آموزش الگوریتم K نزدیکترین همسایه KNN
در این پست فیلم آموزش الگوریتم K نزدیکترین همسایه یا K همسایه نزدیک (KNN) قرار داده شده است. روش K نزدیکترین همسایه نزدیک K Nearest Neighbors یا (KNN) یک روش یادگیری موردی است و از جمله ساده‌ترین الگوریتم‌های یادگیری ماشین می‌باشد. در این الگوریتم یک نمونه با رای اکثریت از همسایه‌هایش دسته‌بندی می‌شود. K یک مقدار مثبت صحیح و عموماً کوچک است. فرد بودن مقدار k مفید می‌باشد چون با این کار جلوی آراء برابر گرفته می‌شود. روش k همسایه نزدیک، برای بسیاری از روش‌ها کاربرد دارد، زیرا اثربخش، غیرپارامتریک و دارای پیاده‌سازی راحت می‌باشد. با این حال زمان دسته‌بندی‌اش طولانی است و یافتن مقدار k بهینه مشکل است.
مراحل آموزش K همسایه نزدیک
مراحل آموزش الگوریتم KNN بسیار ساده است، این الگوریتم یک نمونه تستی را بر اساس k همسایه نزدیک دسته‌بندی می‌کند. نمونه‌های آموزشی به عنوان بردارهایی در فضای ویژگی چند بعدی مطرح می‌شوند. فضا به ناحیه‌هایی با نمونه‌های آموزشی تقسیم بندی می‌شود. یک نقطه در فضا به کلاسی تعلق می‌یابد که بیشترین نقاط آموزشی متعلق به آن کلاس در داخل نزدیکترین نمونه‌ی آموزشی به k در آن باشد.
معمولا فاصله‌ی اقلیدسی یا تشابه کوسینوسی در این روش استفاده می‌شود. در فاز دسته‌بندی K Nearest Neighbors، نمونه تستی به عنوان یک بردار در فضای ویژگی نمایش داده می‌شود و فاصله‌ی اقلیدسی یا تشابه کوسینوسی بردار تستی با کل بردارهای آموزشی محاسبه می‌شود و نزدیکترین نمونه‌ی آموزشی به k انتخاب می‌شود. سه فاکتور مهم در روش k همسایه‌ی نزدیک، به شرح زیر می‌باشد:
- معیار فاصله یا شباهت، برای پیداکردن k همسایه نزدیک استفاده می‌شود.
- K تعداد همسایه‌های نزدیک است.
- قانون تصمیم‌گیری برای تعیین (شناسایی) یک کلاس برای سند تستی از k همسایه نزدیک می‌باشد.
پیش نمایش 1
توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت ویدئوی اصلی نمایش داده شوند. این ویدئو یک نسخه 8 دقیقه ای از آموزش می باشد.
مشخصات فیلم آموزشی
نام اثر : آموزش الگوریتم K نزدیکترین همسایه KNN
مدرس : مهندس امین جلیل زاده
مدت زمان : 24 دقیقه
زبان آموزش : فارسی
حجم فایل : 1 فایل با فرمت rar با حجم (28 مگابایت)
فرمت ویدئو : MP4 با کیفیت متوسط
پس از خرید این مجموعه آموزشی پاورپوینت + فیلم آموزشی در اختیار شما قرار خواهد گرفت.
درباره محصول
آموزش الگوریتم K نزدیکترین همسایه KNN عنوان محصولی است که در این پست به آن پرداخته شده است. در این آموزش به توضیح و تشریح کامل روش K همسایه نزدیک پرداخته شده و بصورت کامل توسط گروه پشتیبانی پی استور تست و بازبینی شده است. محصول دارای نشان تضمین کیفیت پی استور می باشد. برای دانلود محصول آن را خریداری کنید.
قوانین ثبت دیدگاه
- دیدگاه های فینگلیش تایید نخواهند شد.
- دیدگاه های نامرتبط به مطلب تایید نخواهد شد.
- از درج دیدگاه های تکراری پرهیز نمایید.
- امتیاز دادن به محصول فقط مخصوص خریداران آن می باشد.
اطلاعات فروشنده
- نام فروشگاه: امین جلیل زاده
- فروشنده: امین جلیل زاده رزین
- آدرس: آذربایجان شرقی
- هنوز امتیازی دریافت نکرده است!
تعیین درخت پوشای مینیمم با الگوریتم پریم در پایتون Python
الگوریتم پریم در پایتون Python برای حل مسئله درخت پوشای کمینه عنوان محصولی است که در این پست به آن پرداخته شده است. الگوریتم پریم یک روش حریصانه Heuristic است. از این الگوریتم برای حل مسئله درخت پوشا مینیمم استفاده می شود. درخت پوشای کمینه یا همان مینیمم که به اصطلاح (MST (Minimum Spanning Tree نیز گفته می شود درختی است که در آن مجموع وزن لبه به حداقل برسد و تمامی گره ها یا راس ها شامل شود.
تبدیل دیتاست NSL-KDD برای استفاده الگوریتم های یادگیری ماشین در متلب
این برنامه در نرم افزار متلب Matlab نوشته شده و بلافاصله پس از خرید، لینک دانلود محصول در اختیار شما قرار خواهد گرفت.
با خرید این محصول از مزایای زیر بهره‌مند می‌شوید:
- دسترسی به فایل محصول به صورت مادام‌العمر
- ۶ ماه پشتیبانی کاملا رایگان و تضمین شده
فیلم آموزشی الگوریتم گرگ خاکستری GWO در متلب
الگوریتم گرگ خاکستری Grey Wolf Optimizer یا به اختصار GWO یک الگوریتم فرا ابتکاری است که بر اساس رفتار و شیوه شکار گرگ های خاکستری است. در این فیلم آموزش به توضیح کامل و واضح تئوری الگوریتم گرگ خاکستری و خط به خط کد متلب الگوریتم گرگ خاکستری GWO پرداخته می شود.
چالش های محاسبات داده های بزرگ در علوم سلامت
این محصول در یک نسخه Word به تعداد 28 صفحه موجود است. و بلافاصله پس از خرید، لینک دانلود محصول در اختیار شما قرار خواهد گرفت.
با خرید این محصول از مزایای زیر بهره‌مند می‌شوید:
- دسترسی به فایل محصول به صورت مادام‌العمر
- ۶ ماه پشتیبانی کاملا رایگان و تضمین شده
مقایسه الگوریتم های حل مسئله TSP
در این پست سورس کد مقایسه الگوریتم های حل مسئله TSP قرار داده شده است. برای حل مسئله TSP یا همان فروشنده دوره گرد Traveling Salesman Problem می توان از الگوریتم های بهینه سازی یا فراابتکاری (Metaheuristic) استفاده کرد. هدف از الگوریتم های بهینه سازی يافتن یک جواب قابل قبول، با توجه به محدوديت و نياز مسئله است. در ادامه توضیحات کامل تری ارائه می شود.
تعیین درخت پوشای مینیمم با الگوریتم کروسکال در ++c
الگوریتم کروسکال یک روش حریصانه Heuristic در علوم کامپیوتر می باشد. از این الگوریتم برای حل مسئله درخت پوشا کمینه استفاده می شود. درخت پوشای کمینه یا همان مینیمم که به اصطلاح (MST (Minimum Spanning Tree نیز گفته می شود درختی است که در آن مجموع وزن لبه به حداقل برسد و تمامی گره ها یا راس ها شامل شود.
محصولات مشابه
قیمت 20,000 تومان
این محصول، فیلم آموزشی و بصورت rar قابل دانلود است. بلافاصله پس از خرید، لینک دانلود محصول در اختیار شما قرار خواهد گرفت.
با خرید این محصول از مزایای زیر بهره‌مند می‌شوید:
- دسترسی به فایل محصول به صورت مادام‌العمر
- ۶ ماه پشتیبانی کاملا رایگان و تضمین شده
امین جلیل زاده
مشاهده فروشگاهکارشناس ارشد رشته مهندسی کامپیوتر گرایش نرم افزار - پایه گذار و موسس وب سایت آموزشی پی استور، مدرس دانشگاه فنی و حرفه ای، برنامه نویس و تحلیل گر سیستم، پژوهشگر در حوزه الگوریتم های ابتکاری، فرا ابتکاری، یادگیری ماشین، شبکه و پایگاه داده. ایشان در زبان های برنامه نویسی متعدد، نظیر ++C، سی شارپ، PHP ،Java، متلب MATLAB و Python تسلط و سابقه تدریس فعال دارند.
programstore(مدیریت)
نظرات و پیشنهادات خود را با ما در میان بگذارید.
نسیم
سلام . آموزش تون از لحاظ کامل بودن برای مثال knn بسیار عالی و بی نقص بود همچنین بسیار روان توضیح داده شده . از همه مهمتر قیمتش خیلی منصفانه هست ممنونم . خدا همراهتون. یاعلی
مهسا الدی
آموزش کامل بود مرسی از شما
نگار
آموزشتون خیلی کاربردی بود ممنون 🙏
Hossein
سلام
در پک آموزشتون کد مربوطه یا مثالی همراه با کد موجوده؟