| 1 |
ادامه مروری بر انواع مدل ها و تفکر استفاده از آنها جایگاه مدل های داده مبنا در کنار سایر مدل ها |
|
| 2 |
شرح مراحل انجام فرآیند مدل سازی شامل پیش پردازش داده ها، واسنجی، صحت سنجی و اعتبار سنجی مدل ها |
|
| 3 |
شرح انواع شاخص های ارزیابی مدل ها در مراحل واسنجی، صحت سنجی و اعتبار سنجی |
|
| 4 |
مدل سازی خطی با استفاده از مدل رگسیون یک و چند متغیره |
|
| 5 |
انجام یک پروژه عملی با استفاده از نرم افزارهای متلب و اکسل برا انواع مدل سازی خطی |
|
| 6 |
مدل سازی غیر خطی تک متغیره با استفاده از متلب و اکسل |
|
| 7 |
معرفی رگرسیون ناپارامتری و کاربرد عملی آن |
|
| 8 |
اجرای یک پروژه عملی بر اساس مدل سازی با روش رگرسیون ناپارامتری |
|
| 9 |
معرفی مدل های مبتنی بر هوش مصنوعی و تفکر ساختاری آنها |
|
| 10 |
معرفی روش های پیش پردازش داده ها برای ورود به شبکه های عصبی مصنوعی |
|
| 11 |
اجرای مدل سازی ترکیبی فازی و شبکه عصبی در متلب |
|
| 12 |
اجرای روش های پیش پردازش داده ها بر اساس داده های واقعی با نرم افزار متلب |
|
| 13 |
ارائه مدل پایه ای شبکه عصبی مصنوعی: آشنایی با ساختار |
|
| 14 |
آموزش روش مدل سازی با شبکه عصبی مصنوعی در متلب با داده های واقعی |
|
| 15 |
آشنایی با تفکر مدل سازی فازی |
|
| 16 |
روش انجام مدل سازی فازی در متلب: انجام یک پروژه عملی |
|
| 17 |
آشنایی با ساختار ترکیبی مدل سازی فازی و شبمه عصبی |
|
| 18 |
آشنایی با مفهوم ترکیب مدل ها و روش های آن |
|
| 19 |
انجام یک پروژه ساده ترکیب مدل ها |
|
| 20 |
ارائه پروژه های تحقیقاتی محول شده به دانشجویان در زمینه روش های جدید مدل سازی داده مبنا |
|
| 21 |
مروری بر انواع مدل ها و تفکر استفاده از آنها |
|
| 22 |
مقدمه ای بر مدل سازی هیبریدی |
|
| 23 |
آشنایی با روش های مدل سازی هیبریدی |
|
| 24 |
آشنایی با روش های یادگیری ماشین و انواع آنها |
|