دسته بندی

در حال حاضر محصولی در سبد خرید شما وجود ندارد.

پنل کاربری

رمز خود را فراموش کرده اید؟ اگر اولین بار است از سایت جدید استفاده میکنید باید پسورد خود را ریست نمایید.

آموزش پیشرفته شبکه های عصبی در زبان R

دانلود Udemy Advanced Neural Networks in R – A Practical Approach

10,900 تومان
بیش از یک محصول به صورت دانلودی میخواهید؟ محصول را به سبد خرید اضافه کنید.
افزودن به سبد خرید
خرید دانلودی فوری

در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.

ویدئو معرفی این محصول

با مشاهده این کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با زبان R یاد می گیرید.

عنوان اصلی : Advanced Neural Networks in R - A Practical Approach

این مجموعه آموزش ویدیویی محصول موسسه آموزشی Udemy است که بر روی 1 حلقه دیسک ارائه شده و به مدت زمان 3 ساعت و 12 دقیقه در اختیار علاقه مندان قرار می گیرد.

در ادامه با برخی از سرفصل های درسی این مجموعه آموزش آشنا می شویم :


شروع به کار:
معرفی
multilayer perceptron - فراتر از اصول اولیه:
Perceptrons چند لایه چیست؟
چگونه Perceptrons چند لایه کار می کنند؟
چگونه چند لایه Perceptron یاد می گیرد؟
متریک دقت پیش بینی
منحنی ROC
با استفاده از MLPS با متغیرهای پاسخ قطعی: ساخت شبکه
استفاده از MLPS با متغیرهای پاسخ قطعی: پیش بینی ها
استفاده از MLPS با متغیرهای پاسخ قطعی: منحنی ROC
استفاده از MLPS با متغیرهای پاسخ قطعی: بازی با گره های پنهان
با استفاده از MLPS با متغیرهای پاسخ قطعی: اعتبار K برابر
استفاده از MLPS با متغیرهای پاسخ مداوم: ساخت شبکه
استفاده از MLPS با متغیرهای پاسخ مداوم: پیش بینی ها
استفاده از MLPS با متغیرهای پاسخ مداوم: دستکاری گره های پنهان
استفاده از MLPS با متغیرهای پاسخ مداوم: اعتبار K برابر
شبکه های عصبی احتمالی:
شبکه های عصبی Probableist چیست؟
تهیه اطلاعات
ساخت شبکه
پیش بینی ها
پیدا کردن سیگما مطلوب
اعتبار مدل ما


Getting Started :
Introduction

Multilayer Perceptron - Beyond the Basics :
What Are Multilayer Perceptrons?
How Multilayer Perceptrons Work?
How Does a Multilayer Perceptron Learn?
Prediction Accuracy Metrics
ROC Curve
Using MLPs With Categorical Response Variables: Building the Network
Using MLPs With Categorical Response Variables: Making Predictions
Using MLPs With Categorical Response Variables: ROC Curve
Using MLPs With Categorical Response Variables: Playing With the Hidden Nodes
Using MLPs With Categorical Response Variables: K-Fold Validation
Using MLPs With Continuous Response Variables: Building the Network
Using MLPs With Continuous Response Variables: Making Predictions
Using MLPs With Continuous Response Variables: Manipulating the Hidden Nodes
Using MLPs With Continuous Response Variables: K-Fold Validation

Probabilistic Neural Networks :
What Are Probablistic Neural Networks?
Data Preparation
Building the Network
Making Predictions
Finding the Optimal Sigma
Validating Our Model

Generalized Regression Neural Networks :
What Are Generalized Regression Neural Networks?
Data Preparation
Building the Network
Making Predictions
Finding the Optimal Sigma

Recurrent Neural Networks :
What Are Recurrent Neural Networks?
Measuring the Predictive Performance
Elman Networks: Data Preparation
Elman Networks: Building the Model
Elman Networks: Making Predictions
Elman Networks: Adding More Predictors
Elman Networks: Making Predictions With Our New Model
Jordan Networks: Data Preparation
Jordan Networks: Building the Model
Jordan Networks: Making Predictions

Practice :
Data Sets Description
Practical Exercises

Useful Links :
Download Your Resources Here