دانلود برنامه های یادگیری ماشین در متلب

  • خانه
  • دانلود برنامه های یادگیری ماشین در متلب
image

دانلود برنامه های یادگیری ماشین در متلب

مجموعه برنامه های نوشته شده درباره یادگیری ماشین در متلب برای دانلود قرار داده شده است. محتوای کدها به شرح زیر خواهد بود:

1) رگرسیون خطی (دسته ای ، تصادفی و حداکثر احتمال)

رگرسیون خطی یک مدل آماری برای پیش‌بینی یک یا چند متغیر از روی یک یا چند متغیر دیگر است. به متغیرهایی که پیش‌بینی بر روی آن انجام می‌شود متغیر وابسته و به متغیرهایی که پیش‌بینی به کمک آن‌ها انجام می‌شود متغیرهای مستقل می‌گویند. متغیرهای وابسته را معمولاً با  y و متغیرهای مستقل را با x نمایش می‌دهند. اگر تنها یک متغیر مستقل وجود داشته باشد مدل رگرسیون خطی را ساده و در غیر این صورت چندگانه می‌نامند. همچنین اگر به جای پیش‌بینی یک متغیر وابسته چندین متغیر وابسته پیش‌بینی شود، مدل رگرسیون خطی را چندمتغیره می‌نامند.  واژهٔ «رگرسیون» وام‌واژه‌ای از زبان فرانسوی است و به معنی «برگشت» و یا «پس‌گرایی» است؛ این واژه اولین بار توسط فرانسیس گالتون برای توصیف رابطهٔ خطی بین قد فرزندان و والدین‌شان مورد استفاده قرار گرفت. به طور دقیق‌تر او از اصطلاح «برگشت (رگرسیون) به میانگین» برای توصیف این رابطه استفاده کرد.

2) رگرسیون بیزی

در آمار، رگرسیون خطی بیز  یک رویکرد به رگرسیون خطی است که در آن تجزیه و تحلیل آماری در چارچوب استنباط بیزی انجام می‌شود. هنگامی که خطاهای مدل رگرسیون خطی از یک توزیع طبیعی پیروی کند، با در نظر گرفتن یک توزیع پیشین بر روی پارامترهای مدل، پیش‌بینی مدل از یک توزیع پسین که از قانون بیز به‌دست آمده، استفاده می‌کند.

 

3) رگرسیون لجستیک

رگرسیون لجستیک (به انگلیسی: Logistic regression) یک مدل آماری رگرسیون برای متغیرهای وابسته دوسویی مانند بیماری یا سلامت، مرگ یا زندگی است. این مدل را می‌توان به عنوان مدل خطی تعمیم‌یافته‌ای که از تابع لوجیت به عنوان تابع پیوند استفاده می‌کند و خطایش از توزیع چندجمله‌ای پیروی می‌کند، به‌حساب‌آورد. منظور از دو سویی بودن، رخ داد یک واقعه تصادفی در دو موقعیت ممکنه است. به عنوان مثال خرید یا عدم خرید، ثبت نام یا عدم ثبت نام، ورشکسته شدن یا ورشکسته نشدن و … متغیرهایی هستند که فقط دارای دو موقعیت هستند و مجموع احتمال هر یک آن‌ها در نهایت یک خواهد شد. کاربرد این روش عمدتاً در ابتدای ظهور در مورد کاربردهای پزشکی برای احتمال وقوع یک بیماری مورد استفاده قرار می‌گرفت. لیکن امروزه در تمام زمینه‌های علمی کاربرد وسیعی یافته‌است. به عنوان مثال مدیر سازمانی می‌خواهد بداند در مشارکت یا عدم مشارکت کارمندان کدام متغیرها نقش پیش‌بینی دارند؟ مدیر تبلیغاتی می‌خواهد بداند در خرید یا عدم خرید یک محصول یا برند چه متغیرهایی مهم هستند؟ یک مرکز تحقیقات پزشکی می‌خواهد بداند در مبتلا شدن به بیماری عروق کرنری قلب چه متغیرهایی نقش پیش‌بینی‌کننده دارند؟ تا با اطلاع‌رسانی از احتمال وقوع کاسته شود.

4) روش های غیرپارامتری (kNN ، kNN با وزن محلی)

 

5) یادگیری درخت تصمیم

 

6) شبکه های عصبی مصنوعی

 

7) SVM با اعتبار سنجی متقابل

 

8) خوشه بندی (k-means ، خوشه بندی سلسله مراتبی تجمعی و dbscan)

 

9) تجزیه ارزش PCA و ارزش واحد

آموزش تقویت