هذه الدورة هي دورة عامة ويمكن أن تكون مفيدة لجميع المبرمجين الذين يتعاملون مع لغات البرمجة الأخرى مثل Java و C و C ++ و Python و C # و ASP.NET.

لا يمكنك العثور على هذه الدورة التدريبية في مراجع MATLAB الأخرى مثل وثائق المساعدة.

إذا كنت تريد فهم أهمية هذه الدورة ، ففكر في هذه الأمثلة:

»س = 2ˆ30 ؛

»س + 2ˆ-22 == س

الجواب = 0 (خطأ)

»س + 2ˆ-23 == س
الجواب = 1 (صحيح)

النتيجة مذهلة ، عندما تضيف رقمًا بـ 2 ^ (- 23) ، فإن القيمة النهائية تساوي الرقم. ماذا يحدث هنا؟ ستعرف بعد تعلم هذه الدورة.

للحصول على مثال آخر ، ضع في اعتبارك الصيغتين التاليتين:

بالنسبة لوجهات النظر الرياضية ، هذه المعادلات هي نفسها ، ولكن بعد كتابة رمز بسيط ، نرى أن القيمة النهائية تختلف عند زيادة x. لماذا تولد هاتان المعادلتان نتائج مختلفة؟ ربما لم نتمكن من الوثوق بالنتيجة النهائية لشفرتنا.

هل تعلم ما هو الطرح السيئ؟ في هذه الدورة ، سوف تتعلم عنها.

بعض الموضوعات في هذه الدورة هي:
تمثيل رقم النقطة العائمة 64 بت IEEE.

خطأ اقتطاع.

تقريب الخطأ.

تجاوز / تحت التدفق.

إضافة ضئيلة.

فقدان الأهمية.

تكبير الخطأ.

أخطاء الحوسبة المطلقة / النسبية.

انتشار الخطأ.

نصائح لتجنب الأخطاء الكبيرة.

الحوسبة المتداخلة للكفاءة الحسابية.

عملية المتجهات أو تكرار الحلقة.

لتجنب خطأ وقت التشغيل.

جمهور :
كل مبرمج

هزيلة

مطور

مستخدمي MATLAB

The post خطأ الكمبيوتر وأخطاء المبرمج في برمجة MATLAB appeared first on فيلم تعلم البرمجيات للطالب العربي.

يمكن أن تكون إشارات الإدخال صوتًا ، أو ملف mp3 ، أو مصفوفة رقمية ، إلخ.

The post محلل الإشارة في MATLAB appeared first on فيلم تعلم البرمجيات للطالب العربي.

تشتهر Weka بسهولة الاستخدام والعديد من طرق التنقيب عن البيانات. يمكنك العثور على نماذج أكثر أهمية في هذا البرنامج. لكل نموذج إعداداته الخاصة التي يمكن للمستخدم تغييرها لضبط تشغيله.

هناك عيوب للعمل مع برنامج Weka. أحد أهم عيوبه هو ثبات وظائف هذا البرنامج. بمعنى آخر ، لا يمكنك إجراء أي تغييرات على تنفيذ نموذج التنقيب عن البيانات ، مثل الشبكة العصبية. عليك فقط إعطاء البيانات. تعطي الإخراج. إذا كنت ترغب في تغيير كود Java لشبكة عصبية ولديك شبكة عصبية وفقًا لفكرتك ، فهذا مستحيل. لكن برنامج MATLAB لا يحتوي على هذه المشكلة. في MATLAB ، يمكنك إجراء أي تغييرات تريدها على الكود.

العيب التالي لـ Weka هو أن كل شيء يتم كواجهة مستخدم رسومية. هذا يعني أنه يتم تنفيذ جميع العمليات بنقرة المستخدم ويتم تحديد نافذة لكل مهمة. لذلك إذا كنت تريد إجراء تغيير في عملية البرنامج ، فعليك أن تفعل كل شيء من البداية بنقرة واحدة. لكن في MATLAB يمكنك تنفيذ مشروع كبير وتغيير جزء من الوظيفة فقط انتقل إلى نفس الجزء وقم بتطبيق التغيير الخاص بك ثم شاهد نتيجة التغييرات الجديدة بنقرة واحدة فقط.

تتمثل إحدى مشكلات MATLAB في عدم وجود جميع وظائف Weka. برنامج Weka أكثر اكتمالا من MATLAB من حيث عدد النماذج. لذلك ، في بعض الأحيان يكون من الضروري بالنسبة لنا استدعاء إحدى وظائف Weka في MATLAB واستخدامها.

في هذا الفيديو التعليمي ، نريد أن نعلمك كيفية استخدام وظائف Weka في MATLAB.

The post كيفية استخدام Weka في MATLAB appeared first on فيلم تعلم البرمجيات للطالب العربي.

في بعض المشاريع ، نحتاج إلى تحديد ميزة للعثور على أفضل الميزات بين جميع الميزات المتاحة. هناك العديد من الأسباب لاختيار الميزة.

في هذا الفيديو التعليمي ، أصف مشروع MATLAB الذي يستخدم ABC لاختيار الميزة.

النموذج هو Support Vector Machine (SVM) ، ولكن يمكنك استخدام أي نموذج آخر مثل الشبكة العصبية الاصطناعية ، ANFIS ، شجرة القرار ، Bayesian ، الانحدار.

The post اختيار الميزة على أساس مستعمرة النحل الاصطناعية (ABC) appeared first on فيلم تعلم البرمجيات للطالب العربي.

في هذا البرنامج التعليمي ، ستتعرف على حل هذا الخطأ في MATLAB.

يجب أن تحتوي دالة العضوية الغاوسية على قيمة سيجما غير صفرية

يحدث هذا الخطأ عندما تريد استخدام دالة anfis في MATLAB.

ابدأ تدريب ANFIS …

1 -نان (الهند)
2 -نان (الهند)
3 نان (الهند)
4 -نان (الهند)
5 -نان (الهند)
6 نان (الهند)
7 نان (الهند)
8 نان (الهند)
9 نان (الهند)
10 -نان (الهند)

تم الوصول إلى رقم الحقبة المحددة -> تم الانتهاء من تدريب ANFIS في ذلك الوقت

خطأ في استخدام fismf / set. المعلمات (السطر 217)
يجب أن تحتوي دالة العضوية الغاوسية على قيمة سيجما غير صفرية.

خطأ في anfis> createVar (السطر 428)
mf (j). المعلمات = svar (i) .mf (j) .params ؛

خطأ في anfis> convertToObject (السطر 393)
obj.Inputs = createVar (s.input ، numInputs) ؛

خطأ في anfis> trainFIS (السطر 229)
t_fismat = convertToObject (t_fismat) ،

خطأ في anfis> anfisWithOptionalInputs (السطر 351)
[varargout {1: nargout}] = trainFIS (trn_data، in_fismat، t_opt، d_opt، …

خطأ في Anfis (السطر 69)
[varargout {1: nargout}] = anfisWithOptionalInputs (trn_data، varargin {:}) ؛

يمكن أن يحدث هذا الخطأ أيضًا في Neuro-Fuzzy Designer ،

في هذا البرنامج التعليمي ، ستتعلم كيفية حل هذا الخطأ في MATLAB.

بعد الشراء ، ستتلقى رابط التنزيل لهذا الفيديو التعليمي.

The post يجب أن تحتوي دالة العضوية الغاوسية على قيمة سيجما غير صفرية appeared first on فيلم تعلم البرمجيات للطالب العربي.

في هذا البرنامج التعليمي ، ستتعرف على حل هذا الخطأ في MATLAB.

“خطأ: يجب أن تكون قيمة النطاق الأعلى للمتغير أكبر من النطاق الأدنى”.

يحدث هذا الخطأ عندما تريد استخدام دالة genfis في MATLAB.

خطأ في استخدام fisvar / set.Range (السطر 218)
يجب أن تكون قيمة النطاق الأعلى للمتغير أكبر من قيمة النطاق الأدنى.

خطأ في genfis2 (السطر 203)
var (i) .Range = النطاقات (i ، 🙂 ؛

خطأ في جينفيس (السطر 77)
fis = genfis2 (Xin، Xout، args {:}) ؛

يمكن أن يحدث هذا الخطأ أيضًا في Neuro-Fuzzy Designer ،

في هذا البرنامج التعليمي ، ستتعلم كيفية حل هذا الخطأ في MATLAB.

بعد الشراء ، ستتلقى رابط التنزيل لهذا الفيديو التعليمي.

The post يجب أن تكون قيمة النطاق الأعلى للمتغير أكبر من النطاق الأدنى appeared first on فيلم تعلم البرمجيات للطالب العربي.

يعمل فريق MathWorks ، مثل جميع صناديق الأدوات الأخرى ، على زيادة الأداء بشكل متزايد وإزالة قيود مجموعة أدوات BIG DATA ، بحيث تم ربط العديد من صناديق الأدوات المتخصصة في الإصدار الأول من 2017 بصندوق الأدوات ، مما يتيح للمستخدمين عدم الحاجة إلى أي جديد البرمجيات ولغة البرمجة وأيضًا دون الحاجة إلى التجميع والمعالجة المتوازية لأجهزة الكمبيوتر واستخدام الذاكرة المعممة والدخول إلى عالم تحليل البيانات الضخمة بمساعدة كمبيوتر محمول منزلي. أدى تحليل البيانات الأكبر من سعة الذاكرة ، بمساعدة لغة عالية المستوى تسمى MATLAB ، إلى إزالة العديد من العقبات التي تعترض تطور الأفراد وانتشار هذه المعرفة الوليدة.

دورة تحليل البيانات الضخمة:
العديد من البرامج التعليمية هذه الأيام ، على عكس الأفلام ، ليست مفتوحة!

البرامج التعليمية التي تقدم مجموعة من الأدوات فقط ويتعلم المستخدمون الموضوعات المذكورة ، لكنهم لا يعرفون كيفية استخدام الأداة ، والأهم من ذلك ، لا يعرفون مكان استخدام الأداة.

في الدورة التالية ، قبل تقديم مجموعة أدوات البيانات الضخمة ، يتم شرح وتنفيذ مفهوم تحليل البيانات بالإضافة إلى أهم الأساليب المستخدمة فيه (من البسيط إلى المتقدم) في البرنامج.

في هذا الصدد ، في نهاية الفصول ، يتم وضع الاختبارات والمشاريع بحيث يمكن للمستخدمين تلخيص ما تعلموه خطوة بخطوة.

في الخطوة التالية ، يتم تقديم مجموعة أدوات البيانات الضخمة ويتم تعريف المستخدمين بمفاهيمها الجديدة وتعلم كيفية استخدام هذه الأداة من خلال النظر في الأمثلة.

بعد ذلك ، يمنح الجمع بين طرق تحليل البيانات المذكورة وصندوق أدوات البيانات الضخمة للمستخدمين قدرة جديدة في صميم تحليل البيانات الضخمة.

في الخطوة الأخيرة ، من خلال تنفيذ أمثلة عملية للغاية في العالم الحقيقي ، الوجهة النهائية في سبب وكيفية الكشف عن طبيعة هذه الدورة التدريبية.

المتطلبات الأساسية لهذه الدورة:
تتطلب هذه الدورة التمكن من المفاهيم الرياضية الأساسية. تعتمد موضوعات النظرية الأخرى على تطبيق هذه الأداة على الأفراد. في أي نظام هناك حاجة إلى نموذج رياضي ومنطقي لتحليل النظام وتحسينه ، وإتقان هذه المفاهيم هو مسؤولية الأفراد ولا يمكن عرضها في موضوعات هذه الدورة. في الأمثلة العملية ، حيثما تكون المعلومات النظرية مطلوبة في النظام ، سيتم شرحها في نفس القسم. فيما يتعلق بالبرمجة ، من الضروري أن يكون الجمهور العزيز قد اجتاز دورة البرمجة التمهيدية باستخدام برنامج MATLAB.

The post تحليل البيانات الضخمة باستخدام برنامج MATLAB appeared first on فيلم تعلم البرمجيات للطالب العربي.

لإنشاء نظام ضبابي مثالي يعتمد على مجموعات بيانات الإدخال والإخراج ، استخدم ANFIS في مربع أدوات Fuzzy. كما نعلم ، فإن الأساليب العصبية الضبابية ، التي تستخدم مزايا كل من الطرق الضبابية والعصبية ، لديها القدرة على التعامل مع عدم اليقين والضوضاء في النظام المتحكم فيه. لذلك ، من الممكن تحويل بنية ضبابية لبعضها البعض عن طريق شبكة عصبية ، والعكس صحيح. في الواقع ، من الممكن الاستفادة من كلتا الطريقتين. حتى الآن ، تم اقتراح العديد من الخوارزميات لتدريس القواعد الغامضة والتنظيم الأمثل لوظائف العضوية بواسطة الشبكات العصبية.

في مربع أدوات Fuzzy في برنامج MATLAB ، يتم استخدام طريقة ANFIS لهذا الغرض. تم اقتراح هذا الهيكل بواسطة Jang [1]. ANFIS هو نظام استدلال ضبابي ذو قدرة تكيفية ، وهو في الواقع شبكة عصبية تلقائية مع إمكانية التدريب. في مربع الأدوات Fuzzy ، هناك طريقتان لتدريب الشبكة العصبية المرتبطة بهذه البنية.

طريقة الانتشار العكسي للخطأ
الطريقة الهجينة ، وهي في الواقع مزيج من طريقة انتشار الخطأ والمربعات الصغرى.
لا يمكن تنفيذ هذا الهيكل إلا في نظام Sugeno الضبابي. يجب أن يكون نظام Sugeno الغامض صفريًا أو أمرًا واحدًا. النظام الغامض الذي حصلت عليه ANFIS له ناتج واحد فقط وعملية غير غامضة هي متوسط ​​مرجح. جميع وظائف عضوية الإخراج هي نفسها وهي من النوع الخطي أو الثابت.

إنشاء هيكل غامض باستخدام ANFIS:
في مربع الأدوات Fuzzy ، يوجد حلان لإنشاء بنية ضبابية باستخدام ANFIS. الطريقة الأولى هي فصل الشبكة والطريقة الثانية هي تجميع الاختزال. يتم استخدام الأمر genefis1 لإنشاء بنية ضبابية من خلال طريقة فصل الشبكة ويتم استخدام طريقة genfis2 إذا تم استخدام طريقة تجميع الاختزال. يمكن إنشاء الهيكل الغامض مع عدد وظائف العضوية ونوع وظيفة العضوية المطلوبة.

للتبسيط ، نفترض أن نظامنا الضبابي يحتوي على مدخلين x و y وأن ناتجه هو z. الآن إذا كانت القواعد كما يلي:

وإذا استخدمنا متوسط المراكز للمولد غير الضبابي ، فسيكون الناتج كالتالي:

سيكون الهيكل المكافئ لـ ANFIS كما يلي:

J. -. R. Jang ، “ANFIS: نظام الاستدلال الضبابي القائم على الشبكة التكيفية ،” في IEEE Transactions on Systems ، Man ، and Cybernetics ، المجلد. 23 ، لا. 3، pp.665-685، May-June 1993، دوى: 10.1109 / 21.256541.

The post العصبية الضبابية (ANFIS) في MATLAB appeared first on فيلم تعلم البرمجيات للطالب العربي.

تتضمن النظرية الضبابية أربع خطوات للبناء الغامض ، وقاعدة بيانات القانون الضبابي ، ومحرك الاستدلال الغامض ، والبناء غير الضبابي.

مقارنة بين المنطق الضبابي والمنطقي للأستاذ لطفي زاده:
المنطق الكلاسيكي هو مثل شخص يرتدي ثوبًا رسميًا أسود ، وبلوزة بيضاء ، وربطة عنق سوداء ، وأحذية لامعة ، وما إلى ذلك ، عندما يأتي إلى حفلة رسمية ، والمنطق الضبابي مشابه إلى حد ما لشخص يرتدي فستان رسمي ، وبنطلون ، وقميص ، و أحذية. جاء القماش إلى نفس الحفلة. لم يكن هذا الفستان مقبولاً في الماضي ، لكنه اليوم مختلف.

تعريف الأنظمة الضبابية وأنواعها
تم تعريف كلمة fuzzy بشكل غامض في قاموس أكسفورد. إذا أردنا تعريف نظرية المجموعات الغامضة ، يجب أن نقول إنها نظرية للعمل في ظروف عدم اليقين ؛ هذه النظرية قادرة رياضيًا على صياغة العديد من المفاهيم والمتغيرات والأنظمة غير الدقيقة وتوفر أساسًا للتفكير والاستدلال والسيطرة واتخاذ القرار في ظروف عدم اليقين.

لماذا الأنظمة الضبابية؟
عالمنا الحقيقي معقد للغاية بحيث لا يمكننا التوصل إلى وصف دقيق ؛ لذلك ، بالنسبة للنموذج ، يجب تقديم وصف تقريبي أو غامض يكون مقبولاً وقابل للتحليل.
مع تقدمنا ​​نحو عصر المعلومات ، تصبح المعرفة البشرية مهمة للغاية. لذلك ، نحتاج إلى فرضية يمكنها صياغة المعرفة البشرية بشكل منهجي ودمجها ، جنبًا إلى جنب مع النماذج الرياضية الأخرى ، في الأنظمة الهندسية.

ماذا تشبه الأنظمة الضبابية؟
الأنظمة الضبابية هي أنظمة تستند إلى المعرفة أو القواعد ؛ إن قلب النظام الغامض هو قاعدة معرفية تتكون من قواعد “الشرط” الغامضة.
قاعدة if-then fuzzy هي تعبير if-then الذي يتم تحديد كلماته من خلال وظائف الانتماء المستمرة.

مثال:
إذا كانت سرعة السيارة عالية ، فقم بتطبيق قوة أقل على دواسة الوقود.
يُشار إلى الكلمتين “مرتفع” و “منخفض” بوظائف الانتماء ؛

مثال:
لنفترض أننا نريد تصميم وحدات تحكم تتحكم في سرعة السيارة تلقائيًا. الحل هو محاكاة سلوك السائقين. هذا يعني تحويل القواعد التي يستخدمها السائق أثناء القيادة إلى وحدة تحكم تلقائية.

في اللغة العامية ، يستخدم السائقون بشكل طبيعي القواعد الثلاثة التالية أثناء القيادة:
إذا كانت السرعة منخفضة ، فقم بتطبيق المزيد من القوة على دواسة الوقود.
إذا كانت السرعة متوسطة ، فقم بتطبيق قوة متوازنة على دواسة الوقود.
إذا كانت السرعة عالية ، فقم بتطبيق قوة أقل على دواسة الوقود.

باختصار ، نقطة البداية لبناء نظام غامض هي الحصول على مجموعة من القواعد إذا كانت غامضة من معرفة الخبراء أو المجال ؛ الخطوة التالية هي دمج هذه القواعد في نظام واحد.

أنواع الأنظمة الضبابية
أنظمة ممداني الضبابية
Takagi-Sugnokang Fuzzy Systems (TSK)
أنظمة الطور العصبي

نظام ممداني الضبابي
يجمع محرك الاستدلال الغامض هذه القواعد في تعيين من مجموعات ضبابية في مساحة الإدخال إلى مجموعات ضبابية في مساحة الإخراج بناءً على مبادئ المنطق الضبابي.
المشكلة الرئيسية في أنظمة ممداني الضبابية هي أن مدخلاتها ومخرجاتها عبارة عن مجموعات ضبابية. في النظم الهندسية ، تعتبر المدخلات والمخرجات متغيرات ذات قيم حقيقية.
لحل هذه المشكلة ، قدم Takagi Sugeno نوعًا آخر من الأنظمة الضبابية التي تكون مدخلاتها ومخرجاتها متغيرات ذات قيم حقيقية.

نظام Takagi-Sugo الضبابي
وهكذا أصبحت القاعدة الغامضة علاقة بسيطة من التعبير الوصفي إلى القيم اللغوية. على سبيل المثال ، في حالة السيارة ، يمكن القول أنه إذا كانت سرعة السيارة X ، فإن القوة الواقعة على دواسة الوقود تساوي Y = CX.
المشاكل الرئيسية لنظام TSK الضبابي هي:
قسم “إذن” هو قاعدة المعادلة الرياضية ، وبالتالي لا يوفر إطارًا لتمثيل المعرفة البشرية.
هذا النظام لا يترك لنا الحرية في تطبيق المبادئ المختلفة للمنطق الضبابي ، ونتيجة لذلك ، لا توجد مرونة للأنظمة الضبابية في هذا الهيكل.
لحل هذه المشكلات تم استخدام النوع الثالث من الأنظمة الضبابية وهو نظام ضبابي بمولدات ضبابية ومولدات غير ضبابية.

عناوين الفيديو التعليمية: (صفر الى مائة)
مقدمة

تاريخ الأنظمة الضبابية

من أين بدأت الفكرة المنطقية الغامضة؟

ما هو المنطق البشري؟

مفهوم الدرجة وجدول الحقيقة

ماذا يفعل المنطق الضبابي؟

مفهوم القواعد غامض

شرح مخطط كتلة النظام الضبابي

الفرق بين القيمة الواضحة والقيمة الغامضة

وصف نظام الاستدلال الضبابي (FIS)

وصف كامل لمثال لنظام غامض

مفهوم المجموعة الغامضة

درجة العضوية

مثال على مجموعة ضبابية

الفرق بين المجموعة الكلاسيكية والمجموعة الضبابية

التفكير بمنطق ضبابي

منطق ثنائي منطقي

مفهوم وظيفة العضوية

وظيفة العضوية من مستويين

وظيفة العضوية عبر الإنترنت

في

تم اقتراح نظرية المجموعات الغامضة في عام 1965 من قبل البروفيسور لطفي أصغر زاده ، وهو عالم إيراني وأستاذ في جامعة بيركلي في الولايات المتحدة. تم تعريف كلمة غامضة في قاموس أكسفورد بشكل غامض وغامض وغير دقيق. يعد استخدام هذا النموذج مناسبًا عندما تكون البيانات غامضة وغير مؤكدة وغير دقيقة.

تتضمن النظرية الضبابية أربع خطوات للبناء الغامض ، وقاعدة بيانات القانون الضبابي ، ومحرك الاستدلال الغامض ، والبناء غير الضبابي.

مقارنة بين المنطق الضبابي والمنطقي للأستاذ لطفي زاده:
المنطق الكلاسيكي هو مثل شخص يرتدي ثوبًا رسميًا أسود ، وبلوزة بيضاء ، وربطة عنق سوداء ، وأحذية لامعة ، وما إلى ذلك ، عندما يأتي إلى حفلة رسمية ، والمنطق الضبابي مشابه إلى حد ما لشخص يرتدي فستان رسمي ، وبنطلون ، وقميص ، و أحذية. جاء القماش إلى نفس الحفلة. لم يكن هذا الفستان مقبولاً في الماضي ، لكنه اليوم مختلف.

تعريف الأنظمة الضبابية وأنواعها
تم تعريف كلمة fuzzy بشكل غامض في قاموس أكسفورد. إذا أردنا تعريف نظرية المجموعات الغامضة ، يجب أن نقول إنها نظرية للعمل في ظروف عدم اليقين ؛ هذه النظرية قادرة رياضيًا على صياغة العديد من المفاهيم والمتغيرات والأنظمة غير الدقيقة وتوفر أساسًا للتفكير والاستدلال والسيطرة واتخاذ القرار في ظروف عدم اليقين.

لماذا الأنظمة الضبابية؟
عالمنا الحقيقي معقد للغاية بحيث لا يمكننا التوصل إلى وصف دقيق ؛ لذلك ، بالنسبة للنموذج ، يجب تقديم وصف تقريبي أو غامض يكون مقبولاً وقابل للتحليل.
مع تقدمنا ​​نحو عصر المعلومات ، تصبح المعرفة البشرية مهمة للغاية. لذلك ، نحتاج إلى فرضية يمكنها صياغة المعرفة البشرية بشكل منهجي ودمجها ، جنبًا إلى جنب مع النماذج الرياضية الأخرى ، في الأنظمة الهندسية.

ماذا تشبه الأنظمة الضبابية؟
الأنظمة الضبابية هي أنظمة تستند إلى المعرفة أو القواعد ؛ إن قلب النظام الغامض هو قاعدة معرفية تتكون من قواعد “الشرط” الغامضة.
قاعدة if-then fuzzy هي تعبير if-then الذي يتم تحديد كلماته من خلال وظائف الانتماء المستمرة.

مثال:
إذا كانت سرعة السيارة عالية ، فقم بتطبيق قوة أقل على دواسة الوقود.
يُشار إلى الكلمتين “مرتفع” و “منخفض” بوظائف الانتماء ؛

مثال:
لنفترض أننا نريد تصميم وحدات تحكم تتحكم في سرعة السيارة تلقائيًا. الحل هو محاكاة سلوك السائقين. هذا يعني تحويل القواعد التي يستخدمها السائق أثناء القيادة إلى وحدة تحكم تلقائية.

في اللغة العامية ، يستخدم السائقون بشكل طبيعي القواعد الثلاثة التالية أثناء القيادة:
إذا كانت السرعة منخفضة ، فقم بتطبيق المزيد من القوة على دواسة الوقود.
إذا كانت السرعة متوسطة ، فقم بتطبيق قوة متوازنة على دواسة الوقود.
إذا كانت السرعة عالية ، فقم بتطبيق قوة أقل على دواسة الوقود.

باختصار ، نقطة البداية لبناء نظام غامض هي الحصول على مجموعة من القواعد إذا كانت غامضة من معرفة الخبراء أو المجال ؛ الخطوة التالية هي دمج هذه القواعد في نظام واحد.

أنواع الأنظمة الضبابية
أنظمة ممداني الضبابية
Takagi-Sugnokang Fuzzy Systems (TSK)
أنظمة الطور العصبي

نظام ممداني الضبابي
يجمع محرك الاستدلال الغامض هذه القواعد في تعيين من مجموعات ضبابية في مساحة الإدخال إلى مجموعات ضبابية في مساحة الإخراج بناءً على مبادئ المنطق الضبابي.
المشكلة الرئيسية في أنظمة ممداني الضبابية هي أن مدخلاتها ومخرجاتها عبارة عن مجموعات ضبابية. في النظم الهندسية ، تعتبر المدخلات والمخرجات متغيرات ذات قيم حقيقية.
لحل هذه المشكلة ، قدم Takagi Sugeno نوعًا آخر من الأنظمة الضبابية التي تكون مدخلاتها ومخرجاتها متغيرات ذات قيم حقيقية.

نظام Takagi-Sugo الضبابي
وهكذا أصبحت القاعدة الغامضة علاقة بسيطة من التعبير الوصفي إلى القيم اللغوية. على سبيل المثال ، في حالة السيارة ، يمكن القول أنه إذا كانت سرعة السيارة X ، فإن القوة الواقعة على دواسة الوقود تساوي Y = CX.
المشاكل الرئيسية لنظام TSK الضبابي هي:
قسم “إذن” هو قاعدة المعادلة الرياضية ، وبالتالي لا يوفر إطارًا لتمثيل المعرفة البشرية.
هذا النظام لا يترك لنا الحرية في تطبيق المبادئ المختلفة للمنطق الضبابي ، ونتيجة لذلك ، لا توجد مرونة للأنظمة الضبابية في هذا الهيكل.
لحل هذه المشكلات تم استخدام النوع الثالث من الأنظمة الضبابية وهو نظام ضبابي بمولدات ضبابية ومولدات غير ضبابية.

عناوين الفيديو التعليمية: (صفر الى مائة)
مقدمة

تاريخ الأنظمة الضبابية

من أين بدأت الفكرة المنطقية الغامضة؟

ما هو المنطق البشري؟

مفهوم الدرجة وجدول الحقيقة

ماذا يفعل المنطق الضبابي؟

مفهوم القواعد غامض

شرح مخطط كتلة النظام الضبابي

الفرق بين القيمة الواضحة والقيمة الغامضة

وصف نظام الاستدلال الضبابي (FIS)

وصف كامل لمثال لنظام غامض

مفهوم المجموعة الغامضة

درجة العضوية

مثال على مجموعة ضبابية

الفرق بين المجموعة الكلاسيكية والمجموعة الضبابية

التفكير بمنطق ضبابي

منطق ثنائي منطقي

مفهوم وظيفة العضوية

وظيفة العضوية من مستويين

وظيفة العضوية عبر الإنترنت

في

The post نظام ضبابي في MATLAB appeared first on فيلم تعلم البرمجيات للطالب العربي.

في بنية هذه الشبكة ، من أجل تطبيق التعيين على الصورة ، يُعتبر أن كل اتصال عصبي يطبق نفس التحويل المحلي على جميع التحولات المكانية. مع هذا الحكم ، يتم زيادة النسبة بين درجة حرية النظام وعدد العينات المطلوبة للتعلم بشكل كبير ويؤدي إلى تعزيز قوة تعميم النظام. تُظهر هذه الميزة كفاءتها في مجال معالجة الصور ، حيث نواجه عادةً مشكلة أن الحجم الكبير للإدخال يؤدي إلى مشكلة مطروحة بشكل سيء.

في بنية هذه الشبكة ، تتكرر أوزان الشبكة على المصفوفات المكانية ، مما يجعل هذا النوع من الشبكات غير حساس بطبيعته لنقل المدخلات. هذه الميزة مفيدة أيضًا لمعالجة الصور. بالإضافة إلى ذلك ، فإن تنفيذ هذه الشبكة على الأجهزة أمر سهل ، مما يجعل من الممكن استخدامها في التطبيقات غير المنقطعة. تستخدم CNN حاليًا في أمور مثل معالجة الكتابة اليدوية والتعرف على الوجوه.

عنوان:
تعلم عميق

الاختلافات بين نماذج التعرف على الأنماط التقليدية والتعلم العميق

ما هو مستخرج الميزات القابلة للتدريب؟

الهيكل العام لنظام التعرف على الأنماط

هيكل نظام الكشف عن الأشياء

يتميز بالتخيل في مراحل نظام التعلم العميق (الشبكة التلافيفية)

ميزة المستوى المنخفض ، ميزة المستوى المتوسط ​​، ميزة المستوى العالي

اللحاء البصري (من أين أتت فكرة التعلم العميق؟)

إدخال ثلاثة هياكل تعلم عميقة (التغذية الأمامية ، التغذية الخلفية ، ثنائية الاتجاه)

لماذا نحتاج التعلم العميق؟

ما هي النماذج العميقة؟ هل نماذج MLP و SVM والطبقة المزدوجة وشجرة القرار عميقة؟

في أي التطبيقات يتم استخدام التعلم العميق اليوم؟

قارن النماذج

(التعزيز ، الإدراك ، SVM ، AE ، شجرة القرار ، RBM ، DBN ، DBM ، GMM ، الترميز الاحتياطي ، BayesNP ، الشبكة التقليدية ، RNN ، الشبكة العصبية)

الهيكل العام للشبكة العصبية التلافيفية

إدخال كتلة التطبيع

تقديم كتلة تصفية البنك

إدخال الكتلة غير الخطية

إدخال كتلة التجميع أو الاختزال الجزئي

إدخال تغييرات على صورة أثناء مرورها عبر طبقات مختلفة من الشبكة العصبية التلافيفية

إدخال بنية الشبكة العصبية التلافيفية

ما الذي يغير الصورة بعد الالتواء؟

ما الذي يغير الصورة بعد التجميع؟

مفهوم الالتواء في الصورة

نافذة في الالتواء

مفهوم التجميع في الصورة

مثال على مشغل متوسط ​​محلي

اعرض صورة كل مرحلة من مراحل الشبكة العصبية التلافيفية

خوارزمية ما قبل الانتشار للخطأ في الشبكة العصبية التلافيفية

مثال رقمي لمشغل تلافيفي

استخدامان لتحديد إشارات المرور وتحديد أرقام المنازل

مثال على شبكة عصبية تلافيفية تحدد موضوع مشهد في مقطع فيديو

مثال على الشبكة العصبية التلافيفية في اكتشاف الكائن

The post الشبكة العصبية التلافيفية في MATLAB appeared first on فيلم تعلم البرمجيات للطالب العربي.