| 1 |
مقدمه: چرایی ارائه درس هوش مصنوعی، جایگاه هوش مصنوعی در انجام پروژه ها |
|
| 2 |
اصول برنامه نویسی و روش های کاهش ویژگی ها، انتخاب ویژگی های موثر، حذف داده های پرت و تحلیل حساسیت |
|
| 3 |
تعریف شبکه های عصبی و ساختار شبکه های عصبی مصنوعی |
|
| 4 |
انواع شبکه های عصبی مصنوعی |
|
| 5 |
پیاده سازی شبکه عصبی در محیط متلب: استفاده از GUI متلب و ابزار nftool |
|
| 6 |
مراحل مختلف کاری شبکه عصبی: یادگیری مفاهیم آموزش، اعتبارسنجی، آزمون به شکل عملی با حل مثال در متلب |
|
| 7 |
الگوریتم های آموزش: شرح عملکرد کاری الگوریتم های مختلف آموزش شبکه عصبی MLPو RBF |
|
| 8 |
روش های تحلیل عاملی (FA) و روش تحلیل مولفه های اصلی(PCA) |
|
| 9 |
شبکه های عصبی مصنوعی شامل MLP, RBF |
|
| 10 |
ماشین بردار پشتیبان (SVM) |
|
| 11 |
سری زمانی |
|
| 12 |
GPR |
|
| 13 |
روش های بهینه سازی: الگوریتم ژنتیک و .... |
|
| 14 |
پیاده سازی روش های بهینه سازی مانند الگوریتم ژنتیک در متلب |
|
| 15 |
روش های دیگر بهینه سازی |
|
| 16 |
آشنایی با مفاهیم عصبی - فازی |
|
| 17 |
پیاده سازی سامانه FIS در متلب |
|
| 18 |
پیاده سازی سامانه FIS در متلب |
|
| 19 |
پیاده سازی ANFIS |
|
| 20 |
پیاده سازی ANFIS |
|
| 21 |
حل مسائل مختلف کلاس بندی و خوشه بندی |
|