عملی طبقه‌بند نایو بیزین در متلب
มุมมอง 20วันที่ผ่านมา
آموزش تئوری و عملی طبقه‌بند نایو بیزین در متلب
تحلیل و تشخیص نفوذ در شبکه های اجتماعی بخش اول PageRank
มุมมอง 14วันที่ผ่านมา
تحلیل و تشخیص نفوذ در شبکه های اجتماعی بخش اول PageRank
جنگل تصادفی Random forest برای رگرسیون در متلب
มุมมอง 25วันที่ผ่านมา
جنگل تصادفی Random forest برای رگرسیون در متلب
تخمین تابع Curve Fitting با الگوریتم رقابت استعماری ICA
มุมมอง 9วันที่ผ่านมา
تخمین تابع Curve Fitting با الگوریتم رقابت استعماری ICA
طبقه بندی داده MNIST در متلب SVM و KNN رایگان
มุมมอง 6วันที่ผ่านมา
طبقه بندی داده MNIST در متلب SVM و KNN رایگان
آموزش تشخیص عابرپیاده Pedestrian با یادگیری عمیق در متلب
มุมมอง 4วันที่ผ่านมา
آموزش تشخیص عابرپیاده Pedestrian با یادگیری عمیق در متلب
تشخیص ماشینب با یادگیری عمیق در متلب RCNN
มุมมอง 9วันที่ผ่านมา
تشخیص ماشینب با یادگیری عمیق در متلب RCNN
الگوریتم سیفت SIFT در متلب صفر تا 100 رایگان
มุมมอง 40วันที่ผ่านมา
الگوریتم سیفت SIFT در متلب صفر تا 100 رایگان
الگوریتم سیفت SIFT در متلب صفر تا 100 بخش اول
มุมมอง 9วันที่ผ่านมา
الگوریتم سیفت SIFT در متلب صفر تا 100 بخش اول
الگوریتم جست و جوی کلاغ در متلب رایگان (بخش اول)
มุมมอง 11วันที่ผ่านมา
الگوریتم جست و جوی کلاغ در متلب رایگان (بخش اول)
آموزش بهینه سازی سیستم فازی FIS یا ANFIS با الگوریتم های فراابتکاری در متلب
มุมมอง 16วันที่ผ่านมา
آموزش بهینه سازی سیستم فازی FIS یا ANFIS با الگوریتم های فراابتکاری در متلب
آموزش الگوریتم در خت مدل خطی محلی LOLIMOT در متلب صفر تا 100
มุมมอง 2วันที่ผ่านมา
آموزش الگوریتم در خت مدل خطی محلی LOLIMOT در متلب صفر تا 100
بهینه سازی چند هدفه Multi Objective و بسیار هدفه Many Objective در متلب
มุมมอง 14วันที่ผ่านมา
بهینه سازی چند هدفه Multi Objective و بسیار هدفه Many Objective در متلب
بسیار عالی بود👍
خوشحالم که بکارتون آومده
why is this recomended to me i have no clue
@@S-ToFu Hi, probably for boosting your knowledge 😂
خود کد هارم در اختیارمون میزارید؟🙏
بله
Excellent
Thank you so much 😀
چقدر عالی بود خیلی ممنون🙏⚘
تشکر فراوان از جناب آقای سعادتمند بابت محتواهای ارزشمندی این کانال جسارتا یک سوال داشتم، کدهای استفاده شده در این کرس به صورت فرام اسکرچ هست؟
ممنون از آموزش بسيار خوب شما ❤❤❤
ادامه بدید.....لطفا....عالیه...
سلام خسته نباشید. اقا چندتام آموزش در مورد شبکه عصبی در زمینه مهندسی شیمی بذارید استفاده کنیم
❤
Hello pleas you can give me the file of Feature selection Usind SIFE as matlab file to read it please
I need code matalb
can i get this coding sir please kindly share it
Hello thanks indeed for this code, but i have download and try the code, and such code its not adding my result to the last column
mam some datas are losing mam please show full mam
plz i need this code
PLEASE PROVIDE CODE OF NSGAIII
are these codes available?
The only video on youtube explaining the algorithm. But 😔 cant understand due to the language issue. Is there any way like captions or anything in english?
Thanks for this wonderful video. How can i get the full code, sir?
Fantastic
which language are you speaking can you please speak in english so that it will reach to maximum extent
can you please explain in english
not able to understand the language
fonts are too small to see
sir i need this code
where we could finde the source file , please?
Can you please share entire code
hello sir it was great explaination
خسته نباشید ولی وقتی کدی نیست که آزمایش بشه توضیحات روی چند خط کد چه بارآموزشی داره!
Thank you sir, this video is very helpful. Sir, may I know the contents of the data in line 8, which we load (DataSet/Data.mat). may i know, what is the content of the data? For example, we want to classify flowers, then the contents of the data we load are sepal length, sepal width from the flower.
Hello sir. I see your videos and its cool. Anyway, can i get your source code please? Thankyou
Can you provide the codes for nsga-iii?
YES
@@Rezm0nsterhi...do you have nsga3 code with 3 objective function? Please send me🤦🏻♀️i really need it
نگارپژوه مرکز تخصصی شبیه سازی سیستم ها ی مهندسی مکانیک www.negarpajooh.com شما مستقیما و بدون واسطه با محقق در ارتباط هستید. همراه : 09198470686 آیدی تلگرام :NegarPajoohProject Negar Pajooh is advanced simulation institute of mechanical engineering systems Software: MATLAB - ANSYS - ABAQUS - SOLIDWORKS-Arduino-Labview Fields: Control, Solid Mechanics, Structural Engineering, Optimization, Fuzzy, CAD, CAE, Mechanical Vibration, Robotic, Shaft- Impeller , Rotor Dynamic, Condition Monitoring, Fault Diagnosis, Health Monitoring, Wavelet, Neural Network, Image Processing, Sensor and Actuator, Sound Processing, Finite Element Method (FEM), Piezoelectric, Numerical Method, continuous structure, Active/Passive Vibration Control TH-cam Channel: th-cam.com/channels/eaa6Kt3mBKNW-fNgNgOqTg.html Gmail: NegarPajooh@gmail.com Phone, What's app, Telegram:: +989198470686 Website: www.negarpajooh.com
نگارپژوه مرکز تخصصی شبیه سازی سیستم ها ی مهندسی مکانیک www.negarpajooh.com شما مستقیما و بدون واسطه با محقق در ارتباط هستید. همراه : 09198470686 آیدی تلگرام :NegarPajoohProject Negar Pajooh is advanced simulation institute of mechanical engineering systems Software: MATLAB - ANSYS - ABAQUS - SOLIDWORKS-Arduino-Labview Fields: Control, Solid Mechanics, Structural Engineering, Optimization, Fuzzy, CAD, CAE, Mechanical Vibration, Robotic, Shaft- Impeller , Rotor Dynamic, Condition Monitoring, Fault Diagnosis, Health Monitoring, Wavelet, Neural Network, Image Processing, Sensor and Actuator, Sound Processing, Finite Element Method (FEM), Piezoelectric, Numerical Method, continuous structure, Active/Passive Vibration Control TH-cam Channel: th-cam.com/channels/eaa6Kt3mBKNW-fNgNgOqTg.html Gmail: NegarPajooh@gmail.com Phone, What's app, Telegram:: +989198470686 Website: www.negarpajooh.com
نگارپژوه مرکز تخصصی شبیه سازی سیستم ها ی مهندسی مکانیک www.negarpajooh.com شما مستقیما و بدون واسطه با محقق در ارتباط هستید. همراه : 09198470686 آیدی تلگرام :NegarPajoohProject Negar Pajooh is advanced simulation institute of mechanical engineering systems Software: MATLAB - ANSYS - ABAQUS - SOLIDWORKS-Arduino-Labview Fields: Control, Solid Mechanics, Structural Engineering, Optimization, Fuzzy, CAD, CAE, Mechanical Vibration, Robotic, Shaft- Impeller , Rotor Dynamic, Condition Monitoring, Fault Diagnosis, Health Monitoring, Wavelet, Neural Network, Image Processing, Sensor and Actuator, Sound Processing, Finite Element Method (FEM), Piezoelectric, Numerical Method, continuous structure, Active/Passive Vibration Control TH-cam Channel: th-cam.com/channels/eaa6Kt3mBKNW-fNgNgOqTg.html Gmail: NegarPajooh@gmail.com Phone, What's app, Telegram:: +989198470686 Website: www.negarpajooh.com
نگارپژوه مرکز تخصصی شبیه سازی سیستم ها ی مهندسی مکانیک www.negarpajooh.com شما مستقیما و بدون واسطه با محقق در ارتباط هستید. همراه : 09198470686 آیدی تلگرام :NegarPajoohProject Negar Pajooh is advanced simulation institute of mechanical engineering systems Software: MATLAB - ANSYS - ABAQUS - SOLIDWORKS-Arduino-Labview Fields: Control, Solid Mechanics, Structural Engineering, Optimization, Fuzzy, CAD, CAE, Mechanical Vibration, Robotic, Shaft- Impeller , Rotor Dynamic, Condition Monitoring, Fault Diagnosis, Health Monitoring, Wavelet, Neural Network, Image Processing, Sensor and Actuator, Sound Processing, Finite Element Method (FEM), Piezoelectric, Numerical Method, continuous structure, Active/Passive Vibration Control TH-cam Channel: th-cam.com/channels/eaa6Kt3mBKNW-fNgNgOqTg.html Gmail: NegarPajooh@gmail.com Phone, What's app, Telegram:: +989198470686 Website: www.negarpajooh.com
نگارپژوه مرکز تخصصی شبیه سازی سیستم ها ی مهندسی مکانیک www.negarpajooh.com شما مستقیما و بدون واسطه با محقق در ارتباط هستید. همراه : 09198470686 آیدی تلگرام :NegarPajoohProject Negar Pajooh is advanced simulation institute of mechanical engineering systems Software: MATLAB - ANSYS - ABAQUS - SOLIDWORKS-Arduino-Labview Fields: Control, Solid Mechanics, Structural Engineering, Optimization, Fuzzy, CAD, CAE, Mechanical Vibration, Robotic, Shaft- Impeller , Rotor Dynamic, Condition Monitoring, Fault Diagnosis, Health Monitoring, Wavelet, Neural Network, Image Processing, Sensor and Actuator, Sound Processing, Finite Element Method (FEM), Piezoelectric, Numerical Method, continuous structure, Active/Passive Vibration Control TH-cam Channel: th-cam.com/channels/eaa6Kt3mBKNW-fNgNgOqTg.html Gmail: NegarPajooh@gmail.com Phone, What's app, Telegram:: +989198470686 Website: www.negarpajooh.com
The lecture seems to be so good. I am following it but if it was in english it would be more fruitful