با سلام

  قسمت سیزدهم از سری فیلم های آموزشی یادگیری ماشین در سایت متلب یار منتشر گردید.

در این قسمت پیاده سازی و کدنویسی روش دسته بندی پارامتریک (parametric classification) مبتنی بر توابع جداکننده (Discriminant) در زبان متلب تشریح می گردد.

در این پارت تمامی موارد تئوری بیان شده در جلسه ۱۱ بصورت کامل بیان گردید.

در این ویدئو آموزشی  چندین برنامه به زبان متلب پیاده سازی شده، تولباکس های مرتبط در متلب با جزئیات کامل با زبانی روان به صورت خط به خط و به تفصیل بیان می گردد.

شما می توانید توضیحات این قسمت را از لینک داده شده در ادامه مطلب مشاهده نمایید.

تذکر۱:

قسمت های قبلی این مجموعه آموزشی را می توانید از اینجا مشاهده نمایید.

لازم به ذکر است این مجموعه از آموزش های گام به گام یادگیری ماشین در متلب برای اولین بار در ایران تهیه و توسط یکی از مجربترین اسانید در زمینه هوش مصنوعی آموزش داده شده است.

این مجموعه آموزشی بسیار مناسب برای محققین و دانشجویان در مقاطع کارشناسی، کارشناسی ارشد و دکتری می باشد که قصد یادگیری این درس و همچنین استفاده ازالگوریتم های هوش مصنوعی در مقاله و پایان نامه خود را دارند.

با تشکر

کلید واژه:

, LDA, Likelihood, machine learning, Mahalanobis distance, Ma,imum Likelihood, MLE, تابع جداکننده Quadratic, روش LDA, روش QDA, روش ماکزیمم نرخ احتمال, طبقه بندی پارامتریک چند متغیره, طبقه بندی چند متغیره, فاصله ماهالانوبس, کواریانس چند متغیره, یادگیری ماشین, Bayes, Bayesian, Likelihood Ratio, machine learning, Ma,imum Likelihood Ratio, MLE, parametric classification, بیزین, تئوری تصمیم گیری بیزین, طبقه بندی پارامتریک, قاعده بیز, نرخ احتمال, یادگیری ماشین