درس مبانی کامپیوتر و برنامه نویسی

نویسنده:
۸ بهمن ۹۴

 

آموزش ایجاد ایمیل (یاهو) و استفاده از آن   {پوشه حاوی سه فایل زیپ است که با نرم افزار 7zip فشرده شده اند.}

توضیح: در صورتی که نرم افزارهای مشابه 7zip مانند Winrar و WinZip روی سیستم شما نصب باشد ممکن است بتوانید فایل باز کنید. در غیر این صورت می توانید از نرم افزار رایگان 7-zip  استفاده کنید. این نرم افزار را می توانید از اینجا دانلود کنید. دقت کنید بسته به اینکه کامپیوتر شما 64 بیتی یا 32 بیتی است به ترتیب نسخه ی x64 یا x32 را دانلود کنید. برای اطلاع از اینکه کامپیوتر شما 64 بیتی یا 32 بیتی است به control panel رفته و  System را باز کنید. در بخش System type نوع سیستم شما مشخص شده است.

آموزش نصب نرم افزار متلب (فیلم آموزشی متعلق به شرکت پرنیان است).

بازیابی تصویر (Image restoration)

نویسنده:
۵ بهمن ۹۳

در این نوشتار یک مجموعه اسلاید درباره ی بازیابی تصویر قرار داده و کمی درباره ی مساله ی بازیابی تصویر از یک دیدگاه کلی صحبت کرده ام که امیدوارم برایتان جالب باشد.
در بسیاری از مساله ها به دلیل از بین رفتن اطلاعات، با مشاهداتی ناقص یا معیوب روبرو هستیم. این اطلاعات ممکن است در اثر نقص های فرایند ضبط سیگنال، فشرده سازی یا انتقال سیگنال از بین رفته باشند. هدف از بازیابی سیگنال، بازیابی اطلاعات از بین رفته است.
مثلا ممکن است تصویری داشته باشیم که در اثر نویز روی کانال انتقال آسیب دیده باشد.
p14-1-restoration
(بیشتر…)

تعبیر هندسی مقدارویژه و بردارویژه

نویسنده:
۲۸ مرداد ۹۳

بردارویژه ها و مقدارویژه ها کاربردهای مهمی در یادگیری ماشین، بینایی ماشین و سایر شاخه های علمی و مهندسی دارند. در پرسش هفتم از (همه چیز درباره ی کاهش بعد داده ها با روش PCA ! – قسمت دوم)، بردارویژه ها و مقدارویژه ها را تعریف کردم و نحوه ی محاسبه ی آنها را با نرم افزار متلب و بصورت دستی بیان کردم. در این نوشتار ابزاری در متلب به نام eigshow را به شما معرفی خواهم کرد که با استفاده از آن می توانید درک ملموس تری از تعبیر هندسی آنها داشته باشید. با استفاده از این ابزار به راحتی می توانید مقدارویژه ها و بردارویژه های انواع ماتریس های دو در دو را بررسی کنید.

(بیشتر…)

همه چیز درباره ی کاهش بعد داده ها با روش PCA ! – قسمت سوم

نویسنده:
۹ تیر ۹۳

اگر هنگام بکار بردن روش PCA روی یک مجموعه داده با خطای کمبود حافظه مواجه شده اید مطالب این قسمت برای شماست.

p11-1

دراین قسمت روش محاسبه ی مولفه های اصلی برای مجموعه داده های با بعد خیلی زیاد (Very high Dimensional Data) توضیح داده خواهد شد.

(بیشتر…)

همه چیز درباره ی کاهش بعد داده ها با روش PCA ! – قسمت دوم

نویسنده:
۱۶ خرداد ۹۳

در این قسمت نکات تکمیلی برای استفاده از PCA در قالب 7 پرسش و پاسخ بیان شده است. بنابراین می توانید آنچه را لازم دارید مطالعه کنید.

بعد از مطالعه ی این نوشتار با مطالب زیر آشنا خواهید شد:

–          PCA برای ویژگی های با مقیاس های متفاوت

–          PCA برای الگوریتم های با نظارت

–          ارتباط PCA با overfitting

–          همیشه نگاشت در جهت بیشترین تغییرات خوب نیست.( اشاره ای کوتاه به روش FDA/LDA)

–          اشاره ای کوتاه به کاربرد PCA روی داده های تصویری

–          محاسبه ی مقدار ویژه ها وبردار ویژه ها (با متلب و دستی)

(بیشتر…)

همه چیز درباره ی کاهش بعد داده ها با روش PCA ! – قسمت اول

نویسنده:
۲۲ فروردین ۹۳

دلایل زیادی برای کاهش بعد داده ها وجود دارد از جمله می توان موارد زیر را برشمرد:

–          سرعت الگوریتم ها با داده های با بعد کمتر بیشتر می شود

–          فضای ذخیره سازی کمتری نیاز است

–          احتمال overfitting کاهش می یابد و بنابراین قدرت تعمیم الگوریتم های یادگیر بیشتر می شود

–          برای ترسیم و بدست آوردن درکی از مجموعه داده ها گاهی بعد داده ها را به دو یا سه بعد تقلیل می دهند تا بتوانند نموداری از داده های با ابعاد زیاد ترسیم کنند.

به هر دلیلی که بخواهید کاهش بعد را انجام دهید یکی از مرسوم ترین روش های انجام این کار روش PCA است. در این نوشتار سعی شده تا حد ممکن روش PCA بصورت کامل معرفی و نحوه ی استفاده از آن در تئوری و عمل بیان شود.

(بیشتر…)

روش های عددی بهینه سازی بدون محدودیت در یک نگاه!

نویسنده:
۲۳ دی ۹۲

وقتی می خواهید بهینه تابعی را بیابید که خیلی پیچیده است- مثلا یک تابع غیر خطی با ابعاد زیاد(تعداد متغیر های زیاد) – آنوقت نمی توانید مشتق مرتبه اول آنرا بصورت مستقیم حساب کنید بنابراین باید از روش های عددی استفاده کنید.

منظور از بهینه سازی بدون محدودیت این است که هیچ محدودیتی روی مقادیر متغیرهای ورودی نیست.

 دانلود گراف روش های عددی بهینه سازی

منبع

http://pennlio.wordpress.com/2013/10/16/on-numercial-methods-in-unconstrained-optimizaition

ارزیابی کلاسیفایر های دودویی – قسمت دوم

نویسنده:
۱۰ دی ۹۲

در قسمت اول نشان داده شد که چطور معیار accuracy ممکن است ما را در ارزیابی کلاسیفایرهای کلاس های جانب دارانه یا skewed classes گمراه کند. احتمالا به ذهن شما نیز رسیده است که در ارزیابی کلاسیفایر های دودویی تنها معیار Accuracy گزارش نمی شود! بنابراین شاید اگر چند معیار را در نظر بگیریم بتوانیم براحتی از بین مدل های مختلف یکی را انتخاب کنیم. برای پرداختن به این موضوع بهتر است در ابتدا نگاهی به روش های معمول در ارزیابی کلاسیفایر های دودویی بیاندازیم بعد از آن مشکل مطرح شده در قسمت اول را حل خواهیم کرد.

(بیشتر…)

ارزیابی کلاسیفایرهای دودویی- تناقض accuracy – قسمت اول

نویسنده:
۲۰ آذر ۹۲

کدام یک از کلاسیفایر های زیر بهتر هستند؟

p6-0

اگر دومی را انتخاب کرده اید مطالب این نوشتار را دنبال کنید. در این نوشتار با مفاهیمی مانند کلاس های جانب دارانه (یا اریب یا skewed classes) و تناقض accuracy آشنا می شوید. و در مثالی یاد می گیریم چگونه از بین کلاسیفایر های مختلف یکی را انتخاب کنیم.

(بیشتر…)

راهنمای Visualization Toolkit

نویسنده:
۴ آذر ۹۲

این نوشتار خدمتی ناچیز به هم میهنان گرامی و پژوهشگران فارسی زبان است و هدف ازآن فراهم کردن نقطه شروع مناسبی برای کار با این ابزار قدرتمند می باشد.

p5-cover2

(بیشتر…)